Avramenko, OlgaShalimov, Andrii2026-08-252026-08-252026https://ekmair.ukma.edu.ua/handle/123456789/40945У 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.This 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-USArtificial neural networkDeep learningDiffusion modelsFractalsImage synthesisMachine learningVision transformersmaster's thesisШтучнi нейроннi мережiГлибоке навчанняДифузiйнi моделiФракталиСинтез зображеньМашинне навчанняЗоровi трансформериOther