Зоткина Алена Александровна, кандидаттехнических наук, доцент кафедры программирования
пр. Байдукова / ул. Гагарина, д. 1а/11, г. Пенза 440039
Alena A. Zotkina, Candidate of Sciences (Engineering), Associate Professor at the Department of Programming
1a/11 Baidukova Pass. / Gagarina Str., Penza 440039
Мартышкин Алексей Иванович, кандидат технических наук, доцент, заведующий кафедрой программирования
Researcher ID: S-7452-2016
пр. Байдукова / ул. Гагарина, д. 1а/11, г. Пенза 440039
Alexey I. Martyshkin, Candidate of Sciences (Engineering), Associate Professor, Head of the Department of Programming
Researcher ID: S-7452-2016
1a/11 Baidukova Pass. / Gagarina Str., Penza 440039
Павлов Аким Алексеевич, студент кафедры программирования
пр. Байдукова / ул. Гагарина, д. 1а/11, г. Пенза 440039
Akim A. Pavlov, Student at the Department of Programming
1a/11 Baidukova Pass. / Gagarina Str., Penza 440039
Ткаченко Александра Васильевна, студент кафедры программирования
пр. Байдукова / ул. Гагарина, д. 1а/11, г. Пенза 440039
Alexandra V. Tkachenko, Student at the Department of Programming
1a/11 Baidukova Pass. / Gagarina Str., Penza 440039
Цель исследования – разработка универсальной методологии позитивного промпт-инжиниринга для генерации изображений диффузионными моделями, основанной на глубоком лингво-семантическом анализе взаимодействия «человек – искусственный интеллект» и выявлении кросс-модельных инвариантов.
Методы. В рамках данного исследования применялся междисциплинарный научный подход, объединяющий методы когнитивного анализа и эмпирической верификации.
Результаты. Результаты исследования подтвердили высокую эффективность предложенной универсальной методологии позитивного промпт-инжиниринга, которая значительно повысила качество генерации изображений диффузионными моделями. Экспериментальные данные показали, что промпты, сформированные по разработанной структуре и стратегиям лексической оптимизации, обеспечивают лучшее соответствие заданным характеристикам и более стабильные результаты across различных моделей, при этом статистически значимо превышая качество неструктурированных промптов (p < 0,01). Использование многоуровневой системы компонентов и имплицитных методов контроля позволило снизить вариативность нежелательных артефактов, повысить точность передачи визуальных характеристик и упростить процесс формирования промптов, делая его более предсказуемым, воспроизводимым и универсальным для различных платформ. В целом внедрение этой методологии способствует улучшению взаимодействия человека с искусственный интеллект, повышению стабильности и качества визуальных результатов, а также облегчает адаптацию промптов под разные модели и задачи.
Заключение. Проведенное исследование подтвердило эффективность предложенной универсальной методологии позитивного промпт-инжиниринга для генерации изображений диффузионными моделями. Внедрение структурированного подхода и стратегий лексической оптимизации позволяет значительно повысить качество, стабильность и предсказуемость результатов, а также снизить количество нежелательных артефактов. Такой подход способствует более управляемому и универсальному взаимодействию человека с искусственный интеллект, облегчая создание высококачественных изображений в различных моделях и условиях. В дальнейшем использование разработанной методологии может стать основой для повышения эффективности автоматизированных систем генерации визуального контента и расширения их практических возможностей.
The purpose of research is development of a universal methodology of positive industrial engineering for image generation by diffusion models based on a deep linguistic and semantic analysis of Human-AI interaction and identification of cross-model invariants.
Methods. Within the framework of this study, an interdisciplinary scientific approach was applied, combining methods of cognitive analysis and empirical verification.
Results. The results of the study confirmed the high efficiency of the proposed universal methodology of positive industrial engineering, which significantly improved the quality of image generation by diffusion models. Experimental data have shown that promptas formed according to the developed structure and lexical optimization strategies provide better compliance with the specified characteristics and more stable results across different models, while statistically significantly exceeding the quality of unstructured promptas (p < 0,01). The use of a multi-level system of components and implicit control methods has made it possible to reduce the variability of unwanted artifacts, increase the accuracy of visual characteristics, and simplify the process of creating designs, making it more predictable, reproducible, and universal for various platforms. In general, the implementation of this methodology improves human interaction with AI, increases the stability and quality of visual results, and facilitates the adaptation of products to different models and tasks.
Conclusion. The conducted research has confirmed the effectiveness of the proposed universal methodology of positive industrial engineering for image generation by diffusion models. The introduction of a structured approach and lexical optimization strategies can significantly improve the quality, stability and predictability of results, as well as reduce the number of unwanted artifacts. This approach promotes more manageable and universal human-AI interaction, making it easier to create high-quality images in various models and conditions. In the future, the use of the developed methodology can become the basis for improving the efficiency of automated visual content generation systems and expanding their practical capabilities.
The authors declare that there are no conflicts of interest present.