Generativní adversariální sítě pro transformaci obrázků do stylu malíře Moneta

Bc. Jan Bertsch

Diplomová práce

Generative Adversarial Networks for Monet-Style Image Transformation

Anotace:

Generative Adversarial Networks (GAN) jsou revolučním nástrojem v oblasti hlubokého učení, který umožňuje generování nových obrázků na základě tréninkových dat. Práce se zaměří na srovnání různých variant GAN modelů v kontextu transformace běžných fotografií do stylu ikonického malíře Claude Moneta. Konkrétně bude práce zkoumat efektivitu a výsledky modelů jako např. DCGAN, StyleGAN či CycleGAN v úkolu převodu fotografií. Cílem práce je identifikovat, který z těchto modelů nejlépe zachytává a reprezentuje Monetův jedinečný styl. Práce tam poslouží jako náhled k pochopení potenciálu a omezení různých GAN variant v oblasti umělecké transformace obrázků.

Abstract:

Generative Adversarial Networks (GANs) are a revolutionary tool in the field of deep learning, allowing the generation of new images based on training data. This work will focus on comparing different variants of GAN models in the context of transforming ordinary photos into the style of the iconic painter Claude Monet. Specifically, the work will examine the efficiency and results of models such as DCGAN, StyleGAN, and CycleGAN in the task of photo conversion. The aim of the work is to identify which of these models best captures and represents Monet's unique style. The work will serve as an overview to understand the potential and limitations of various GAN variants in the field of artistic image transformation.

Klíčová slova

GAN, DCGAN, Pix2Pix, CycleGAN, TensorFlow, Keras, Python

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 13. 5. 2024

Obhajoba závěrečné práce

Univerzita Tomáše Bati ve Zlíně

Fakulta aplikované informatiky

Magisterský studijní program / obor:
Informační technologie / Softwarové inženýrství