Применение обратного пакетного дискретного вейвлет-преобразования для детерминированного синтеза изображений в задачах компьютерной графики и генеративного дизайна

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.

1. Yu Y., Zhan F., Lu S., Pan J., Ma F., Xie X., Miao C. WaveFill: A Wavelet-based Generation Network for Image Inpainting // Proceedings of the International Conference on Computer Vision (ICCV, Montreal, Canada, 10–17 October 2021). IEEE, 2021. DOI:10.1109/ICCV48922.2021.01385

2. Mattar W., Levy I., Sharon N., Dekel S. Wavelets Are All You Need for Autoregressive Image Generation // arXiv:2406.19997. 2024. DOI:10.48550/arXiv.2406.19997

3. Zhang L., Rao A., Agrawala M. Adding Conditional Control to Text-to-Image Diffusion Models // Proceedings of the International Conference on Computer Vision (ICCV, Paris, France, 01–06 October 2023). IEEE, 2023. DOI:10.1109/ICCV51070.2023.00355

4. He J., Hirn M. Texture synthesis via projection onto multiscale, multilayer statistics // arXiv:2105.10825. 2021. DOI:10.48550/arXiv.2105.10825

5. Brochard A., Zhang S., Mallat S. Generalized Rectifier Wavelet Covariance Models For Texture Synthesis // arXiv:2203.07902. 2022. DOI:10.48550/arXiv.2203.07902

6. Бучатский А.Н., Прохоров К.Ю., Рогозинский Г.Г. Процедурная генерация карт высот и ландшафтов: фрактальные методы и их применение // Вестник Поволжского государственного технологического университета. Серия: Радиотехнические и инфокоммуникационные системы. 2025. № 1(65). С. 18–33. DOI:10.25686/2306-2819.2025.1.18. EDN:FADQBC

7. Прохоров К.Ю., Бучатский А.Н., Рогозинский Г.Г. Структурные преобразования при обратном пакетном вейвлет-преобразовании: модель пространственного сдвига и групповая классификация реконструкций // Радиотехника. 2026. (в печати)

8. Bau D., Strobelt H., Peebles W., Wulff J., Zhou B., Zhu J.Y., et al. Semantic photo manipulation with a generative image prior // ACM Transactions on Graphics. 2019. Vol. 38. Iss. 4. P. 59. DOI:10.1145/3306346.3323023

9. Liu N., Li S., Du Y., Torralba A., Tenenbaum J.B. Compositional Visual Generation with Composable Diffusion Models // Proceedings of the 17th European Conference on Computer Vision (ECCV, Tel Aviv, Israel, 23–27 October 2022). Lecture Notes in Computer Science. Cham: Springer, 2022. Vol. 13677. PP. 423–439. DOI:10.1007/978-3-031-19790-1_26

10. Perlin K. An Image Synthesizer // Proceedings of the 12th Annual Conference on Computer Graphics and Interactive Techniques (SIGGRAPH '85, San Francisco, USA, 22–26 July 1985). New York: Association for Computing Machinery, 1985. PP. 287–296. DOI:10.1145/325334.325247

11. Worley S. A Cellular Texture Basis Function // Proceedings of the 23rd Annual Conference on Computer Graphics and Interactive Techniques (SIGGRAPH '96, New Orleans, USA, 04–09 August 1996). New York: Association for Computing Machinery, 1996. PP. 291–294. DOI:10.1145/237170.237267

12. Stam J. Aperiodic Texture Mapping. 2003. URL: https://www.researchgate.net/profile/Jos-Stam/publication/2927727_Aperiodic_Texture_Mapping/links/0f317536cf9c4342dc000000/Aperiodic-Texture-Mapping.pdf (Accessed 05.08.2026)

13. Cohen M., Shade J., Hiller S., Deussen O. Wang Tiles for image and texture generation // ACM Transactions on Graphics. 2003. Vol. 22. Iss. 3. PP. 287–294. DOI:10.1145/1201775.882265

14. Dong W., Zhou N., Paul J.-C. Optimized Tile-Based Texture Synthesis // Proceedings of Graphics Interface (Montreal Canada, 28–30 May 2007). New York: Association for Computing Machinery, 2007. PP. 249–256. DOI:10.1145/1268517.1268558

15. Fruehstueck A., Alhashim I., Wonka P. TileGAN: Synthesis of Large-Scale Non-Homogeneous Textures // ACM Transactions on Graphics. 2019. Vol. 38. Iss. 4. P. 58. DOI:10.1145/3306346.3322993

16. Rodríguez-Pardo C., Garces E. SeamlessGAN: Self-Supervised Synthesis of Tileable Texture Maps // IEEE Transactions on Visualization and Computer Graphics. 2022. Vol. 29. Iss. 6. PP. 2914–2925. DOI:10.1109/TVCG.2022.3143615

17. Рогозинский Г.Г., Прохоров К.Ю., Горбунова И.Б. Метод генерации волновых таблиц в задачах синтеза звука на основе двумерного вейвлетного преобразования // Сборник трудов Санкт-Петербургской международной конференции «Региональная информатика» и Санкт-Петербургской межрегиональной конференции «Информационная безопасность регионов России». Санкт-Петербург: Санкт-Петербургское Общество информатики, вычислительной техники, систем связи и управления, 2024. С. 483–486. EDN:VPEELK

18. Cook R.L., DeRose T. Wavelet Noise // ACM Transactions on Graphics. 2005. Vol. 24. Iss. 3. PP. 803–811. DOI:10.1145/1186822.1073264