| IMMW Generative AI in Visual Computing | SG | INF | |
|---|---|---|---|
| Dozent : | Semester | 1 | |
| Einordnung : | Master Interactive Media (Winter-Immatrikulation), Wahlpflichtkatalog M-IM-W | SWS | 4 |
| Sprache : | Deutsch/Englisch | Art | VÜS |
| Prüfungsart : | PL | Credits | 6 |
| Prüfungsform : | Belegarbeit mit mdl. Prüfungsgespräch | ||
| Voraussetzungen : | |||
| Querverweise : | |||
| Vorkenntnisse : | Grundkenntnisse der Computergrafik | ||
| Hilfsmittel und Besonderheiten : | Studien- und Prüfungsleistungen: Semesterbegleitende Leistungen können in die Bewertung einbezogen werden. | ||
| Lehrziele : | In diesem Kurs erweitern die Studierenden ihr Wissen an der Schnittstelle von Künstlicher Intelligenz (KI) und Computergrafik. Sie lernen, wie Generative KI-Modelle die visuelle Kreativität und die Erstellung von Inhalten revolutionieren. Zu Beginn erwerben sie praktische Kenntnisse in der Nutzung von KI-Tools und Web-UIs, wobei der Schwerpunkt auf Stable Diffusion, Prompting sowie der Anpassung und Erweiterung von KI-Modellen durch Finetuning liegt. Im weiteren Verlauf vertiefen die Studierenden ihr Verständnis für Deep Learning-Techniken und entwickeln Fähigkeiten im Umgang mit Frameworks wie TensorFlow und Keras. Sie lernen, einfache Modelle zu implementieren und setzen sich intensiv mit der Generierung von Bildern auseinander. Dabei werden grundlegende Technologien wie Autoencoder, GANs und Diffusionsmodelle behandelt, die eine Schlüsselrolle bei der Erstellung und Bearbeitung von Medieninhalten spielen. Der Kurs kombiniert technische Expertise mit kreativem Design, indem die Studierenden ihre erlernten Fähigkeiten in praxisorientierten, gestalterischen Projekten anwenden. Am Ende des Kurses sind die Studierenden in der Lage, KI-Tools effektiv zu nutzen, um kreative visuelle Inhalte zu generieren, und können die Potenziale und Herausforderungen dieser Technologien bewerten und praktisch umsetzen. | ||
| Lehrinhalte : | * Einführung und Überblick * Praktischer Einblick in KI-Tools für Bild- und Videogenerierung * Deep Learning Frameworks * Stable Diffusion WebUIs (Benutzeroberflächen) * Prompting für Generative KI * Anpassung und Erweiterung von KI-Modellen * Grundlagen Neuronaler Netze * Image Classification mit Deep Learning Frameworks * Deep Computer Vision/Convolutional Neural Networks * Einfache generative Modelle – Autoencoder * Generative Adversarial Networks (GANs) * Diffusion Models, Text-to-Image Generatoren | ||
| Literatur : | * Ian Goodfellow, Yoshua Bengio und Aaron Courville: Deep Learning, The MIT Press, 2016. * Simon J. D. Prince: Computer Vision: Models, Learning, and Inference, Cambridge University Press, 2012. * Rowel Atienza: Advanced Deep Learning with Tensorflow 2 and Keras, Packt Publishing, 2020. * Rajalingappaa Shanmugamani: Deep Learning for Computer Vision, Packt Publishing, 2018. * David Foster: Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play, O'Reilly Media, 2023 * aktuelle Forschungspaper | ||