{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3402874"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3402874","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Evaluation of three text-to-image Gen AI models","abstract":"H διπλωματική εργασία εμβαθύνει στον τομέα αιχμής της Generative Artificial Intelligence (AI) εστιάζοντας στις εφαρμογές των γραφικών. Η μελέτη διερευνά διάφορες deep learning τεχνικές, συμπεριλαμβανομένων των Variational Autoencoders (VAEs), των Generative Adversarial Networks (GANs), των Diffusion Models και των Transformers. Αυτές οι μέθοδοι έχουν φέρει επανάσταση στον τομέα της Τεχνητής Νοημοσύνης, επιτρέποντας τη δημιουργία ρεαλιστικού και υψηλής ποιότητας περιεχομένου, που κυμαίνεται από εικόνες έως ολόκληρες σκηνές. Ακόμα, αναφέρουμε τέσσερα γνωστά μοντέλα παραγωγής εικόνων καθώς και τους τρόπους αξιολόγησης αυτού του είδους των μοντέλων (text-to-image). Ένα σημαντικό μέρος της εργασίας είναι αφιερωμένο στην εκτέλεση και αξιολόγηση τριών μοντέλων. Αρχικά, ορίζουμε τα τρία προς αξιολόγηση μοντέλα (DALL-E 2, Stable Diffusion, Pix-Art-α) και τις τρεις υπερπαράμετρους που χρησιμοποιούμε για την αξιολόγηση τους: κείμενο (prompt), πλάτος (width) και ύψος (height). Στην παράμετρο κειμένου εκχωρούνται τιμές από το πρωτόκολλο αναφοράς (benchmark) που προτείνουμε, ενώ τo ζευγάρι (πλάτος, ύψος) παίρνει τις τιμές (512, 512) και (1024, 1024). Τα μοντέλα εκτελούνται είτε μέσω κώδικα Python είτε τοπικά μέσω μιας διεπαφής για τη δημιουργία εικόνων. Δεύτερον, ορίζουμε ένα πρωτόκολλο αναφοράς με έξι τύπους εργασιών (coloring, conflicting, counting, text, positional, faces). Κάθε εργασία περιέχει 12 κείμενα (prompts), με αποτέλεσμα να έχουμε συνολικά 72 κείμενα (prompts). Το πρωτόκολλο αναφοράς μας βοηθά να συγκρίνουμε τις δυνατότητες και τους περιορισμούς των μοντέλων σε διαφορετικούς τομείς. Τρίτον, προτείνουμε δύο τρόπους για την αξιολόγηση των μοντέλων: ανθρώπινη αξιολόγηση και τη μετρική CLIP score. Επομένως, η αξιολόγηση αυτών των μοντέλων περιλαμβάνει τόσο την ποιοτική όσο και την ποσοτική διαδικασία. Τέλος, τα ευρήματα δείχνουν τον αντίκτυπο των μοντέλων τεχνητής νοημοσύνης στον τομέα των γραφικών, επιδεικνύοντας την ικανότητά τους να δημιουργούν νέο και πρωτότυπο περιεχόμενο, αλλά και αναγνωρίζοντας τους περιορισμούς τους σε ορισμένες περιπτώσεις.","abstract_html":"H διπλωματική εργασία εμβαθύνει στον τομέα αιχμής της Generative Artificial Intelligence (AI) εστιάζοντας στις εφαρμογές των γραφικών. Η μελέτη διερευνά διάφορες deep learning τεχνικές, συμπεριλαμβανομένων των Variational Autoencoders (VAEs), των Generative Adversarial Networks (GANs), των Diffusion Models και των Transformers. Αυτές οι μέθοδοι έχουν φέρει επανάσταση στον τομέα της Τεχνητής Νοημοσύνης, επιτρέποντας τη δημιουργία ρεαλιστικού και υψηλής ποιότητας περιεχομένου, που κυμαίνεται από εικόνες έως ολόκληρες σκηνές. Ακόμα, αναφέρουμε τέσσερα γνωστά μοντέλα παραγωγής εικόνων καθώς και τους τρόπους αξιολόγησης αυτού του είδους των μοντέλων (text-to-image). Ένα σημαντικό μέρος της εργασίας είναι αφιερωμένο στην εκτέλεση και αξιολόγηση τριών μοντέλων. Αρχικά, ορίζουμε τα τρία προς αξιολόγηση μοντέλα (DALL-E 2, Stable Diffusion, Pix-Art-α) και τις τρεις υπερπαράμετρους που χρησιμοποιούμε για την αξιολόγηση τους: κείμενο (prompt), πλάτος (width) και ύψος (height). Στην παράμετρο κειμένου εκχωρούνται τιμές από το πρωτόκολλο αναφοράς (benchmark) που προτείνουμε, ενώ τo ζευγάρι (πλάτος, ύψος) παίρνει τις τιμές (512, 512) και (1024, 1024). Τα μοντέλα εκτελούνται είτε μέσω κώδικα Python είτε τοπικά μέσω μιας διεπαφής για τη δημιουργία εικόνων. Δεύτερον, ορίζουμε ένα πρωτόκολλο αναφοράς με έξι τύπους εργασιών (coloring, conflicting, counting, text, positional, faces). Κάθε εργασία περιέχει 12 κείμενα (prompts), με αποτέλεσμα να έχουμε συνολικά 72 κείμενα (prompts). Το πρωτόκολλο αναφοράς μας βοηθά να συγκρίνουμε τις δυνατότητες και τους περιορισμούς των μοντέλων σε διαφορετικούς τομείς. Τρίτον, προτείνουμε δύο τρόπους για την αξιολόγηση των μοντέλων: ανθρώπινη αξιολόγηση και τη μετρική CLIP score. Επομένως, η αξιολόγηση αυτών των μοντέλων περιλαμβάνει τόσο την ποιοτική όσο και την ποσοτική διαδικασία. Τέλος, τα ευρήματα δείχνουν τον αντίκτυπο των μοντέλων τεχνητής νοημοσύνης στον τομέα των γραφικών, επιδεικνύοντας την ικανότητά τους να δημιουργούν νέο και πρωτότυπο περιεχόμενο, αλλά και αναγνωρίζοντας τους περιορισμούς τους σε ορισμένες περιπτώσεις.","abstract_has_math":false,"creators":["Μαζαράκης Ευγένιος","Mazarakis Evgenios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:29:51Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3402874"],"render_values":[{"text":"uoadl:3402874","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3402874","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3402874","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3402874","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μαζαράκης Ευγένιος","Mazarakis Evgenios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3402874","https://pergamos.lib.uoa.gr/uoa/dl/object/3402874"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["H διπλωματική εργασία εμβαθύνει στον τομέα αιχμής της Generative Artificial Intelligence (AI) εστιάζοντας στις εφαρμογές των γραφικών. Η μελέτη διερευνά διάφορες deep learning τεχνικές, συμπεριλαμβανομένων των Variational Autoencoders (VAEs), των Generative Adversarial Networks (GANs), των Diffusion Models και των Transformers. Αυτές οι μέθοδοι έχουν φέρει επανάσταση στον τομέα της Τεχνητής Νοημοσύνης, επιτρέποντας τη δημιουργία ρεαλιστικού και υψηλής ποιότητας περιεχομένου, που κυμαίνεται από εικόνες έως ολόκληρες σκηνές. Ακόμα, αναφέρουμε τέσσερα γνωστά μοντέλα παραγωγής εικόνων καθώς και τους τρόπους αξιολόγησης αυτού του είδους των μοντέλων (text-to-image). Ένα σημαντικό μέρος της εργασίας είναι αφιερωμένο στην εκτέλεση και αξιολόγηση τριών μοντέλων. Αρχικά, ορίζουμε τα τρία προς αξιολόγηση μοντέλα (DALL-E 2, Stable Diffusion, Pix-Art-α) και τις τρεις υπερπαράμετρους που χρησιμοποιούμε για την αξιολόγηση τους: κείμενο (prompt), πλάτος (width) και ύψος (height). Στην παράμετρο κειμένου εκχωρούνται τιμές από το πρωτόκολλο αναφοράς (benchmark) που προτείνουμε, ενώ τo ζευγάρι (πλάτος, ύψος) παίρνει τις τιμές (512, 512) και (1024, 1024). Τα μοντέλα εκτελούνται είτε μέσω κώδικα Python είτε τοπικά μέσω μιας διεπαφής για τη δημιουργία εικόνων. Δεύτερον, ορίζουμε ένα πρωτόκολλο αναφοράς με έξι τύπους εργασιών (coloring, conflicting, counting, text, positional, faces). Κάθε εργασία περιέχει 12 κείμενα (prompts), με αποτέλεσμα να έχουμε συνολικά 72 κείμενα (prompts). Το πρωτόκολλο αναφοράς μας βοηθά να συγκρίνουμε τις δυνατότητες και τους περιορισμούς των μοντέλων σε διαφορετικούς τομείς. Τρίτον, προτείνουμε δύο τρόπους για την αξιολόγηση των μοντέλων: ανθρώπινη αξιολόγηση και τη μετρική CLIP score. Επομένως, η αξιολόγηση αυτών των μοντέλων περιλαμβάνει τόσο την ποιοτική όσο και την ποσοτική διαδικασία. Τέλος, τα ευρήματα δείχνουν τον αντίκτυπο των μοντέλων τεχνητής νοημοσύνης στον τομέα των γραφικών, επιδεικνύοντας την ικανότητά τους να δημιουργούν νέο και πρωτότυπο περιεχόμενο, αλλά και αναγνωρίζοντας τους περιορισμούς τους σε ορισμένες περιπτώσεις.","This master’s thesis delves into the cutting-edge domain of Generative Artificial Intelligence (AI) with a primary focus on graphics applications. The study starts by providing necessary definitions related to AI, GAI, ML, models, and LLM. It also explores various deep learning techniques, including Variational Autoencoders (VAEs), Generative Adversarial Networks (GANs), Diffusion Models, and Transformers. These methods have revolutionized the field by enabling the generation of realistic and high-quality content, ranging from images to entire 3D scenes. Furthermore, it discusses four well-known text-to-image models and the evaluation methodologies specific to these types of models (text-to-image). A significant portion of the thesis is dedicated to the execution and evaluation of three models. First, we define the evaluated text-to-image models (DALL-E 2, Stable Diffusion, Pix-Art-α) and the three hyperparameters that we will use for the assessment: prompt, width, and height. The prompt parameter is assigned the values from the benchmark that we propose, while the (width, height) pair is set to (512, 512) and (1024, 1024). Generative models are executed either through Python code or locally via an interface to generate images. Secondly, we define a multitask benchmark with six task types (coloring, conflicting, counting, text, positional, faces). Each task contains 12 prompts, resulting in a total of 72 prompts. Our benchmark helps us compare the capabilities and limitations of generative models across different areas. Thirdly, we propose two ways of evaluating text-to-image generative models: human evaluation and the CLIP score metric. Therefore, the evaluation of these models involves both qualitative and quantitative processes. Finally, the findings highlight the transformative impact of these generative models on the field of graphics, showcasing their ability to create immersive and novel visual content, but also acknowledging their limitations in some cases."]},{"key":"dc:title","label":"Title","values":["Evaluation of three text-to-image Gen AI models"]}]}],"canonical_facts":{"dc:creator":["Μαζαράκης Ευγένιος","Mazarakis Evgenios"],"dc:date":["2024"],"dc:description":["H διπλωματική εργασία εμβαθύνει στον τομέα αιχμής της Generative Artificial Intelligence (AI) εστιάζοντας στις εφαρμογές των γραφικών. Η μελέτη διερευνά διάφορες deep learning τεχνικές, συμπεριλαμβανομένων των Variational Autoencoders (VAEs), των Generative Adversarial Networks (GANs), των Diffusion Models και των Transformers. Αυτές οι μέθοδοι έχουν φέρει επανάσταση στον τομέα της Τεχνητής Νοημοσύνης, επιτρέποντας τη δημιουργία ρεαλιστικού και υψηλής ποιότητας περιεχομένου, που κυμαίνεται από εικόνες έως ολόκληρες σκηνές. Ακόμα, αναφέρουμε τέσσερα γνωστά μοντέλα παραγωγής εικόνων καθώς και τους τρόπους αξιολόγησης αυτού του είδους των μοντέλων (text-to-image). Ένα σημαντικό μέρος της εργασίας είναι αφιερωμένο στην εκτέλεση και αξιολόγηση τριών μοντέλων. Αρχικά, ορίζουμε τα τρία προς αξιολόγηση μοντέλα (DALL-E 2, Stable Diffusion, Pix-Art-α) και τις τρεις υπερπαράμετρους που χρησιμοποιούμε