Дисертації (ММАД)
Постійне посилання зібрання
У зібранні розміщено дисертації, які захищені працівниками кафедри.
Переглянути
Перегляд Дисертації (ММАД) за Дата публікації
Зараз показуємо 1 - 4 з 4
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Моделювання екологічних процесів на основі двокрокового симетризованого різницевого алгоритму та супутникових даних(2021) Яйлимова, Ганна Олексіївна; Ляшко, Сергій Іванович; Куссуль, Наталія МиколаївнаДокумент Відкритий доступ Моделі глибинного навчання на складних для розпізнавання наборах даних(КПІ ім. Ігоря Сікорського, 2024) Охріменко, Антон Олександрович; Куссуль, Наталія МиколаївнаОхріменко А.О. Моделі глибинного навчання на складних для розпізнавання наборах даних. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 113 «Прикладна математика» (галузь знань 11 «Математика та Статистика»). – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2024. Останнім часом широко використовуються методи машинного навчання для вирішення різноманітних практичних завдань. Дані методи найкраще працюють, якщо різні класи рівномірно представлені у навчальній вибірці. На практиці, реальні набори даних часто не відповідають цій умові, класи у них можуть бути незбалансованими та перекриватися за своїми ознаками. Особливо це проявляється у задачі сегментації, де на кожному зображенні з навчальної вибірки може бути присутні одразу декілька класів у різній пропорції. Як наслідок, модель машинного навчання погано розпізнає наймеш представлені класи. Метою роботи є розробка нових ефективних методів навчання моделей для задачі сегментації при наявній проблемі незбалансованості та перекриття класів у навчальному наборі даних. Існують стандартні засоби, що застосовуються для балансування вибірок, такі як збільшення ваги малих класів у функції втрат, чи збалансоване формування навчального пакету. Науковці розробляють нові методи, такі як особлива обробка даних в областях перекриття класів, генерація штучних екземплярів даних та динамічні вагові коефіцієнти. Дані підходи не є універсальними та не враховують особливості самих даних. Зокрема, не враховується роздільність представників різних класів та ступінь повноти ознак у наборі даних. Тому актуальною є розробка нових методів, що враховують властивості даних, а також нових методів балансування навчальних наборів. Перший розділ дисертаційного дослідження присвячений огляду робіт інших дослідників, що присвячені проблемі незбалансованості, перекриття класів та випадку їх комбінації. Проведено аналіз даних методів, окреслено основні групи поточних досліджень, визначено недоліки кожної групи, сформульовано завдання дисертаційного дослідження. Окрім того, розглянуто підходи, що специфічні для предметних областей даного дослідження. У другому розділі досліджується задача визначення неоднозначних екземплярів даних, які важко коректно віднести до правильного класу через подібність їхніх ознак до представників іншого класу, тобто наявна проблема перекриття класів. Запропоновано метод виявлення неоднозначних екземплярів даних серед навчальної вибірки. Описаний метод апробовано на штучно згенерованому наборі даних. У третьому розділі запропоновано метод вагових масок для покращення розрізнення малих класів у задачі семантичної сегментації на прикладі визначення сільськогосподарських культур на супутникових знімках. Модифіковано функцію втрат до використання вагових масок, що згенеровані відповідно до належності різних пікселів зображення до неоднозначних екземплярів даних. Показано, що у порівнянні з базовою сегментаційною моделлю, використання вагових масок значно покращує метрики малих класів, а також спостерігається незначний приріст загальних метрик. У четвертому розділі досліджується можливість використання генеративних змагальних мереж (GAN) для генерації штучних зображень та балансування навчального набору даних для багатоканальних супутникових знімків. Даний підхід порівнюється з іншими методами генерації штучних зображень, а також перевіряється можливість застосування методу вагових масок з попереднього розділу. Показано, що у порівнянні з базовою сегментаційною моделлю, використання GAN суттєво покращує якість роботи моделі. Окрім того, продемонстровано, що інші методи генерації штучних зображень показують гірші результати у порівнян ні з запропонованим методом. Використання методу вагових масок у комбінації з GAN-аугментацією також покращує метрики моделі. У п’ятому розділі розроблений метод вагових масок апробований в іншій предметній області, а саме у задачі семантичної сегментації гістологічних зображень. Запропоновано модифікацію методу виявлення неоднозначних екземплярів даних, спрямовану на врахування деяких просторових властивостей зображення. Це дозволило згенерувати більш досконалі вагові маски. Підтверджено ефективність методу вагових масок, що значно покращує метрики малих класів, у порівнянні з базовою сегментаційною моделлю. Наукова новизна отриманих результатів: 1. Вперше розроблено метод виявлення неоднозначних даних на основі KNN, що дозволяє ефективно ідентифікувати екземпляри даних, які викликають труднощі через подібність між класами. 