Generativní adversariální sítě pro transformaci obrázků do stylu malíře Moneta

Abstract

Generative Adversarial Networks (GAN) jsou revolučním nástrojem v oblasti hlubokého učení, který umožňuje generování nových obrázků na základě tréninkových dat. Práce se zaměří na srovnání různých variant GAN modelů v kontextu transformace běžných fotografií do stylu ikonického malíře Claude Moneta. Konkrétně bude práce zkoumat efektivitu a výsledky modelů jako např. DCGAN, StyleGAN či CycleGAN v úkolu převodu fotografií. Cílem práce je identifikovat, který z těchto modelů nejlépe zachytává a reprezentuje Monetův jedinečný styl. Práce tam poslouží jako náhled k pochopení potenciálu a omezení různých GAN variant v oblasti umělecké transformace obrázků.