Інтелектуальна система відновлення пошкоджених частин зображень

Скорочена інформація про документ
dc.contributor.advisorЧумаченко, Олена Іллівна
dc.contributor.authorХомік, Єгор Михайлович
dc.date.accessioned2025-09-16T09:13:21Z
dc.date.available2025-09-16T09:13:21Z
dc.date.issued2025
dc.description.abstractДипломна робота: 118 с., 22 рис., 6 табл., 43 посилань,1 додаток. Об’єкт дослідження – автоматичне відновлення (inpainting) прихованих або пошкоджених ділянок зображень. Предмет дослідження – алгоритмічні та архітектурні принципи гібридної моделі Lifelong VAEGAN з буфером попередніх зразків і генератором U-Net із механізмом self-attention. Мета роботи – спроєктувати та експериментально перевірити модель, що здатна послідовно навчатися на зображеннях різних доменів, заповнювати маски з високою якістю і не втрачати раніше засвоєні навички. Для досягнення мети проведено огляд сучасних методів image inpainting lifelong-learning, розроблено двоенкодерну VAE-GAN-архітектуру з інтеграцією буферу попередніх зразків, реалізовано прототип у PyTorch і виконано серію експериментів на послідовності наборів CelebA → Facades. Оцінка за PSNR, SSIM і FID показала перевагу запропонованого підходу порівняно з базовими VAE, GAN та cGAN-моделями. Наукова новизна полягає в тому, що вперше запропоновано модульну Lifelong VAEGAN, яка поєднує явний латентний простір VAE із деталізуючою силою GAN і здатна ефективно відновлювати приховані ділянки зображень. Практичне значення розробки полягає в можливості використання системи для реставрації архівних фото та відеоматеріалів, автоматичного видалення небажаних об’єктів і відновлення контенту в потокових сервісах, де модель адаптується до нових даних без повного перенавчання.
dc.description.abstractotherDiploma thesis: 118 pp., 22 figs., 6 tables, 43 references,1 appendix. The object of research is the automatic restoration (inpainting) of occluded or damaged regions in digital images. The subject of research is the algorithmic and architectural principles of the hybrid Lifelong VAEGAN model that employs a rehearsal buffer of previous samples and a self-attention-enhanced U-Net generator. The aim of the work is to design and experimentally validate a model capable of learning sequentially on images from multiple domains, filling masks with high fidelity while preserving previously acquired skills. To achieve this goal, contemporary methods of image inpainting and lifelong learning were surveyed; a dual-encoder VAE-GAN architecture with an integrated rehearsal buffer was developed; a prototype was implemented in PyTorch; and a series of experiments was conducted on the dataset sequence CelebA → Facades. Evaluation with PSNR, SSIM, and FID metrics demonstrated the superiority of the proposed approach over baseline VAE, GAN, and cGAN models. Scientific novelty lies in the first presentation of a modular Lifelong VAEGAN that combines the explicit latent space of a VAE with the detail generating power of a GAN and able to effectively restore hidden areas. The practical significance of the work is the system’s applicability to restoring archival photo and video materials, automatically removing unwanted objects, and recovering content in streaming services, where the model adapts to new data without full retraining.
dc.format.extent118 с.
dc.identifier.citationХомік, Є. М. Інтелектуальна система відновлення пошкоджених частин зображень : дипломна робота … бакалавра : 122 Комп'ютерні науки / Хомік Єгор Михайлович. – Київ, 2025. – 118 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/76046
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectimage inpainting
dc.subjectlifelong vaegan
dc.subjectгенеративно-змагальні мережі
dc.subjectваріаційний автоенкодер
dc.subjectu-net
dc.subjectself-attention
dc.subjectбезперервне навчання
dc.titleІнтелектуальна система відновлення пошкоджених частин зображень
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Khomik_bakalavr.pdf
Розмір:
2.88 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ШІ)
Бакалаврські роботи