bsuirДоклады БГУИРDoklady BGUIR1729-76482708-0382БГУИР10.35596/1729-7648-2025-23-5-93-98bsuir-4212Research ArticleСтатьиМобильное приложение для генерации изображений помещения с использованием модели Stable DiffusionMobile Application for Generating Room Images Using Stable Diffusion ModelУласовецК. И.UlasavetsK. I.

Уласовец К. И., студ., 

Минск.

Kseniya I. Ulasavets, Student, 

Minsk.

ЧуйкоВ. А.ChuykoV. A.

Чуйко Владислав Александрович, магистр физ.-мат. наук, ст. преп. каф. интеллектуальных систем, 

220064, Минск, ул. Курчатова, 5.

Тел.: +375 29 853-07-96.

Vladislav A. Chuyko, M. Sci. (Phys. and Math.), Senior Lecturer at the Department of Intelligent Systems, 

5, Kurchatovа St., Minsk, 220064.

Tel.: +375 29 853-07-96.

Vchuyko@bsu.byКозловаЕ. И.KazlovaA. I.

Козлова Е. И., канд. физ.-мат. наук, доц., зав. каф. интеллектуальных систем, 

Минск.

Alena I. Kazlova, Сand. Sci. (Phys. and Math.), Associate Professor, Head of the Department of Intelligent Systems, 

Minsk.

Белорусский государственный университет (БГУ)Belarusian State University (BSU)2025291020252359398Copyright © Уласовец К.И., Чуйко В.А., Козлова Е.И., 20252025Уласовец К.И., Чуйко В.А., Козлова Е.И.Ulasavets K.I., Chuyko V.A., Kazlova A.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://doklady.bsuir.by/jour/article/view/4212

На современном рынке существует множество веб-сервисов, предназначенных для генерации изображений интерьеров с помощью методов генеративного дизайна. В то же время высокая стоимость и ограничения по использованию некоторых коммерческих решений ограничивают их доступность для широкого круга пользователей. В статье предложено экономически выгодное решение без значительных потерь в функциональности и качестве. Представлены результаты разработки мобильного приложения для генерации изображений помещения (интерьеров) по фотографии и текстовому описанию пользователя. Для генерации изображений применена генеративно-состязательная нейронная сеть. Описан процесс преобразования текстового запроса в изображение. Приведены результаты тестирования приложения.

Numerous web services designed for generating interior images using generative design methods currently exist on the market. However, the high cost and limitations of some commercial solutions limit their accessibility to a wide range of users. This article proposes a cost-effective solution without significant sacrifices in functionality and quality. The article presents the results of developing a mobile application for generating images of rooms (interiors) based on a photograph and a user-supplied text description. A generative adversarial neural network was used to generate the images. The process of converting a text query into an image is described, and application testing results are provided.

генерация изображенийдиффузионная модельлатентная диффузиязашумленные данныесверточная нейронная сетьimage generationdiffusion modellatent diffusionnoisy dataconvolutional neural networkReferencesМетоды генеративного дизайна [Электронный ресурс] / А. Я. Пахтаева // Ноэма. Режим доступа: https://cyberleninka.ru/article/n/metody-generativnogo-dizayna. Дата доступа: 12.06.2025.Pakhtaeva A. Ya. (2021) Generative Design Methods. Nohma. Available: https://cyberleninka.ru/article/n/metody-generativnogo-dizayna (Accessed 12 June 2025) (in Russian).Павленко, Е. Ю. Статический анализ безопасности Android-приложений / Е. Ю. Павленко, Г. Ю. Игнатьев, П. Д. Зегжда // Проблемы информационной безопасности. Компьютерные системы. 2017. № 4. С. 73–79.Pavlenko E. Yu., Ignatiev G. Yu., Zegzhda P. D. (2017) Static Analysis of Android Application Security. Information Security Issues. Computer Systems. (4), 73–79 (in Russian).Diffusion Models: A Comprehensive Survey of Methods and Applications / L. Yang [et al.] // ACM Computing Surveys (CSUR). 2023.Yang L., Zhang Z., Song Y., Hong Sh., Xu R., Zhao Y., et al. (2023) Diffusion Models: A Comprehensive Survey of Methods and Applications. ACM Computing Surveys (CSUR).Ho, J. Classifier-Free Diffusion Guidance / J. Ho, T. Salimans // arXiv:2207.12598. 2022.Ho J., Salimans T. (2022) Classifier-Free Diffusion Guidance. arXiv:2207.12598.Deep Unsupervised Learning Using Nonequilibrium Thermodynamics / J. Sohl-Dickstein [et al.] // International Conference on Machine Learning. 2015.Sohl-Dickstein J., Weiss E., Maheswaranathan N., Ganguli S. (2015) Deep Unsupervised Learning Using Nonequilibrium Thermodynamics. International Conference on Machine Learning.High-Resolution Image Synthesis with Latent Diffusion Models / R. Rombach [et al.] // Conference on Computer Vision and Pattern Recognition. 2022.Rombach R., Blattmann A., Lorenz D., Esser P., Ommer B. (2022) High-Resolution Image Synthesis with Latent Diffusion Model. Conference on Computer Vision and Pattern Recognition.Weng, L. What are Diffusion Models? [Electronic Resource] / L. Weng. Mode of access: https://lilianweng.github.io/posts/2021-07-11-diffusion-models/. Date of access: 10.06.2025.Weng L. (2022) What are Diffusion Models? Available: https://lilianweng.github.io/posts/2021-07-11diffusion-models/ (Accessed 10 June 2025).

The authors declare that there are no conflicts of interest present.