Generiranje sintetičnih obrazov z difuzijskimi modeliSABADIN, JERNEJ (Avtor) Štruc, Vitomir (Mentor) Tomašević, Darian (Komentor) IDSyncsintetični obrazidifuzijski modelirazpoznavanje obrazovklasifikacijska kriterijska funkcijaUčinkovito učenje modelov za razpoznavanje obrazov (ang. Face Recognition, FR) zahteva obsežne podatkovne zbirke, natančno označene z identitetami oseb. Pridobivanje takšnih zbirk je časovno zelo potratno. Poleg tega je njihova uporaba pogosto omejena zaradi zahtev po varstvu zasebnosti. Zaradi tega v sklopu magistrskega dela predstavimo nov generativni difuzijski model IDSync. Gre za nadgradnjo metode Arc2Face, ki omogoča generiranje obraznih slik visoke kakovosti. IDSync z dodatno klasifikacijsko kriterijsko funkcijo in prilagojenim učnim postopkom ohranja izvorno identiteto posameznikov ter zagotavlja vizualno prepričljive sintetične obraze. Nabor sintetičnih slik obrazov, ustvarjen z generativnim modelom, ocenjujemo z različnimi metrikami: kosinusno medrazredno in znotrajrazredno podobnostjo izlušenih značilk, porazdelitvijo kotov usmerjenosti obrazov, Fréchetovo razdaljo med značilkami sintetičnih in realnih primerov ter drugimi statističnimi merami. Glavni pokazatelj kakovosti umetno ustvarjenega nabora podatkov je, kako dobro se model za razpoznavanje obrazov na njem nauči. To merimo z verifikacijsko natančnostjo na standardnih testnih zbirkah za oceno FR-modelov. Rezultati kažejo, da so podatki, generirani z metodo IDSync, primernejši za učenje modelov za razpoznavanje obrazov kot podatki, ustvarjeni z metodo Arc2Face, kar dodatno potrjujejo omenjene metrike. Zaradi spodbudnih izsledkov razširimo učenje z metodo IDSync na večjo količino učnih podatkov in predstavimo pridobljene rezultate. Naloga vključuje občutljivostno analizo hiperparametrov za poglobljen vpogled v vpliv dodatne kriterijske funkcije ter ablacijsko študijo.20252025-07-03 12:25:01Magistrsko delo/naloga170308VisID: 63006COBISS_ID: 242073859sl