Ανασκόπηση σύγχρονων παραγωγικών μεθόδων και συγκριτική αξιολόγησή τους στη δημιουργία συνθετικών εικόνων

Ζωβoΐλης, Δημήτριος-Μάριος

dc.contributor.advisor	Βασιλάς, Νικόλαος
dc.contributor.author	Ζωβoΐλης, Δημήτριος-Μάριος
dc.date.accessioned	2025-03-11T07:34:31Z
dc.date.available	2025-03-11T07:34:31Z
dc.date.issued	2025-02-27
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/8672
dc.description.abstract	Τα τελευταία χρόνια οι παραγωγικές μέθοδοι έχουν γίνει αναπόσπαστο κομμάτι της δημιουργίας συνθετικών εικόνων. Η παρούσα διπλωματική εργασία προσφέρει μια αυστηρή μελέτη και συγκριτική ανάλυση τριών κορυφαίων παραγωγικών αρχιτεκτονικών: Variational Autoencoders (VAEs), Generative Adversarial Networks (GANs) και Diffusion Models. Η μελέτη ξεκινά με μια σε βάθος διερεύνηση των θεωρητικών θεμελίων κάθε προσέγγισης, αποσαφηνίζοντας τους βασικούς μηχανισμούς, τα δυνατά σημεία και τους εγγενείς περιορισμούς τους στη σύλληψη πολύπλοκων κατανομών δεδομένων. Στη συνέχεια, πραγματοποιείται μια εμπειρική αξιολόγηση σε ευρέως γνωστά σύνολα δεδομένων: MNIST, Fashion-MNIST και CelebA, για να αξιολογηθεί η αποτελεσματικότητα κάθε μοντέλου σε διαφορετικά επίπεδα πολυπλοκότητας εικόνων. Η αξιολόγηση των επιδόσεων ενσωματώνει τόσο ποσοτικές μετρήσεις, όπως το Inception Score (IS) και το Fréchet Inception Distance (FID), όσο και ποιοτικές αξιολογήσεις που επικεντρώνονται στην αληθοφάνεια και την ποικιλομορφία των παραγόμενων εικόνων. Μέσω αυτής της ανάλυσης, διαφαίνονται τα συγκριτικά πλεονεκτήματα και οι πιθανές αδυναμίες κάθε τεχνικής, θέτοντας τα θεμέλια για μελλοντικές έρευνες σχετικά με αλγοριθμικές βελτιώσεις που μπορούν να αποφέρουν πιο ισχυρές και προσαρμόσιμες μεθοδολογίες σύνθεσης εικόνων.	el
dc.format.extent	82	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/deed.el	*
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	AI	el
dc.title	Ανασκόπηση σύγχρονων παραγωγικών μεθόδων και συγκριτική αξιολόγησή τους στη δημιουργία συνθετικών εικόνων	el
dc.title.alternative	Review of modern generative methods and their comparative evaluation in generating	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Μπαρδής, Γεώργιος
dc.contributor.committee	Γεωργουλάκη, Χριστίνα
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών	el
dc.description.abstracttranslated	In recent years, production methods have become an indispensable part of creating synthetic images. This thesis offers a rigorous study and comparative analysis of three leading generative architectures: variational autoencoders (VAEs), Generative Adversarial Networks (GANs) and Diffusion Models. The study begins with an in-depth exploration of the theoretical foundations of each approach, clarifying their key mechanisms, strengths and inherent limitations in capturing complex data distributions. Then, an empirical evaluation is performed on widely known datasets; MNIST, Fashion-MNIST and CelebA, to assess the effectiveness of each model at different levels of image complexity. The performance evaluation incorporates both quantitative metrics, such as Inception Score (IS) and Fréchet Inception Distance (FID), and qualitative evaluations focusing on the believability and diversity of the generated images. Through this analysis, the comparative strengths and potential weaknesses of each technique become apparent, laying the foundation for future research on algorithmic improvements that can yield more robust and adaptable image synthesis methodologies.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: zovoilis_19390064.pdf
Μέγεθος:: 4.278Mb
Τύπος:: PDF
Περιγραφή:: Διπλωματική Εργασία

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Πληροφορικής και Υπολογιστών

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές

Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές