LuanVan.vnLuận Văn
Gửi thư

NGHIÊN CỨU VÀ PHÁT TRIỂN ỨNG DỤNG VỚI MẠNG GENERATIVE ADVERSARIAL NETWORK ĐỂ TẠO NHÂN VẬT ANIME TỰ ĐỘNG

Khoá luận tốt nghiệp · Đại học · năm 2024 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảLưu Thị Dương Anh
Người hướng dẫnPhạm Nguyên Hoàng
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2024
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Ngày nay, Anime không chỉ là một nét đặc trưng của văn hóa Nhật Bản mà còn trở thành một hiện tượng toàn cầu, xuất hiện rộng rãi trong các lĩnh vực như phim hoạt hình, trò chơi điện tử, quảng cáo và truyền thông. Tuy nhiên, việc thiết kế nhân vật anime đòi hỏi nhiều công sức và thời gian từ các họa sĩ, gây ra khó khăn trong việc đáp ứng như cầu ngày càng lớn. Trí tuệ nhân tạo (AI), đặc biệt là mạng đối nghịch tạo sinh (Generative Adversarial Networks - GAN) đã mởra cơhội tự động hóa quy trình sáng tạo này, giúp sinh ảnh nhân vật anime hiệu quả hơn. Dựatrên tiềm năng đó, đề tài “Ứng dụng với mạng Generative Adversarial Networkđểtạo nhân vật anime tự động” nhằm phát triển công cụ hỗ trợ tạo ảnh nhanhchóng,giảm thời gian và chi phí sản xuất. Trong luận văn này, nghiên cứu và triển khai mô hình Deep Convolutional Generative Adversarial Networks (DCGAN) để tạo ra các hình ảnh nhânvật animemột cách tự động. Xây dựng ứng dụng có khả năng sinh ảnh với các tính năng cơ bản như: tùy chỉnh độ phân giải, lưu ảnh. Dữ liệu nghiên cứu gồm 61305 ảnh khuôn mặt nhân vật anime, trong đó 60305 ảnh được sử dụng để huấn luyện và 1000 ảnh dùng để đánh giá chỉ số Fréchet Inception Distance (FID), Peak Signal-to-Noise Ratio (PSNR) và Structural Similarity Index Measure (SSIM). Kết quả cho thấy mô hình có khả năng tạo ra khuôn mặt nhân vật anime, tuy nhiên vẫn còn hiện tượng nhiễu và biến dạng trong một số ảnh. Giá trị loss đạt được là 0.0305 cho mạng phân biệt (discriminator) và 4.5914 cho mạng tạo sinh (generator), chỉ số FID ở mức 166.7103, PSNRlà9.402(dB) và SSIM là 0.165 cho thấy chất lượng ảnh vẫn cần được cải thiện. Đề tài đã xây dựng được ứng dụng tích hợp mô hình DCGANvới giao diện hỗ trợ sinh ảnh một cách thuận tiền. Là tiền đề để cải tiến chất lượng ảnh sinh ra và bổ sung thêm nhiều tính năng trong tương lai.
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.