Статья представляет собой анализ современных методов генерации изображений: вариационных автоэнкодеров (Variational Autoencoder - VAE), генеративных состязательных сетей (Generative Adversarial Networks - GAN) и диффузионных моделей. Основное внимание уделено сравнительному анализу их производительности, качеству генерации и вычислительным требованиям. Для оценки качества изображений используется метрика расстояние Фреше между распределениями признаков (Fréchet Inception Distance - FID). Диффузионные модели показали наилучшие результаты (FID 20.8), превосходя VAE (FID 59.75) и GAN (FID 38.9), но требуют значительных ресурсов. VAE стабильны, но генерируют размытые изображения. GAN обеспечивают высокое качество, но страдают от нестабильности обучения и коллапса моды. Диффузионные модели, благодаря пошаговому декодированию шума, сочетают детализацию и структурированность, что делает их наиболее перспективными. Также рассмотрены методы генерации из изображения в изображение, применяемые для модификации изображений. Результаты исследования полезны для специалистов в области машинного обучения и компьютерного зрения, способствуя улучшению алгоритмов и расширению областей применения генеративных моделей.

Ключевые слова: дипфейк, глубокое обучение, искусственный интеллект, GAN, VAE, диффузионная модель

1.2.1 - Искусственный интеллект и машинное обучение , 1.2.2 - Математическое моделирование, численные методы и комплексы программ

Современные интеллектуальные системы управления (ИСУ) представляют собой сложные программно-аппаратные комплексы, которые используют методы искусственного интеллекта, машинного обучения и обработки больших данных для автоматизации процессов принятия решений. В статье рассматриваются основные средства и технологии, применяемые при разработке ИСУ, такие, как нейронные сети, алгоритмы глубокого обучения, экспертные системы и системы поддержки принятия решений. Особое внимание уделяется роли облачных вычислений, интернета вещей и киберфизических систем в повышении эффективности интеллектуальных систем управления. Проанализированы перспективы развития данной области, а также вызовы, связанные с безопасностью данных и интерпретируемостью моделей. Приводятся примеры успешного внедрения ИСУ в промышленности, медицине и городском управлении.

Ключевые слова: интеллектуальные системы управления, искусственный интеллект, машинное обучение, нейронные сети, большие данные, интернет вещей, киберфизические системы, глубокое обучение, экспертные системы, автоматизация

1.2.1 - Искусственный интеллект и машинное обучение , 1.2.2 - Математическое моделирование, численные методы и комплексы программ

В настоящее время существует множество причин, почему обучение технологиям искусственного интеллекта (ИИ) может быть важным для сегодняшних студентов. Поэтому дисциплины, связанные с ИИ, вузы активно включают в образовательные программы бакалавриата и магистратуры. Важно научить студентов понимать, как работают такие технологии, и как их можно использовать для решения различных задач. В свою очередь, обучение немыслимо без демонстрации примеров решения различных задач. Важным же этапом в решении задачи машинного обучения вообще, в т.ч. задачи компьютерного зрения, является этап формирования обучающей выборки. Поэтому возникла идея написания программы, которая способна была бы генерировать датасеты по разнообразным тематикам для задач компьютерного зрения. Формат данных генерируемой выборки для обучения train.csv общепринят и выглядит следующим образом: каждая строка представляет собой описание одного изображения; первый столбец содержит метки классов, к которым принадлежит изображение; оставшиеся столбцы содержат пиксельные значения изображения, например, в виде плоского вектора, где каждое значение соответствует яркости соответствующего пикселя на изображении. Полученные датасеты можно использовать для организация проектной деятельности учащихся по искусственному интеллекту.

Ключевые слова: искусственный интеллект, машинное обучение, компьютерное зрение, нейронная сеть, обучающая выборка, датасет, C#, пиксель, субпиксельная обработка изображений, организация проектной деятельности учащихся

1.2.1 - Искусственный интеллект и машинное обучение , 1.2.2 - Математическое моделирование, численные методы и комплексы программ