Генеративні нейронні мережі для задач комп’ютерного зору на прикладі текстур для комп’ютерних ігор

Скорочена інформація про документ
dc.contributor.advisorМілявський, Юрій Леонідович
dc.contributor.authorЧеркасов, Євген Валерійович
dc.date.accessioned2025-02-10T14:01:19Z
dc.date.available2025-02-10T14:01:19Z
dc.date.issued2024
dc.description.abstractМагістерська дисертація: 137 с., 26 рис., 24 табл., 99 джерел, 2 додатки. Об'єкт дослідження – процес генерації текстур для персонажів комп'ютерних ігор. Мета роботи – розробка та реалізація методів генеративних нейронних мереж для створення текстур персонажів комп'ютерних ігор. Методи дослідження – аналіз наукової літератури, веб-скрапінг, експериментальне моделювання, порівняльний аналіз архітектур нейронних мереж, візуальна та кількісна оцінка якості згенерованих текстур. У роботі проведено аналіз сучасних підходів до генерації текстур, розроблено та протестовано три архітектури генеративних моделей: GAN, C-GAN-WP та дифузійну модель. Створено один з найбільших наборів даних текстур Minecraft (773,971 зразків). Розроблено програмний продукт на мові Python з використанням фреймворків PyTorch та TensorFlow для генерації текстур персонажів. Результати роботи впроваджено у формі GAN моделі для автоматизованої генерації текстур. Розроблені моделі можуть бути використані розробниками ігор та творцями модифікацій для швидкого створення якісних текстур персонажів.
dc.description.abstractotherMaster's thesis: 137 p., 26 fig., 24 tabl., 99 references, 2 appendices. The object of research is the process of generating textures for video game characters. The aim of the work is to develop and implement generative neural network methods for creating video game character textures. Research methods include scientific literature analysis, web scraping, experimental modeling, comparative analysis of neural network architectures, visual and quantitative evaluation of generated textures quality. The paper analyzes modern approaches to texture generation, develops and tests three generative model architectures: GAN, C-GAN-WP, and diffusion model. One of the largest Minecraft texture datasets (773,971 samples) was created. A software product was developed in Python using PyTorch and TensorFlow frameworks for character texture generation. The results are implemented as a GAN model for automated texture generation. The developed models can be used by game developers and mod creators for rapid creation of high-quality character textures.
dc.format.extent137 с.
dc.identifier.citationЧеркасов, Є. В. Генеративні нейронні мережі для задач комп’ютерного зору на прикладі текстур для комп’ютерних ігор : магістерська дис. : 124 Системний аналіз / Черкасов Євген Валерійович. - Київ, 2024. - 137 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/72419
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectгенеративні нейронні мережі
dc.subjectкомп'ютерний зір
dc.subjectтекстури
dc.subjectminecraft
dc.subjectgan
dc.subjectconditional gan
dc.subjectwasserstein gan
dc.subjectdiffusion models
dc.subjectgenerative neural networks
dc.subjectcomputer vision
dc.subjecttextures
dc.subject.udc303.732.4
dc.titleГенеративні нейронні мережі для задач комп’ютерного зору на прикладі текстур для комп’ютерних ігор
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Cherkasov_magistr.pdf
Розмір:
2.39 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

Магістерські роботи (ММСА)
Магістерські роботи