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 | |
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 |
|
Интернет | Авторизованные пользователи СПбПУ |
|
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