Komprese difuzních modelů pro generování obrazu

Simple item page
but.committeeprof. Dr. Ing. Jan Černocký (předseda) doc. Ing. Lukáš Burget, Ph.D. (člen) doc. RNDr. Milan Češka, Ph.D. (člen) Ing. Michal Hradiš, Ph.D. (člen) Ing. Jaroslav Rozman, Ph.D. (člen) Ing. František Grézl, Ph.D. (člen)cs
but.defenceStudent nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm D.cs
but.jazykangličtina (English)
but.programInformační technologie a umělá inteligencecs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorHradiš, Michalen
dc.contributor.authorDobiš, Lukášen
dc.contributor.refereeKišš, Martinen
dc.date.created2023cs
dc.description.abstractTáto diplomová práca sa zameriava na optimalizáciu výpočtovej efektívnosti generatívnych difúznych modelov skrz vyhodnotenie konvenčných metód komprimácie neurónovych sieti na architektúre Denoising Diffusion Probabilistic Model (DDPM). Modelová komprimácia bola vykonaná na parametroch predtrénovanéj sieti DDPM niekoľkými kvantizačnými a prerezávacími metódami. Tieto metódy boli vyhodnotené na troch rôznych obrázkových dátových sadách. Výsledky potvrdzujú, že implementované kompresné metódy sú vhodne pre nasadenie difúznych modelov na malých zariadeniach s obmedzenými zdrojmi alebo na zníženie ich výpočetnych prevádzkových nákladov.en
dc.description.abstractThis thesis is dedicated to optimizating computation in generative diffusion models by evaluating conventional model compression aproaches on Denoising Diffusion Probabilistic Model (DDPM). Model compression was done on parameters of pretrained baseline DDPM neural network by several quantization and pruning methods. These methods were evaluated on three image dataset benchmarks. Results show that quantization and pruning are viable compression methods for downsizing diffusion networks, because they showed little decrease in quality of generated imagery. These results confirm that implemented compression approaches are vital for deployment of diffusion models on resource constrained Edge devices or to offset their compute costs.cs
dc.description.markDcs
dc.identifier.citationDOBIŠ, L. Komprese difuzních modelů pro generování obrazu [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2023.cs
dc.identifier.other148753cs
dc.identifier.urihttp://hdl.handle.net/11012/211959
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta informačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectgeneratívna AIen
dc.subjectdifúzne modelyen
dc.subjectkompresia neurónových sietíen
dc.subjectkvantizáciaen
dc.subjectprerezávanieen
dc.subjectgenerative AIcs
dc.subjectdiffusion modelscs
dc.subjectneural network compressioncs
dc.subjectquantizationcs
dc.subjectpruningcs
dc.titleKomprese difuzních modelů pro generování obrazuen
dc.title.alternativeModel Compression of Denoising Diffusion Probabilistic Models for Image Generationcs
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2023-06-19cs
dcterms.modified2023-06-19-09:55:17cs
eprints.affiliatedInstitution.facultyFakulta informačních technologiícs
sync.item.dbid148753en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 15:37:10en
sync.item.modts2025.01.15 17:07:01en
thesis.disciplineStrojové učenícs
thesis.grantorVysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédiícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
3.33 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
10.12 MB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_148753.html
Size:
11.32 KB
Format:
Hypertext Markup Language
Description:
file review_148753.html
Download
Collections
2023