Защита диссертации - Ананьев Владислав Валерьевич

Ананьев Владислав Валерьевич

Метод и программные средства адаптивного синтеза изображений высокого разрешения на основе диффузионных моделей при работе с гигапиксельными изображениями

Диссертация принята к защите

Искомая степень: Кандидат технических наук.

Специальность: 2.3.5 – Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей.

Дата размещения: 30 июня 2026.
Текст диссертации: Скачать

Решение совета о принятии диссертации к защите: Диссертация принята к защите.
Автореферат: Скачать
Отзыв научного руководителя: Скачать
Дата защиты: 29 сентября 2026.

Официальный оппонент: Крылов Андрей Серджевич, доктор физико-математических наук (05.13.18).

Место работы, должность: Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный университет им.М.В.Ломоносова», профессор кафедры математической физики Факультета вычислительной математики и кибернетики.

Основные публикации за последние 5 лет:

1. Sun Z. et al. WSI-GT: Pseudo-Label Guided Graph Transformer for Whole-Slide Histology. Machine Learning and Knowledge Extraction. 2025. Т. 8. №. 1. С. 8.​
2. Tang J. et al. Open-set Active Learning for Nucleus Detection From the Histopathological Images. IEEE Transactions on Medical Imaging. 2025.​
3. Zhou J. et al. Protomtg: Prototypical multi-task learning for the generation of multiple stained immunohistochemical images. IEEE Transactions on Medical Imaging. 2025.​
4. Nazarenko G. S., Krylov A. S. Neural Network Method for Detecting Blur in Histological Images. Programming and Computer Software. 2024. Т. 50. №. 3. С. 224-230.​
5. Sun Z. et al. Joint Super-resolution and Tissue Patch Classification for Whole Slide Histological Images. Programming and Computer Software. 2024. Т. 50. №. 3. С. 257-263.​

Отзыв оппонента: Скачать

Официальный оппонент: Шараев Максим Геннадьевич, кандидат физико-математических наук (03.01.02).

Место работы, должность: Автономная некоммерческая образовательная организация высшего профессионального образования «Сколковский институт науки и технологий», руководитель лаборатории Центра прикладного ИИ.

Основные публикации за последние 5 лет:

1. Gubanov F. et al. HAPS: Rethinking Image Similarity for Virtual Staining. arXiv preprint arXiv:2605.20362. – 2026. ​
2. Illarionova S. et al. Generative AI for Virtual Staining in Histopathological Data Analysis. 2025 Fourteenth International Conference on Image Processing, Theory, Tools & Applications (IPTA). IEEE, 2025.
3. Statsenko Y. et al. Advancing multiple sclerosis lesion segmentation: A multimodal CNN and vision transformer approach with attention mechanisms. Journal of the Neurological Sciences. 2025. Т. 480. ​Sharaev M. et al. Pathological Region Inpainting in MRI Data Using Generative AI. 2025 Fourteenth International Conference on Image Processing, Theory, Tools & Applications (IPTA). IEEE, 2025.
4. Statsenko Y. et al. Expert-informed generative AI for synthetic MRI and automated lesion segmentation in multiple sclerosis. Journal of the Neurological Sciences. 2025. Т. 480.

Отзыв оппонента: Скачать

Ведущая организация: Автономная некоммерческая организация высшего образования «Университет Иннополис».

Контактные данные: 420500, Российская Федерация, Республика Татарстан, город Иннополис, улица Университетская, д. 1, 8(843)203-92-53, university@innopolis.ru, https://innopolis.university/

Основные публикации за последние 5 лет:

1. Soboleva V. et al. T-lora: Single image diffusion model customization without overfitting. Proceedings of the AAAI Conference on Artificial Intelligence. – 2026. – Т. 40. – №. 11. – С. 9051-9059.
2. Ahmad M. et al. Transformer-driven active transfer learning for cross-hyperspectral image classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. – 2025
3. Groshev A. et al. GHOST 2.0: generative high-fidelity one shot transfer of heads. arXiv preprint arXiv:2502.18417. – 2025.
4. Shumitskaya E. et al. Stochastic BIQA: Median randomized smoothing for certified blind image quality assessment. Computer Vision and Image Understanding. – 2025. – С. 104447
5. Naik M. K. et al. A novel threshold score based multiclass segmentation technique for brain magnetic resonance images using adaptive opposition slime mold algorithm. International Journal of Imaging Systems and Technology. – 2022. – Т. 32. – №. 4. – С. 1397-1413.

Отзыв ведущей организации: Скачать