Tworzenie obrazów abstrakcyjnych z użyciem Generatywnej Sieci Przeciwstawnej

Abstract

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.