2. Вперше запропоновано метод аугментації супутникових зображень з використанням генеративних змагальних мереж (GAN), що забезпечує генерацію нових зразків для компенсації незбалансованості класів. 3. Запропоновано нові метрики для оцінки якості датасетів, які враховують незбалансованість та перекриття класів, що дозволяє точніше аналізувати якість навчальних даних. 4. Удосконалено функції втрат через введення вагових масок, що дозволяє адаптувати процес навчання сегментаційних моделей до умов незбалансованих даних. 5. Отримав подальший розвиток метод вагових масок для компенсації незбалансованості класів, що дозволяє коригувати навчання без втручання в розмір чи структуру датасету. Практичне значення отриманих результатів. Результати, отримані у даній роботі, застосовані в наступних проектах: 1. Науковий проект програми Horizon Europe «Satellites for Wilderness Inspec tion and Forest Threat Tracking» (SWIFTT) (грантова угода 101082732, 2022- 2025). 2. Науковий проект НФД України «Методи і моделі глибинного навчання для прикладних задач супутникового моніторингу» (2020.02/0292, 2020-2023). 3. Науково-технічна робота (НТР) «Інформаційні технології геопросторового аналізу розвитку сільських територій і громад» (Договір РН/27-2023 від 25 травня 2023 р.) за рахунок зовнішнього інструменту допомоги Європейського Союзу для виконання зобов’язань України у Рамковій програмі Європейського Союзу з наукових досліджень і інновацій «Горизонт 2020». Розроблені методи практично застосовані в різних областях машинного навчання, передусім для моделей, що використовують функцію втрат для свого навчання. Окрім того, GAN-аугментація може бути використана для більш широкого класу моделей, а метод визначення частки неоднозначних даних та його майбутні модифікації можуть бути використаний для оцінки якості навчальних даних для різних видів задач машинного навчання. За матеріалами дисертації опубліковано 6 робіт, з яких 2 статті у міжнародних журналах, що індексуються у Scopus (квартилі Q2 та Q3), 1 стаття в журналі, що входить до переліку фахових видань за спеціальністю дисертації, 1 одноосібний розділ у монографії та 2 публікації у матеріалах міжнародних конференцій.Документ Відкритий доступ Геометрична локальна консолідація гетерогенних ансамблів(КПІ ім. Ігоря Сікорського, 2026) Яворський, Олександр Андрійович; Куссуль, Наталія МиколаївнаЯворський О.А. Геометрична локальна консолідація гетерогенних ансамблів. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 113 "Прикладна математика" (галузь знань 11 "Математика та Статистика"). – Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського", Київ, 2026. Машинне навчання і зокрема алгоритми на основі нейронних мереж відіграють значну роль як в науці, так і в практичних застосуваннях завдяки високій адаптивності та точності. Разом з цим, дані методи не є достатньо інтерпретовними та, зазвичай, є менш робастними у порівнянні з широким класом інших, зокрема класичних, методів машинного навчання. Низька робастність призводить до нестабільності поведінки моделі на практиці, вимагає додаткових ресурсів на узгодженя моделі з новими даними та ускладнює використання у напрямках, що високо цінять надійність моделей, наприклад, медицині, фінансах, фізичному моделюванні тощо. Для таких галузей можна говорити про трикомпонетну систему вимог до моделей: висока робастність, інтерпретовність та узагальнювальність. Іншими словами, модель має бути стійкою до шуму чи викидів, має бути відносно легко пояснити яким чином модель прийшла до певної відповіді, а сама модель має показувати якомога більш стабільну поведінку під час переходу від одного (валідного) набору даних до іншого. Аналогічні вимоги зустрічаються, зокрема, для задачі побудови цифрових двійників (без прив'язки до конкретної галузі). Це пов'язано з тим, що такі системи є багатокомпонентними, що додатково підсилює вагомість інтерпретовності кожної окремої компоненти, націлені на моделювання великих (або деталізованих) процесів, що призводить до акумуляції зашумлення кожної окремої