Детальная информация

Название Определение искусственно сгенерированных изображений: выпускная квалификационная работа бакалавра: направление 09.03.04 «Программная инженерия» ; образовательная программа 09.03.04_01 «Технология разработки и сопровождения качественного программного продукта»
Авторы Альхименко Александр Денисович
Научный руководитель Селин Иван Андреевич
Организация Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и кибербезопасности
Выходные сведения Санкт-Петербург, 2025
Коллекция Выпускные квалификационные работы ; Общая коллекция
Тематика CNN ; искусственный интеллект ; генеративные модели ; детекция изображений ; AI-generated images ; deep learnng ; image classification ; desktop application ; computer vision
Тип документа Выпускная квалификационная работа бакалавра
Тип файла PDF
Язык Русский
Уровень высшего образования Бакалавриат
Код специальности ФГОС 09.03.04
Группа специальностей ФГОС 090000 - Информатика и вычислительная техника
DOI 10.18720/SPBPU/3/2025/vr/vr25-3323
Права доступа Доступ по паролю из сети Интернет (чтение)
Дополнительно Новинка
Ключ записи ru\spstu\vkr\38334
Дата создания записи 23.09.2025

Разрешенные действия

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа Анонимные пользователи
Сеть Интернет

Тема выпускной квалификационной работы: «Определение искусственно сгенерированных изображений» В работе рассмотрены современные методы детекции изображений, созданных генеративными моделями искусственного интеллекта (GAN, Diffusion, Transformer). Проанализированы архитектуры нейронных сетей, применяемые для бинарной классификации изображений. Разработана и обучена лёгкая сверточная нейронная сеть (SimpleCNN), способная с высокой точностью определять, является ли изображение реальным или сгенерированным. Проведено тестирование устойчивости модели к искажениям и сравнение с альтернативными архитектурами. Разработано desktop-приложение с графическим интерфейсом для локального применения модели, не требующее интернет-соединения или специализированного оборудования. Работа подтверждает применимость разработанного решения в условиях ограниченных ресурсов.

Theme of the final qualification work: «Detection of AI-generated images» This thesis presents the development of a lightweight convolutional neural network (CNN) and desktop application for detecting images generated by artificial intelligence models. A study of modern generative techniques (GANs, diffusion models) and detection methods was conducted. Based on the analysis, a custom CNN architecture—SimpleCNN—was proposed and trained using the AI Generated Images vs Real Images dataset. A cross-platform GUI application was implemented using Python and PyTorch, allowing users to analyze images locally without internet access or dedicated GPU. Testing showed the model achieves 86% accuracy and maintains robustness under common image distortions. The solution demonstrates practical applicability in areas such as journalism, digital forensics, and document validation. It confirms that effective AI-based image authenticity detection can be achieved under limited computational resources.

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все
Прочитать
Интернет Авторизованные пользователи СПбПУ
Прочитать
Интернет Анонимные пользователи
  • РЕФЕРАТ
  • ABSTRACT
  • ВВЕДЕНИЕ
  • ГЛАВА 1: ПОСТАНОВКА И ОБОСНОВАНИЕ АКТУАЛЬНОСТИ ЗАДАЧИ
    • 1.1. Обоснование актуальности работы
    • 1.2. Обзор существующих подходов к детекции сгенерированных изображений
  • ГЛАВА 2: АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ
    • 2.1. Генерация изображения с помощью ИИ
    • 2.2. Проблемы существующих решений
    • 2.3. Вывод
  • ГЛАВА 3. ПОСТАНОВКА ЗАДАЧИ И ВЫБОР АПХИТЕКТУРЫ
    • 3.1. Цель работы
    • 3.2. Функциональные требования
    • 3.3. Нефункциональные требования
    • 3.4. Выбор инструментов и технологий
    • 3.5 Архитектура модели SimpleCNN
  • ГЛАВА 4. РЕАЛИЗАЦИЯ И ОБУЧЕНИЕ МОДЕЛИ
    • 4.1. Подготовка данных
    • 4.2. Архитектура и реализация модели
    • 4.3. Процесс обучения
  • ГЛАВА 5. АНАЛИЗ РЕЗУЛЬТАТОВ
    • 5.1 Оценка точности и устойчивости модели
    • 5.2 Интерпретация предсказаний
    • 5.3 Проверка на устойчивость к искажениям
    • 5.4 Сравнение с альтернативными подходами
    • 5.5 Практическая применимость
  • ГЛАВА 6. СОЗДАНИЕ ПРИЛОЖЕНИЯ
    • 6.1. Общая структура приложения
    • 6.2. Выбор технологий
    • 6.3. Интерфейс пользователя
    • 6.4. Обработка изображений
    • 6.5. Интеграция модели
    • 6.6. Упаковка и распространение
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ

Количество обращений: 1 
За последние 30 дней: 1

Подробная статистика