<?xml version="1.0"?>
<metadata xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:dc="http://purl.org/dc/elements/1.1/"><dc:title>Semantično vodeni difuzijski modeli za neskončno velike toroidne teksture</dc:title><dc:creator>KREFT,	JAKOB	(Avtor)
	</dc:creator><dc:creator>Perš,	Janez	(Mentor)
	</dc:creator><dc:creator>Lesar,	Žiga	(Komentor)
	</dc:creator><dc:subject>strojno učenje</dc:subject><dc:subject>difuzijski modeli</dc:subject><dc:subject>generativni modeli</dc:subject><dc:subject>teksture lubja</dc:subject><dc:subject>lubje hlodov</dc:subject><dc:subject>toroidne teksture</dc:subject><dc:subject>panoramske slike</dc:subject><dc:subject>neskončna ločljivost</dc:subject><dc:subject>semantična segmentacija</dc:subject><dc:description>Magistrsko delo obravnava problem generiranja velikih in brezšivnih tekstur lubja smrekovih hlodov. Generiranje takih tekstur otežujeta dve dejstvi. Prvič, hlod je po obodu valjast in v visoki ločljivosti lahko slikamo le ozek pas. Drugič, difuzijske modele, ki so danes prvi izbor za sintezo slik, učimo na zaplatah velikosti 512 x 512 pikslov, medtem ko obod hloda meri več tisoč pikslov. Cilj naloge je doučiti generativni model, ki iz omejenih posnetkov sestavi teksturo po celotnem obodu, jo brezšivno sklene v torus in pri tem ohrani naravno razporeditev razredov: lubje, slepice in mehanske poškodbe.

Predlagamo dvofazni postopek. V prvi fazi z markovskimi naključnimi polji generiramo grob semantični zemljevid, ki nadzira globalne deleže razredov. V drugi fazi obstoječi latentni difuzijski model po zgledu pristopa DiffInfinite prilagodimo in doučimo na lastni učni množici, da iz semantičnega zemljevida ustvari sliko visoke ločljivosti. Pristop razširimo z modularnim indeksiranjem zaplat in periodičnim mešanjem pri dekodiranju, da je generirana tekstura brezšivno ploščitljiva po izbrani geometriji (toroidni ali valjni). Arhitektura in uteži difuzijskega modela pri tem ostanejo nespremenjene.

V sodelovanju z Biotehniško fakulteto smo na terenu posneli 140 fotografij 15 smrekovih hlodov in iz njih pripravili podatkovni nabor 270 parov slik lubja in semantičnih mask. Difuzijski model smo doučili v 200,000 korakih; z razširjenim bogatenjem učnih zaplat smo dosegli občutno nižji vrednosti metrik FID in KID, ki smo ju v zaključni fazi z blažjim bogatenjem še dodatno znižali. Med učenjem smo ugotovili, da kriterijska funkcija po nekaj tisoč korakih ne odraža več napredka v vizualni kakovosti; metriki FID in KID, izračunani na zaplatah, pa nadaljnji napredek dobro ujameta. Generirano teksturo smo brezšivno ovili okoli demonstracijskega valjastega hloda v okolju Blender.</dc:description><dc:date>2026</dc:date><dc:date>2026-08-21 12:25:09</dc:date><dc:type>Magistrsko delo/naloga</dc:type><dc:identifier>185875</dc:identifier><dc:identifier>VisID: 63323</dc:identifier><dc:language>sl</dc:language></metadata>