складової, а складність та дороговизна створення таких систем вимагає від них високої здатності до узагальнення. Існує низка методів підвищення стійкості моделей, більшість з яких базуються на ідеї аугментації даних, тобто підготовки моделі до можливих типів зашумлення. Не дивлячись на високу теоретичну ефективність, такі підходи привносять ряд питань, що ускладнюють їх імплементацію, а саме: де знайти або яким чином згенеруати гарні аугментовані дані, як оцінити вплив аугментованих даних на існуючи вибірку дійсних даних, яким чином виконувати тренування на таких даних тощо. Крім цього, використання більшої кількості даних очевидно збільшує обчислювальні вимоги та ефективний розмір моделі. Важливо також зазначити, що такі методи не обов'язково позитивно впдиваюьб на узагальнювальність, адже часто є "математичним трюком", до якого ми прибігаємо в умовах відсутності дійсних альтернативних наборів даних. Що ж стосується інтерпретовності, то класичні моделі машинного навчання є повністю інтерпретовними, тоді як більшість сучасних — так званими чорними якщиками. У таких умовах інтерпретовність часто є можливою лише в обмеженому вигляді вже на етапі, коли модель повністю натренована (що не є ефективним) і часто навіть вимагає тренування додаткових моделей інтерпретаторів таких як розріджені автоенкодери (англ., Sparse Autoencoders) для мовних моделей або моделей простору станів, що зовсім не полегшує загальну задачу аналізу поведінки моделі. На додачу, велика частина сучасних нейронних алгоритмів використовує ідею комбінування декількох нейронних компонент в межах однієї, унітарної моделі (наприклад, трансформер) або ансамблю, що лише погіршує можливу інтерпретовність самої моделі та ускладнює її аналіз. Разом з цим, для моделей на основі ансамблів, існує додаткова проблема узгодження інформації між окремими компонентами (інформаційна консолідація). Так, під час тренування моделей, необхідно явно (або неявно) узгодити потік інформації між різними компонентами ансамблю. Таким чином, класичні підходи не є однаково ефективними для ансамблів та унітарних моделей, адже не враховують принциповий зсув у методах передачі інформації в межах моделі ансамблю та не пом'якшують властиві для ціього підходу недоліки, що робить актуальним розробку методів та підходів покращення робастності та інтерпретовності моделей на основі ансамблевої архітектури. Саме цей аспект необхідності додаткового узгодження є, фактично, основною причиною більш низької інтерпретовності моделейансамблів. Таким чином, впровадження певного контролю за цим процесом може суттєво підвищити інтерпретовність моделей. Метою дисертаційної роботи є спроба надати один із можливих розв'язків даної проблеми: підвищення робастності та інтерпретованості нейронних моделей шляхом розроблення теоретично обґрунтованого методу геометричної локальної консолідації гетерогенних ансамблів на основі оцінки складності простору вхідних даних та його впровадження для гібридних, фізичноінформованих і нейродиференціальних моделей. Сам ансамбль можна розглядати у даному випадку як простий приклад цифрового двійника, що складається з різних моделейкомпонент, що моделюють окрему логіку / поведінку в межах системи (даних). У першому розділі даної роботи було розглянуто основні парадигми розумного аналізу даних, підходи до побудови моделей та ряд класичних проблем, що пов'язані з їх імплементацією і, зокрема, оцінкою; детально було розглянуто питання робастності моделей машинного навчання та які особливості виникають при переході від унітарних до ансамблевих моделей. Другий розділ було присвячено викладенню основних ідей з топологічного аналізу даних, що став основою геометричної компоненти консолідації ансамблів, також було проаналізовано ряд суміжних робіт, що ставлять на меті використання геометричних та / або топологічних властивостей даних для покращення роботи унітарних моделей або ансамблів та підкреслено особливості даної роботи та її відмінність від існуючих напрацювань. Разом з цим, нейронний гібридний алгоритм було визначено як основний приклад гетерогенного ансамблю, який став базовим елементом подальших практичних експериментів. У третьому розділі проаналізовано ряд функцій оцінки складності простору для визначення топологічних властивостей простору та їх ефективність для консолідації нейронних гібридних алгоритмів. Розглянуто як синтетичні дані, так і класичні набори даних різних модальностей: текст, зображення, графи для задачі nарної класифікації. Зокрема, було розглянуто набір даних із медичними зображеннями. Встановлено, що вибір конкретної функції оцінки складності суттєво впливає на кінцевий показник робастності моделей. Крім цього, визначено, що запропонований метод побудови моделей ансамблю є більш робастним у порівнянні з унітарними нейронним аналогом (на основі оцінки рівня впливу зашумлених та змінених даних). Разом з цим, окремо було проаналізовано найпростішу з можливих варіацій нейронного гібридного алгоритма із імпліцитним підходом до оцінки складності простору на задачі сильно незбалансованої бінарної текстової класифікації. Показано, що такий підхід легко перевершує набагато більші та складніші моделі глибокого машинного навчання за якісними метриками. Таким чином показано високу адаптивність запропонованого методу до різних модальностей даних, що є особливо важливим для згаданої вище проблеми побудови цифрових двійників, адже для їх створення часто використовуються саме такі дані (напр., для задачі оцінки змін навколишнього середовища часто використовуються як зображення самого середовища, так і кількісні показники, наприклад, у вигляді часових рядів, що описують зміну температури, вологості тощо). Четвертий розділ присвячено аналізу якості запропонованого підходу для задач фізичного моделювання, зокрема, для задач пов'язаних із рівняннями теплопровідності, Нав'єСтокса та ФітцХ'юНагумо. Було встановлено, що запропонований підхід є як більш робастним, так і більш точним у порівнянні із унітарними аналогами. Було показано, що розроблений метод має високий рівень гнучкості та дозволяє легко використовувати різні слабкі високопояснювальні моделі в межах ансамблю, а також як автоматизовані, так і евристичні способи визначення функцій оцінки складності простору, що є особливо важливим у випадках, коли вже існує певна інформація, яку необхідно інтегрувати до моделі. Крім цього, було викладено алгоритм побудови запропонованої моделі як для фізичноінформованих нейронних мереж, так і для нейродиференціальних рівнянь. У ході експериментів було визначено, що запропонований підхід може утворювати "клаптикові" маски простору, що суттєво ускладнюють ефективне використання даного методу, для чого було запропоновано функцію втрат узгодженості, яка здатна вирішувати дану проблему для певних таких функцій. Наукова новизна отриманих результатів може бути висвітлина в наступних пункатх: 1. Вперше запропоновано та формалізовано метод геометричної локальної консолідації гетерогенних ансамблів на основі оцінки складності простору вхідних даних, який забезпечує узгоджене розбиття простору між слабкими моделями та підвищує робастність ансамблевих нейронних моделей. 2. Вперше розроблено універсальний підхід до гібридизації нейронних моделей на основі локальної просторової складності, що дозволяє інтегрувати геометричні та топологічні властивості даних у процедуру побудови гетерогенних ансамблів. 3. Удосконалено механізми локальної інформаційної консолідації гетерогенних ансамблів шляхом введення функції втрат узгодженості та просторових масок ансамблю, що зменшує фрагментацію простору, стабілізує межі прийняття рішень і знижує варіабельність помилки. 4. Набули подальшого розвитку та експериментально підтверджені підходи до підвищення робастності гібридних нейронних моделей різної природи, зокрема фізичноінформованих нейронних мереж (PINNs) та нейродиференціальних рівнянь (NDE), а також моделей для даних різної модальності (текст, графи, зображення, зокрема медичні). Практичне значення отриманих результатів. Результати цього дисертаційного дослідження отримано в межах виконання науководослідницьких проєктів, а саме: 1. Моделі простору станів для оцінки змін навколишнього середовища (Міністерство освіти і науки України, 0126U001342) 2. Методи машинного навчання з адаптивним злиттям мультимодальних даних для кросрегіонального перенесення моделей класифікації земного покриву (Міністерство освіти і науки України, 0126U001312) 3. DT4LC: Розробка масштабованих цифрових моделейдвійників для аналізу змін земного покриву за допомогою машинного навчання (Швейцарський національний науковий фонд — Swiss National Science Foundation, 0125U001223) 4. Сервіси Copernicus нового покоління: інтелектуальний цифровий двійник для аналізу лісового покриву України (Міністерство освіти і науки України, 0126U001302) За матеріалами дисертації опубліковано 7 робіт, з яких 2 статті у міжнародних журналах, що індексуються у Scopus (квартилі Q1 та Q2), 1 стаття в журналі, що входить до переліку фахових видань за спеціальністю дисертації, 2 розділи у співавторстві у монографіях, та 2 публікації у матеріалах міжнародних конференцій.