20.500.12556/RUL-170308 Generiranje sintetičnih obrazov z difuzijskimi modeli Synthetic Face Generation Using Diffusion Models Učinkovito 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. Effective training of face recognition (FR) models requires large, meticulously labeled datasets of facial identities. Acquiring such datasets is time-consuming, and their use is often constrained by privacy concerns. For this reason, as part of the master's thesis, we introduce a new generative diffusion model called IDSync. This model extends Arc2Face and can produce high-quality synthetic facial images. By incorporating an additional classification loss and a customized training procedure, IDSync preserves individuals’ original identities while ensuring visually convincing outputs. We evaluate the synthetic face image set generated by our model using multiple metrics: inter-class and intra-class cosine similarity of extracted features, the angular distribution of facial embeddings, the Fréchet distance between synthetic and real feature distributions, and other statistical measures. The primary indicator of dataset quality is the verification accuracy of an FR model trained on these synthetic images, measured on standard FR benchmarks. Our results show that data generated by IDSync is more suitable for training FR models than data produced by Arc2Face, as confirmed by the above metrics. Motivated by these promising findings, we further scale up IDSync training to a larger set of images and report the resulting performance improvements. The thesis also includes a sensitivity analysis of hyperparameters and an ablation study to provide deeper insights into the impact of the additional loss function. IDSync sintetični obrazi difuzijski modeli razpoznavanje obrazov klasifikacijska kriterijska funkcija IDSync synthetic faces diffusion models face recognition classification loss function true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2025-07-03 12:25:01 2025-07-03 12:25:08 2025-07-10 11:14:26 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 63006 242073859 Sabadin_Jernej_-_Generiranje_sinteticnih_obrazov_z_difuzijskimi_modeli.pdf Sabadin_Jernej_-_Generiranje_sinteticnih_obrazov_z_difuzijskimi_modeli.pdf 1 D8F1A8A88922AB884417B34F244DD461 61fdc5adee1b5b210d951ec644d734d042eda9132266e5010816013e5a9c7329 1849e932-57f6-11f0-b232-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=212295 Fakulteta za elektrotehniko 0 0 0