Streszczenie:
Wpracy przedstawiono propozycję wykorzystania Generatywnej Sieci Przeciwstawnej (GAN)
w tworzeniu obrazów abstrakcyjnych. W pracy oparto się na dostępnych badaniach i artykułach
naukowych na temat Generatywnych Sieci Przeciwstawnych. Przedstawiona metoda
polega na użyciu dwóch rywalizujących sieci neuronowych: generatora i dyskryminatora. Zadaniem
generatora jest stworzenie obrazów, jak najbardziej zbliżonych wyglądem do rzeczywistych
obrazów w zbiorze treningowym, natomiast dyskryminator porównuje dane i ocenia,
które z nich są prawdziwe, a które fałszywe (wygenerowane). Podczas tworzenia sieci zostały
wykorzystane między innymi warstwy konwolucyjne, normalizujące oraz funkcje aktywacji
ReLu i Tanh w celu poprawienia jakości generowanych obrazów. Model trenowano za pomocą
dwóch zbiorów obrazów abstrakcyjnych: Delaunay oraz obrazów abstrakcyjnych ze zbioru WikiArt
(Udoskonalony). Jakość obrazów była oceniana za pomocą funkcji straty, dokładności
predykcji oraz wizualnej reprezentacji modelu. W procesie został wykorzystany język Python
oraz biblioteki: NumPy, PIL, Keras oraz Matplotlib. Wyniki pracy pokazują zalety i wady
korzystania z struktury GAN w procesie generowania obrazów abstrakcyjnych.