Документ Відкритий доступ Математичні моделі та методи 3D реконструкції в доповненій реальності(КПІ ім. Ігоря Сікорського, 2026) Савін, Володимир Вадимович; Куссуль, Наталія МиколаївнаСавін В.В. Математичні моделі та методи 3D реконструкції в доповненій реальності. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 113 «Прикладна математика» (галузь знань 11 «Математика та Статистика»). – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2026. В останні десятиліття спостерігається надзвичайно швидкий розвиток технологій доповненої реальності (ДР), які відкривають новий етап взаємодії людини з інформацією та оточуючим середовищем. Сценарії використання цих технологій стрімко еволюціонують, переходячи з мобільних на самостійніносимі пристрої. Продукти, які дозволяють споживати сценарії ДР, виходять зі стадії обмежених та дорогих платформ розробки і набувають масовості. Сучасні тренди у галузі доповненої реальності визначаються не лише зростанням її популярності, але й постійним удосконаленням технологічного арсеналу. Все більше компаній і дослідницьких груп зосереджують свою увагу на розробці інноваційних методів та рішень спрямованих на підвищення реалістичності взаємодії об’єктів ДР з реальним світом та користувача з об’єктами ДР. Одні з ключових технологій, необхідних для досягненні максимальної імерсії взаємодії та реалізації потенціалу ДР є реконструкція карт глибини та 3D реконструкція оточуючого середовища і його об’єктів. Мета 3D реконструкції полягає у відтворенні тривимірної моделі оточення на основі доступних даних: дво- та тривимірні зображення, внутрішні та зовнішні параметри камери, дані з IMU сенсорів, або систем позиціонування і т.д. 3D реконструкція є своєрідним каркасом для доповненої реальності, а її основною складовою є отримання (за рахунок апаратних засобів), чи відтворення (за рахунок алгоритмів на основі даних з одної чи декількох камер) карт глибини. Якість моделі реконструйованої сцени суттєво впливає на реалістичність сприйняття сценаріїв доповненої реальності користувачем. Справжній виклик полягає в тому, як забезпечити точність, достовірність та ефективність 3D реконструкції середовища при виконанні алгоритмів на кінцевих пристроях користувача та апаратних прискорювачах з обмеженою розрядністю (DSP/NPU), особливо, в умовах наявності на сцені динамічного освітлення та складних поверхонь (відбивні чи напівпрозорі). Метою даного дослідження є підвищення якості, стійкості та енергоефективності методів 3D реконструкції середовища, що виконуються на кінцевому пристрої користувача, для забезпечення реалістичної та надійної взаємодії користувача з віртуальними об’єктами в системах доповненої реальності. Якість існуючих класичних підходів реконструкції карт глибини чи 3D реконструкції сцени недостатня для реалізація якісних та імерсивних сценаріїв доповненої реальності. Такі алгоритми часто помиляються на складних поверхнях, таких як: однорідні, прозорі/напівпрозорі, відбивні, поверхні з періодичною текстурою; та на складних сценах, що містять: тонкі чи дрібні структури, динамічне освітлення, динамічні об’єкти. Сучасні методи реконструкції карт глибини чи 3D реконструкції сцени вирішують, або мінімізують вплив вищезазначених складних сцен та поверхонь. Але їх обчислювальна складність робить їх непридатними, або не ефективними для використання на кінцевих пристроях користувача з обмеженими обчислювальними можливостями та з батареями невисокої ємності. Тому актуальною є розробка нових методів та підходів, що дозволять врахувати особливості складних сцен при їх реконструкції на кінцевих пристроях користувача та на апаратних прискорювачах з обмеженою розрядністю. Перший розділ дисертаційного дослідження систематизує популярні існуючі роботи та підходи, що присвячені задачам реконструкції карт глибини та 3D реконструкції сцени. Демонструються результати аналізу даних методів, визначено їх основні недоліки та сформульовано завдання дисертаційного дослідження. У другому розділі досліджується проблема реконструкції середовища в умовах динамічного освітлення сцени. Запропоновано модифікацію Neural Radiance Fields (NeRF) моделі до умов динамічного освітлення шляхом модифікації функцій втрат та введення часової змінної. Проведені експерименти на відкритих наборах даних, які демонструють ознаки наявності динамічного освітлення, підтверджують ефективність запропонованого підходу. Також, проведено аналіз та запропоновано використання описаного методу для розширення (аугментації) наявних наборів даних шляхом синтезу зображень новітніх видів сцени з метою подальшого навчання легших моделей орієнтованих на ефективне виконання на кінцевому пристрої користувача. У третьому розділі дисертаційної роботи розглядається проблема реконструкції карт глибини при наявних на сцені відбивних чи напівпрозорих поверхонь. Запропоновано метод, який дозволяє отримати та окремо зберігти значення глибини до самої складної поверхні та до відбитого чи перекритого об’єкту. Описаний метод запатентовано як винахід в глобальній базі WIPO PATENTSCOPE та присутній в петентних базах багатьох країн, включаючи Республіка Корея, США та ін. Четвертий розділ адресує проблему ефективної реконструкції карт глибини високої точності та з широким діапазоном глибини на апаратних прискорювачах з обмеженою розрядністю кінцевих пристроїв користувача. Запропоновано метод, особливістю якого є модифікація архітектури моделі реконструкції карт глибини шляхом додавання виходів для окремого передбачення компонент двовімірної кривої Гільберта. Виходи моделі піддаються простій постобробці для отримання карт глибини широкого діапазону. Представлені результати експериментів на відкритих наборах даних демонструють: - суттєве зменшення похибки квантування моделі, виконання якої планується на апаратних прискорювачах з обмеженою розрядністю; - покращення якості реконструкції карт глибини, особливо при наявності дрібних структур; - збільшення розрядності результуючих значень карт глибини, що призводить до розширення робочого діапазону та точності значень глибини; - зменшення часу виконання та енергоспоживання результуючої квантованої моделі. Демонструються результати аналізу обмежень запропонованого підходу та можливості для його подальшого розвитку. Наукова новизна отриманих результатів: 1. Удосконалено метод Neural Radiance Fields (NeRF) до умов динамічного освітлення шляхом модифікації функцій втрат та введення часової змінної, що дозволило покращити якість реконструкції сцен з динамічним освітленням та розширювати існуючі набори даних для складних сцен. 2. Вперше розроблено та запатентовано метод реконструкції глибини, який враховує напівпрозорі та відбивні поверхні, зберігає окремо значення глибини до самої площини та до відбитого/перекритого об’єкту, що дозволяє збільшити точність реконструкції складних сцен, які містять не дифузні поверхні. 3. Вперше сформульовано та розроблено метод для прогнозування карт глибини з представленням виходу моделі у вигляді компонент двовимірної кривої Гільберта, що дозволило для квантованих моделей розширити діапазон глибини, підвищити її точність та покращити енергоефективність реконструкції сцени на апаратних прискорювачах з обмеженою розрядністю (DSP/NPU) кінцевих пристроїв користувача. Практичне значення отриманих результатів та їх застосування. Результати присутні в даному дослідженні були використані в рамках комерційних та науково-дослідницьких проектів ТОВ «Самсунг РнД Інститут Україна». Запропоновані методи знайшли застосування у галузі візуального інтелекту при вирішенні завдань 3D реконструкції сцени для доповненої реальності та створення/редагування просторового контенту. 1. Метод призначений для реконструкції карт глибини з урахуванням напівпрозорих та відбивних поверхонь, що орієнтований на підвищення якості відтворення складних об’єктів, зокрема при наявності динамічного освітлення захищено патентом (US20240144503А1). Отриманий патент розширює патентне портфоліо компанії у відповідному технологічному домені. 2. Метод прогнозування високоточних карт глибини з широким діапазоном на пристроях з обмеженою розрядністю, що ґрунтується на використанні двовимірних кривих Гільберта, дозволяє: зменшити похибку квантування моделі у 4,6 рази, що підвищує якість реконструкції карт глибини на DSP-пристроях; розширити діапазон відстаней за рахунок збільшення ефективної розрядності з 8-біт до 10-біт; зменшити час виконання та енергоспоживання квантованої моделі у 1,5 раза порівняно з оригінальною моделлю за умови збереження або покращення якості прогнозування карт глибини. 3. Розглянуті та запропоновані методи 3D реконструкції сцени на кінцевих пристроях користувача з обмеженими обчислювальними ресурсами було використано при розробці комерційних проектів, що спрямовані на сценарії створення/редагування просторового контенту для флагманської моделі смартфону Samsung Galaxy S25. Також, представлення виходу моделі на основі кривої Гільберта, що запропоновано у методі прогнозування карт глибини високої точності з широким діапазоном на пристроях з обмеженою розрядністю може бути застосовано для покращення якості та ефективності і інших задач комп’ютерного зору на основі методів машинного навчання, що виконуються на апаратних прискорювачах з низькою арифметикою.