Расширение возможностей систем генерации изображений путем использования нейронных сетей
Ключевые слова:
генерация изображений, нейронные сети, архитектура нейронных сетей, проблема качества изображений, задача оптимизации вычислений, ограничение вычислительной мощностиАннотация
Статья представляет обзор основных проблем, с которыми сталкиваются исследователи и практики при генерации изображений с использованием нейронных сетей. Рассматриваются ключевые аспекты, такие как вычислительная сложность и качество сгенерированных изображений. Предлагаются потенциальные решения для данных проблем, включая оптимизацию архитектур нейронных сетей, применение методов оптимизации и использование специализированных аппаратных ускорителей. Подводятся итоги перспектив развития исследований в данной области, а также указываются направления для будущих исследований и инноваций.
Библиографические ссылки
Зори, С. А. Реалистичная визуализация трехмерных объектов и сцен с использованием технологий объемного отображения / С. А. Зори, Е. А. Башков // Известия ЮФУ. Технические науки. Тематический выпуск «Компьютерные и информационные технологии в науке, инженерии и управлении». - 2012. - № 5(130). - С. 133-137.
Зори, С. А. Использование средств аппаратной поддержки для повышения производительности систем 3D-пространственной визуализации / С. А. Зори, А. Я. Аноприенко, Р. В. Мальчева, О. А. Авксен-тьева // Информатика и кибернетика. - Донецк: ДонНТУ, 2019. - № 1 (15). - С. 5-12.
Хайкин С. Нейронные сети: полный курс / С. Хайкин – 2-е издание. Пер. с англ. – М.: Издательский дом «Вильямс», 2006. – 1104 с.: ил.
Goodfellow, Ian, et al. Generative adversarial nets // Advances in neural information processing systems, 2014.
Zhang, R. The unreasonable effectiveness of deep features as a perceptual metric / R. Zhang // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018.
Постолит, А. В. Основы искусственного интеллекта в примерах на Python. Самоучитель / А. В. Постолит. – 2-е изд., перераб. и доп.– СПб.: БЧВ-Петербург, 2023 – 448 с.: ил.
Srivastava, Nitish, et al. Dropout: a simple way to prevent neural networks from overfitting // The Journal of Machine Learning Research 15.1, 2014. Р. 1929-1958.
Shorten, Connor, and Taghi M. Khoshgoftaar. A survey on image data augmentation for deep learning // Journal of Big Data 6.1, 2019. – Р. 60.
Howard, Andrew G., et al. Mobilenets: Efficient convolutional neural networks for mobile vision applications // arXiv preprint arXiv:1704.04861, 2017.
Wu, Yuhao, et al. Progressive Growing of GANs for Improved Quality, Stability, and Variation // arXiv preprint arXiv:1710.10196, 2017.
Howard, Andrew G., et al. Mobilenets: Efficient convolutional neural networks for mobile vision applications // arXiv preprint arXiv:1704.04861, 2017.
Google AI Blog. Google supercharges machine learning tasks with TPU custom chip [Electronic resource] - URL: https://ai.googleblog.com/2016/05/announcing-tpu-tensor-processing-unit.html)
EIZO Rugged Solutions and NVIDIA Turing Push the Boundaries of Rugged AI [Electronic resource] - URL: https://www.unmannedsystemstechnology.com/wp-content/uploads/2021/01/NVIDIA_TuringGPU_whitepaper2021.pdf
