Россия
Россия
В работе формализован процесс генерации изображений в рамках двух архитектурных парадигм – генеративно-состязательной и диффузионной. Проведён количественный анализ вычислительной сложности с использованием показателей числа шагов инференса и оценки FLOPs, а также качественное сопоставление моделей по устойчивости обучения, склонности к коллапсу мод, интерпретируемости латентного пространства и масштабируемости.
генеративные модели; GAN; diffusion models; вычислительная сложность; FID; моделирование процесса; генерация изображений
1. Юрчишина, М. В. Алгоритмическая модель СППР «Оптимальный учебный план» / М. В. Юрчишина, К. И. Бушмелева // Моделирование систем и процессов. – 2024. – Т. 17, № 4. – С. 84-95. – DOIhttps://doi.org/10.12737/2219-0767-2024-17-4-84-95. – EDN OJFBGD.
2. Ромбах Р., Блаттман А., Лоренц Д., Эссер П., Оммер Б. Высококачественный синтез изображений с использованием латентных диффузионных моделей // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2022.
3. Сахария Ч., Чан У., Саксена С., Ли Л., Уитакер С., Барретт У., и др. Фотореалистичная генерация текста в изображение с глубоким пониманием языка (Imagen) // arXiv. 2022.
4. Diffusion Models vs GANs vs VAEs: Comparison of Deep Generative Models // Towards AI. URL: https://pub.towardsai.net/diffusion-models-vs-gans-vs-vaes-comparison-of-deep-generative-models-67ab93e0d9ae (дата обращения: 10.02.2026).
5. Вивеканантхан С. Сравнительный анализ генеративных моделей: повышение качества синтеза изображений с использованием VAE, GAN и Stable Diffusion // arXiv. 2024.
6. Сонг Я., Дхариуал П., Чен М., Сутскевер И. Consistency Models // International Conference on Machine Learning (ICML). 2023.
