
Тип работы:	Предмет:	Язык работы:

Редактирование планов этажей на основе стилей

Работа №	145981
Тип работы	Магистерская диссертация
Предмет	информатика
Объем работы	64
Год сдачи	2024
Стоимость	4680 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено	25

Не подходит работа?

Узнай цену на написание

Содержание

ВВЕДЕНИЕ 3
Актуальность 3
Постановка задачи 4
Практическая значимость 5
Глава 1. Обзор направлений и методов 6
1.1. Генеративно-состязательные сети на основе стилей 6
1.2. Методы инверсии генеративно-состязательных сетей 16
1.3. Условный синтез изображений 20
1.4. Метрики оценки 34
Глава 2. Реализация 36
2.1 Базовая модель 37
2.2 Оценка работы базовой модели 44
2.3. Разработка новой модели 45
2.3.1 Генератор 46
2.3.2. Дискриминатор 48
2.3.3. Энкодер 52
2.3.4 Обучение 52
2.4 Оценка модели 56
ЗАКЛЮЧЕНИЕ 58
Результаты работы 58
Перспективы развития 58
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 60

Введение

В современном мире наличие недвижимости является обязательным условием для комфортного существования. При этом планы этажей являются неотъемлемой частью практически всех ее видов и содержат основную информацию о выбранной недвижимости. Однако построение планов является весьма нетривиальной задачей и требует наличия специфических знаний и навыков, поэтому для ее выполнения приходится прибегать к помощи специалиста, что, в свою очередь, может приводить к значительным временным затратам даже для внесения небольших изменений. Также планы этажей могут различаться в зависимости от наличия на них дизайна, компании застройщика и страны, что требует дополнительных затрат для перепроектирования плана этажа в соответствии с требованиями. Проблемы внесения изменений и перепроектирования планов этажей напрямую решаются либо наличием необходимых навыков для самостоятельного внесения изменений, либо затратой дополнительного времени и ресурсов.
Благодаря быстрому развитию технологий в области генерации и редактирования изображений с помощью нейронных сетей, стал доступен альтернативный вариант, заключающейся в создании модели, для автоматического внесения изменений на основе требований пользователя. Применение таких моделей способствует уменьшению временных и человеческих ресурсов, необходимых для внесения как небольших изменений, так и сложного перепроектирования.
План-этажа в исходном состоянии представляет зачастую представляет из себя CAD-файл, работа с которым требует наличия большого количества специфических навыков и дополнительное программное обеспечение, поэтому до заказчика обычно доводится в виде изображения. Как было описано выше, отсутствие профильных знаний не позволяет обычному человеку самостоятельно редактировать планы-этажей. Для решения этой проблемы необходимо ввести упрощенное представление, которое позволит любому пользователю без каких-либо проблем вносить изменения. Из этой задачи также следует обратная задача во сстановления отредактированного плана-этажа. Также, для решения задач переноса стиля, необходимо уметь извлекать стиль из изображения.
Примерная архитектура решения выглядит следующим образом:
1) Перевод изображения в упрощенное представление
2) Извлечение стиля из стилизующего изображения
3) Генерация обновленного плана-этажа из упрощенного представления с учетом стиля..

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!

ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ

Курсовые Статьи Диплом Рязань

Заключение

Результаты работы
В результате проделанной работы была достигнута поставленная цель, а именно разработана модель для редактирования планов этажей на основе стилей. В процессе разработки были выполнены следующие задачи:
• изучены материалы по теме условного синтеза изображений
• изучены материалы по теме инверсии генеративно-состязательных сетей
• изучены материалы по теме генерация изображений на основе стилей
• разработана базовая модель на основе существующих решений
• размечены датасеты планов этажей и их семантических масок
• разработана новая модель
• новая модель обучена и оценена
Модель была проверена на тестовых данных и показала хорошие результаты, благодаря новой архитектуре модели для условной генерации изображений.
Перспективы развития
Несмотря на полученные результаты остается множество путей улучшения результатов, например:
• Увеличение вариативности и объема обучающего набора данных. Подобное улучшение будет способствовать стабилизации модели и уменьшению артефактов на изображении.
• Поиск оптимальной архитектуры энкодера. Метод инверсии на основе оптимизации является затратным и препятствует работе моделей в реальном времени. Для решения этой проблемы необходимо разработать более сильный подход, позволяющий восстанавливать изображения без последующей оптимизации.
• Углубленный анализ предобученных моделей различных архитектур, для поиска наиболее эффективной.

Литература

[1] I. Goodfellow et al. Generative adversarial networks //NeurlPS. - 2014.
[2] A. Radford et al. Unsupervised representation learning with deep convolutional generative adversarial networks //ICLR. - 2016.
[3] I. Gulrajani et al. Improved training of Wasserstein GANs //NeurlPS. -2017. - C. 5767-5777.
[4] T. Karras et al. Progressive growing of GANs for improved quality, stability, and variation //ICLR. - 2018.
[5] J.-Y. Zhu et al. Unpaired image-to-image translation using cycle-consistent adversarial networks //ICCV. - 2017.
[6] X. Huang et al. Multimodal unsupervised image-to-image translation //ECCV. - 2018.
[7] T.-C. Wang et al. High-resolution image synthesis and semantic manipulation with conditional GANs //CVPR. - 2018.
[8] K. Zhang et al. Beyond a gaussian denoiser: Residual learning of deep CNN for image denoising //TIP. - 2017.
[9] X. Xu et al. Learning to super-resolve blurry face and text images //ICCV. -2017.
[10] Ledig et al. Photo-realistic single image superresolution using a generative adversarial network //CVPR. - 2017.
[11] Xintao Wang et al. Esrgan: Enhanced super-resolution generative adversarial networks //ECCVW. - 2018.
[12] X. Huang and S. J. Belongie. Arbitrary style transfer in real-time with adaptive instance normalization //CoRR. - 2017.
[13] G. Ghiasi et al. Exploring the structure of a real-time, arbitrary neural artistic stylization network //CoRR. - 2017.
[14] Y. Li et al. Demystifying neural style transfer //CoRR. - 2017.
[15] Tero Karras et al. A style-based generator architecture for generative adversarial networks //CVPR. - 2018...(67)