Чумаченко, Олена ІллівнаХомік, Єгор Михайлович2025-09-162025-09-162025Хомік, Є. М. Інтелектуальна система відновлення пошкоджених частин зображень : дипломна робота … бакалавра : 122 Комп'ютерні науки / Хомік Єгор Михайлович. – Київ, 2025. – 118 с.https://ela.kpi.ua/handle/123456789/76046Дипломна 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.118 с.ukimage inpaintinglifelong vaeganгенеративно-змагальні мережіваріаційний автоенкодерu-netself-attentionбезперервне навчанняBachelor Thesis