SP-BatikGAN: A Generative Adversarial Network for Seamless Pattern Batik Creation

CHRYSTIAN, Wahyono, Ph.D

2022 | Skripsi | S1 ILMU KOMPUTER

Mengikuti kemajuan GAN dalam data dan komputasi yang terbatas, makalah ini berfokus pada aplikasi arus utama GAN pada generasi batik yang semakin populer, ikon populer, dan mode di Asia Tenggara. Karena kesulitan dan kerumitan dalam menghasilkan tugas-tugas batik, dalam penelitian ini, kami fokus pada salah satu karakteristik umum batik, yaitu sifat mulus dan simetris. Namun, tugas pembuatan pola yang mulus dan simetris tidak terbatas pada dan dapat digunakan pada aplikasi lain seperti ubin Portugis juga. Pertama, kami mengumpulkan dan memberikan kepada publik 1.216 gambar patch batik berkualitas tinggi pertama langsung dari file desain. Selanjutnya, kami membuat penerapan jahitan dan simetri, metode pengawasan mandiri yang meningkatkan dan mempercepat pelatihan pada konfigurasi GAN apa pun untuk tugas pembuatan tambalan batik. Kemudian, kami menyelidiki mekanisme perhatian yang lebih murah untuk mengadaptasi GAN berbasis perhatian ke pengaturan terbatas kami. Dengan kedua teknik tersebut, kami membuat SNS-BatikGAN dan membandingkannya dengan FastGAN, GAN terbaik untuk pengaturan terbatas, SNS-BatikGAN meningkatkan skor FID dari 110,11 menjadi 90,76, penurunan 18%, dan skor recall dari 0,047 menjadi 0,204, peningkatan 334% . Kami percaya penelitian ini akan menjadi landasan penelitian masa depan di batik atau aplikasi pola mulus dan simetris pada umumnya.

Following GAN's advancement in limited data and computation, this paper focuses on the mainstream applications of GAN on the increasingly popular batik generation, a popular icon, and fashion in Southeast Asia. Due to the difficulties and complexity of generating batik tasks, in this research, we focused on one of the common batik characteristics, which is seamless and symmetric properties. The seamless and symmetric pattern generation tasks, however, are not limited to and can be used on other applications such as Portuguese tiles as well. First, we collect and provide publicly the first-ever high-quality 1,216 batik patch images straight from the design files. Next, we create seam and symmetry enforcement, a self-supervision method that improves and accelerate training on any GAN configuration for batik patch generation tasks. Then, we investigate a cheaper attention mechanism to adapt attention-based GAN to our limited settings. With both techniques, we create SNS-BatikGAN and compared it to FastGAN, the best GAN for limited settings, SNS-BatikGAN improve FID score from 110.11 to 90.76, an 18% decrease, and recall score from 0.047 to 0.204, a 334% increase. We believe this research will be the foundation of future research in batik or seamless and symmetric pattern applications in general.

Kata Kunci : Generative Adversarial Network, GAN, Batik, Image Generation, Generative Modeling