Опубликовано: 23.04.2026 | Источник: ZDNet – Enterprise Software

Генеративный ИИ в дипломе: как превратить тренд Google Photos в защищаемый ВКР по ML

Google запустил AI Enhance — инструмент в Google Photos, который с помощью генеративного ИИ автоматически обрезает, пересвечивает и улучшает фото. По данным ZDNet (2026), функция уже доступна на Android, но даёт сбои: иногда искажает пропорции, «перегорает» свет или создаёт неестественные текстуры. Это не баг — это возможность. Для студента технической специальности такие кейсы — золотая жила: они сочетают современные технологии, реальные ограничения и измеримые метрики. Особенно если вы пишете ВКР в области машинного обучения или обработки изображений. В этой статье покажу, как превратить публикацию про Google Photos в стройную, защищаемую работу, соответствующую и требованиям вуза, и реалиям индустрии.

Темы ВКР: как интегрировать AI Enhance в диплом

Как вписать кейс Google в структуру ВКР

Глава 1: Теоретический анализ — не просто обзор, а фреймворк

Не ограничивайтесь пересказом статьи. Используйте её как кейс-триггер. Например:

• Начните с факта: «Google AI Enhance иногда обрезает важные части лица — это указывает на слабую привязку к facial landmarks».
• Перейдите к теории: сравните архитектуры StyleGAN3, Stable Diffusion и Deep Image Prior — где у кого больше рисков по геометрии?
• Вставьте диаграмму C4 уровня контейнеров: как может выглядеть pipeline от загрузки фото до вывода результата (с выделением модуля генерации, оценки качества, UI).

Используйте ISO/IEC 25010 как основу для оценки качества ПО: применимость здесь — «функциональная пригодность», «целостность данных», «удобство использования».

Глава 2: Проектирование — от схемы к коду

Покажите, как вы решаете проблему, которую Google не решил. Например, если выбрали тему локального редактора:

# Пример: контроль освещения через гистограмму
import cv2
import numpy as np

def adjust_exposure_balance(img, target_mean=128):
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    h, s, v = cv2.split(hsv)
    
    # Коррекция яркости с учётом пересветов
    v_mean = np.mean(v)
    if abs(v_mean - target_mean) > 30:
        scale = target_mean / v_mean
        v = np.clip(v * scale, 0, 255).astype(np.uint8)
    
    merged = cv2.merge([h, s, v])
    return cv2.cvtColor(merged, cv2.COLOR_HSV2BGR)

# Используется ДО подачи на ИИ-модель — как препроцессинг

Добавьте UML-диаграмму последовательности: как пользователь загружает фото → система проверяет экспозицию → предлагает корректировку → применяет ИИ-аугментацию.

Глава 3: Тестирование — метрики, а не мнения

Не пишите «модель работает хорошо». Измеряйте:

• PSNR — пиковое отношение сигнал/шум (для потерь деталей).
• SSIM — структурное сходство (для восприятия человеком).
• LPIPS (Learned Perceptual Image Patch Similarity) — нейросетевая метрика, ближе к человеческому зрению.
• Время обработки — критично для UX.
• Субъективная оценка — опрос 10+ пользователей по шкале от 1 до 5.

Сравните ваше решение с Google AI Enhance на тех же изображениях. Это — ваш главный козырь на защите.

Чему вы научитесь

• Проектировать pipeline обработки изображений с контролем качества.
• Использовать метрики PSNR, SSIM, LPIPS для оценки ИИ-генерации.
• Строить UML/C4-диаграммы для ML-систем.
• Оформлять ТЗ и технические решения по ГОСТ 34.19-93 (спецификация ПО).
• Анализировать риски ИИ по OWASP Top 10 for LLMs.

FAQ: реальные вопросы студентов

Источник: I tried Google Photos' new AI Enhance tool: How it crops, relights, and fixes your shots - sometimes (опубликовано 2026-04-07)