Pengembangan NijiGAN: Mengubah Apa yang Anda Lihat Menjadi Anime dengan Pembelajaran Semi-Terawasi Kontrasif dan Persamaan Diferensial Biasa Neural

Azizi, Adam Haidar (2024) Pengembangan NijiGAN: Mengubah Apa yang Anda Lihat Menjadi Anime dengan Pembelajaran Semi-Terawasi Kontrasif dan Persamaan Diferensial Biasa Neural. Project Report. [s.n.], [s.l.]. (Unpublished)

Text 5025211114-Project_Report.pdf - Accepted Version Download (3MB)

Abstract

Kecerdasan Buatan Generatif (Generative AI) telah mengubah industri animasi. Beberapa model telah dikembangkan untuk terjemahan gambar-ke-gambar, khususnya yang berfokus pada mengubah gambar dunia nyata menjadi anime melalui terjemahan tanpa pasangan (unpaired translation). Scenimefy, sebuah pendekatan penting yang memanfaatkan pembelajaran kontras (contrastive learning), berhasil mencapai terjemahan adegan anime dengan fidelitas tinggi dengan mengatasi keterbatasan data berpasangan melalui pelatihan semi-supervised. Namun, Scenimefy menghadapi keterbatasan karena bergantung pada data berpasangan dari StyleGAN yang telah disesuaikan dalam domain anime, yang sering kali menghasilkan dataset berkualitas rendah. Selain itu, arsitektur Scenimefy yang memiliki banyak parameter memberikan peluang untuk optimisasi komputasi. Penelitian ini memperkenalkan NijiGAN, sebuah model baru yang mengintegrasikan Neural Ordinary Differential Equations (NeuralODEs), yang menawarkan keuntungan unik dalam pemodelan transformasi kontinu dibandingkan dengan jaringan residual tradisional. NijiGAN berhasil mengubah adegan dunia nyata menjadi visual anime dengan fidelitas tinggi menggunakan setengah dari parameter Scenimefy. Model ini menggunakan data pseudo-paired yang dihasilkan melalui Scenimefy untuk pelatihan terawasi, menghilangkan ketergantungan pada data berpasangan berkualitas rendah dan meningkatkan proses pelatihan.

Item Type:	Monograph (Project Report)
Uncontrolled Keywords:	Tranlasi Gambar-ke-Gambar, NeuralODEs , Semi-Supervised Learning, Kecerdasan Buatan Generatif
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA401 Mathematical models. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Adam Haidar Azizi
Date Deposited:	06 Jan 2025 06:53
Last Modified:	06 Jan 2025 06:53
URI:	http://repository.its.ac.id/id/eprint/116162

Actions (login required)

View Item