Συγκριτική μελέτη αλγορίθμων διάχυσης για τη γένεση τεχνητών εικόνων

Γουμενάκη, Χρυσούλα

dc.contributor.advisor	Σωτηρόπουλος, Διονύσιος
dc.contributor.author	Γουμενάκη, Χρυσούλα
dc.date.accessioned	2025-06-10T13:24:23Z
dc.date.available	2025-06-10T13:24:23Z
dc.date.issued	2025-05
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17838
dc.description.abstract	Τα diffusion models είναι μια κατηγορία γεννητικών μοντέλων που προσομοιώνουν τη σταδιακή διάχυση θορύβου σε δεδομένα και μαθαίνουν να αντιστρέφουν αυτή τη διαδικασία για τη δημιουργία νέων δεδομένων υψηλής ποιότητας. Η βασική ιδέα τους βασίζεται σε μια διαδικασία δύο σταδίων: στην προοδευτική προσθήκη θορύβου στα δεδομένα εκπαίδευσης (forward process), ώστε να μετατραπούν σε τυχαίο θόρυβο, και στην αναστροφή αυτής της διαδικασίας (reverse process), όπου το μοντέλο εκπαιδεύεται να αφαιρεί σταδιακά τον θόρυβο, παράγοντας δείγματα που μοιάζουν με τα αρχικά δεδομένα. Αυτή η προσέγγιση καθιστά τα diffusion models ιδιαίτερα σταθερά κατά την εκπαίδευση και ικανά να δημιουργούν ρεαλιστικά και ποικιλόμορφα δεδομένα. Έχουν ευρεία εφαρμογή σε τομείς όπως γεννήτριες εικόνων, επεξεργασία ήχου, και επεξεργασία φυσικής γλώσσας, με γνωστά παραδείγματα τα Stable Diffusion και DALL-E.	el
dc.format.extent	80	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Συγκριτική μελέτη αλγορίθμων διάχυσης για τη γένεση τεχνητών εικόνων	el
dc.title.alternative	A comparative study of algorithms for the generation of artistic images	el
dc.type	Bachelor Dissertation	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	Diffusion models are a class of generative models that simulate the gradual diffusion of noise into data and learn to reverse this process to create new high-quality data. Their basic idea is based on a two-step process: progressively adding noise to the training data (forward process) to turn it into random noise, and reversing this process (reverse process), where the model is trained to gradually remove the noise, producing samples that resemble the original data. This approach makes diffusion models highly stable during training and capable of generating realistic and diverse data. They have wide application in areas such as image generation, audio processing, and natural language processing, with Stable Diffusion and DALL-E being well-known examples.	el
dc.subject.keyword	Μοντέλα διάχυσης	el
dc.subject.keyword	Βαθιά γενετική μοντελοποίηση	el
dc.subject.keyword	Παραγωγή εικόνων	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Επεξεργασία φυσικής γλώσσας	el
dc.subject.keyword	Νευρωνικά δίκτυα	el
dc.subject.keyword	Υπολογιστική όραση	el
dc.subject.keyword	Γενετικά μοντέλα	el
dc.subject.keyword	Μοντέλα διάχυσης	el
dc.date.defense	2025-06-02

Files in this item

Name:: GOUMENAKI_20050.pdf
Size:: 2.881Mb
Format:: PDF
Description:: Πτυχιακή εργασία

View/Open

This item appears in the following Collection(s)

Τμήμα Πληροφορικής

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα