Fractal-Guided Approach for Image Generation with Diffus

Simple item page
dc.contributor.advisorAvramenko, Olgaen_US
dc.contributor.authorShalimov, Andrii en_US
dc.date.accessioned2026-08-25T11:49:34Z
dc.date.available2026-08-25T11:49:34Z
dc.date.issued2026
dc.descriptionУ цiй роботi пропонується фрактальна дифузiйна модель, яка базується на фрактальних генеративних моделях та адаптує фрактальний фреймворк, замiнюючи авторегресивнi модулi на обумовленi дифузiйнi моделi. Попереднi дослiдження показали, що рекурсивне моделювання тексту та зображень стабiльно продукує якiснi результати. Ми розглядаємо використання DiT як рекурсивний атомарний модуль у цiй парадигмi для забезпечення паралельного знешумлення фрагментiв зображення для прискорення семплiнгу, при цьому зберiгаючи самоподiбну структуру та точнiсть згенерованого контенту. Додатково ми виявили, що модулювання спiльних ваг рекурсивних мереж можна ефективно здiйснювати за допомогою малих гiпермереж, обумовлених часовим кроком дифузiї та фрактальною глибиною, у комбiнацiї з унiкальними блоками зчитування задля уникнення колапсу представлень при рекурсивному моделюваннi.uk_UA
dc.description.abstractThis work introduces the Fractal Diffusion Model, which builds on Fractal Generative Models and adapts the fractal framework by replacing the autoregressive modules with conditional diffusion models. Previous research has demonstrated that recursive modelling of text and images can yield consistently good results. We explore using DiT as a recursive atomic module in this paradigm to enable the parallel denoising of image patches to achieve sampling acceleration while preserving the self-similarity structure and fidelity of the generated content. In addition, we find that modulating shared weights of recursive networks can be done efficiently using small hypernetworks conditioned on diffusion timestep and the fractal depth in combination with unshared readout blocks to avoid representation collapse.en_US
dc.identifier.urihttps://ekmair.ukma.edu.ua/handle/123456789/40945
dc.language.isoen_USen_US
dc.statusfirst publisheden_US
dc.subjectArtificial neural networken_US
dc.subjectDeep learningen_US
dc.subjectDiffusion modelsen_US
dc.subjectFractalsen_US
dc.subjectImage synthesisen_US
dc.subjectMachine learningen_US
dc.subjectVision transformersen_US
dc.subjectmaster's thesisen_US
dc.subjectШтучнi нейроннi мережiuk_UA
dc.subjectГлибоке навчанняuk_UA
dc.subjectДифузiйнi моделiuk_UA
dc.subjectФракталиuk_UA
dc.subjectСинтез зображеньuk_UA
dc.subjectМашинне навчанняuk_UA
dc.subjectЗоровi трансформериuk_UA
dc.titleFractal-Guided Approach for Image Generation with Diffusen_US
dc.typeOtheren_US
Files
Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
Shalimov_Mahisterska_robota.pdf
Size:
798.38 KB
Format:
Adobe Portable Document Format
Download
Thumbnail Image
Name:
Shalimov_Mahisterska_robota_1.pdf
Size:
136.77 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
F1 Прикладна математика