Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций
Конференция: ИТ. Наука. Креатив; Омск; Омск
Год издания: 2026
Ключевые слова: variational autoencoder, image generation, noise type, reparameterization, quality metrics, вариационный автокодировщик, генерация изображений, тип шума, репараметризация, метрики качества
Аннотация: В работе исследуется влияние типа распределения шума, используемого при репараметризации в вариационных автокодировщиках (VAE), на качество генерируемых изображений. Предлагается архитектура свёрточного VAE с остаточными блоками, обученная на наборе данных CIFAR-10. Разработано программное обеспечение, реализующее работу предложеннПоказать полностьюого автокодировщика. Проводятся вычислительные эксперименты по генерации изображений для трёх типов шума: гауссовского, равномерного и Лапласа. Выполняется сравнительный анализ качества созданных изображений. Качество генерации оценивается метриками FID, Inception Score, LPIPS, PSNR и SSIM. Результаты показывают, что шум Лапласа обеспечивает наилучшие показатели разнообразия (FID) и реалистичности (IS), в то время как другие шумы демонстрируют промежуточные результаты. This paper investigates the influence of the noise distribution type used in the reparameterization of variational autoencoders (VAE) on the quality of generated images. A convolutional VAE architecture with residual blocks is proposed and trained on the CIFAR-10 dataset. Software implementing the proposed autoencoder is developed. Computational experiments for three noise types (Gaussian, uniform, and Laplace) are conducted. A comparative analysis of the created images is performed. Generation quality is assessed by FID, Inception Score, LPIPS, PSNR, and SSIM metrics. The results show that Laplace noise provides the best diversity (FID) and realism (IS), while other noises demonstrate intermediate results.
Журнал: ИТ. Наука. Креатив
Номера страниц: 181-186
Место издания: Омск