кандидат технических наук, доцент, доцент кафедры цифрового телевидения и метрологии, директор института магистратуры Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича
аспирант кафедры цифрового телевидения и метрологии Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича
Актуальность. Современные стохастические генеративные модели (GAN, диффузионные модели) обеспечивают высокое качество синтеза изображений, однако их вероятностная природа не позволяет осуществлять точный пространственный контроль над композицией и иерархией деталей, что ограничивает применение в задачах, требующих воспроизводимости и предсказуемости результата. В связи с этим возникает необходимость разработки детерминированных алгоритмов синтеза, сочетающих управляемость структурной организацией генерируемых данных с возможностью практического применения в компьютерной графике и генеративном дизайне.
Цель: демонстрация потенциала алгоритма детерминированного синтеза изображений на основе обратного пакетного дискретного вейвлет-преобразования для решения практических задач компьютерной графики и генеративного дизайна, требующих воспроизводимости, интерпретируемости и управляемости процесса генерации.
Методы: аналитический обзор, математическое моделирование, модифицированная процедура обратного пакетного дискретного вейвлет-преобразования, иерархический синтез из бинарной маски размером 8×8 пикселей, экспериментальная реализация в игровых средах.
Результаты: разработаны и проанализированы пять вариантов практического применения алгоритма – инструмент структурного контроля для генеративного ИИ («вейвлет-кисть»), процедурная генерация ландшафтов с корректирующими масками, создание бесшовных текстур, детализация поверхностей низкополигональных 3D-моделей, генерация волновых таблиц для синтеза звука.
Новизна: впервые исследована применимость алгоритма детерминированного синтеза изображений как инструмента структурного контроля для задач компьютерной графики и генеративного дизайна на примере пяти практических сценариев.
Практическая значимость: полученные результаты позволяют формировать управляемые структуры изображений с гарантированной воспроизводимостью, создавать бесшовные текстуры без дополнительной постобработки границ за счет внутренней периодичности и автоматизировать создание волновых таблиц с контролируемой спектральной эволюцией тембра.
Relevance: modern stochastic generative models (GANs, diffusion models) provide high-quality image synthesis; however, their probabilistic nature precludes precise spatial control over composition and detail hierarchy, limiting their application in tasks requiring result reproducibility and predictability. Consequently, there is a need to develop deterministic synthesis algorithms that combine controllability of the structural organization of generated data with potential for practical application in computer graphics and generative design.
Purpose: demonstration of the potential of the deterministic image synthesis algorithm based on the inverse packet discrete wavelet transform (IPDWT) for solving practical tasks in computer graphics and generative design that require reproducibility, interpretability, and controllability of the generation process.
Methods: analytical review, mathematical modeling, modified IPDWT procedure, hierarchical synthesis from an 8×8 pixel binary mask, experimental implementation in gaming environments.
Results: five variants of practical application were developed and analyzed: a structural control tool for generative AI ("wavelet brush"), procedural landscape generation with corrective masks, creation of seamless textures, surface detailing of low-polygon 3D models, and wavetable generation for sound synthesis.
Novelty. For the first time, the applicability of the deterministic image synthesis algorithm as a structural control tool for computer graphics and generative design tasks is investigated, demonstrated through five practical scenarios: generation of conditioning maps for generative neural networks, procedural terrain generation, creation of seamless textures, texturing of low-poly models, and wavetable generation.
Practical Significance. The obtained results allow forming controlled image structures with guaranteed reproducibility, allow creating seamless textures without additional boundary post-processing due to internal periodicity, and allow automating the creation of wavetables with controlled spectral evolution of timbre. The proposed approach opens new opportunities in computer graphics, the gaming industry, and digital design, where interpretability and controllability of the generation process are crucial.
The authors declare that there are no conflicts of interest present.