για την αξιολόγηση τους: κείμενο (prompt), πλάτος (width) και ύψος (height). Στην παράμετρο κειμένου εκχωρούνται τιμές από το πρωτόκολλο αναφοράς (benchmark) που προτείνουμε, ενώ τo ζευγάρι (πλάτος, ύψος) παίρνει τις τιμές (512, 512) και (1024, 1024). Τα μοντέλα εκτελούνται είτε μέσω κώδικα Python είτε τοπικά μέσω μιας διεπαφής για τη δημιουργία εικόνων. Δεύτερον, ορίζουμε ένα πρωτόκολλο αναφοράς με έξι τύπους εργασιών (coloring, conflicting, counting, text, positional, faces). Κάθε εργασία περιέχει 12 κείμενα (prompts), με αποτέλεσμα να έχουμε συνολικά 72 κείμενα (prompts). Το πρωτόκολλο αναφοράς μας βοηθά να συγκρίνουμε τις δυνατότητες και τους περιορισμούς των μοντέλων σε διαφορετικούς τομείς. Τρίτον, προτείνουμε δύο τρόπους για την αξιολόγηση των μοντέλων: ανθρώπινη αξιολόγηση και τη μετρική CLIP score. Επομένως, η αξιολόγηση αυτών των μοντέλων περιλαμβάνει τόσο την ποιοτική όσο και την ποσοτική διαδικασία. Τέλος, τα ευρήματα δείχνουν τον αντίκτυπο των μοντέλων τεχνητής νοημοσύνης στον τομέα των γραφικών, επιδεικνύοντας την ικανότητά τους να δημιουργούν νέο και πρωτότυπο περιεχόμενο, αλλά και αναγνωρίζοντας τους περιορισμούς τους σε ορισμένες περιπτώσεις.","This master’s thesis delves into the cutting-edge domain of Generative Artificial Intelligence (AI) with a primary focus on graphics applications. The study starts by providing necessary definitions related to AI, GAI, ML, models, and LLM. It also explores various deep learning techniques, including Variational Autoencoders (VAEs), Generative Adversarial Networks (GANs), Diffusion Models, and Transformers. These methods have revolutionized the field by enabling the generation of realistic and high-quality content, ranging from images to entire 3D scenes. Furthermore, it discusses four well-known text-to-image models and the evaluation methodologies specific to these types of models (text-to-image). A significant portion of the thesis is dedicated to the execution and evaluation of three models. First, we define the evaluated text-to-image models (DALL-E 2, Stable Diffusion, Pix-Art-α) and the three hyperparameters that we will use for the assessment: prompt, width, and height. The prompt parameter is assigned the values from the benchmark that we propose, while the (width, height) pair is set to (512, 512) and (1024, 1024). Generative models are executed either through Python code or locally via an interface to generate images. Secondly, we define a multitask benchmark with six task types (coloring, conflicting, counting, text, positional, faces). Each task contains 12 prompts, resulting in a total of 72 prompts. Our benchmark helps us compare the capabilities and limitations of generative models across different areas. Thirdly, we propose two ways of evaluating text-to-image generative models: human evaluation and the CLIP score metric. Therefore, the evaluation of these models involves both qualitative and quantitative processes. Finally, the findings highlight the transformative impact of these generative models on the field of graphics, showcasing their ability to create immersive and novel visual content, but also acknowledging their limitations in some cases."],"dc:identifier":["uoadl:3402874","https://pergamos.lib.uoa.gr/uoa/dl/object/3402874"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Evaluation of three text-to-image Gen AI models"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:29:51Z"}