Please use this identifier to cite or link to this item: http://hdl.handle.net/10216/114370
Author(s): Daniel Leal Moreira Machado
Title: Construção de modelos neurais para criação de arte generativa visual
Issue Date: 2018-07-18
Abstract: The emergence of the generative adversarial networks (GANs) in 2014 allowed the development of neural models that effectively solve computer vision problems such as generation of photorealistic images, image-image translation and super-resolution. Several computer artists have been creatively exploring these generative models and presenting very different results, mainly in the visual field. However, the potential of applying these models in generative art is hampered by problems such as incapacity of element-based generation, low resolution and predictability of results. In the present work are presented two adversarial models, AGAN and bezierGAN that partially counter these problems. The AGAN is an adversarial model with two discriminators, which allows the generation of images with different distributions of the training images, reducing the degree of predictability of the results. The results obtained show that the images generated by the model are abstractions of the training images, and the intensity of these abstractions is controllable. The bezierGAN model is an adversarial generative model for the generation of vectorized images based on bézier curves, which capture the distributions of training bitmap images. The results show that the model can only capture simpler image distributions, failing in complex images. However the great potential of the model is the creation of a latent space for images based on elements, allowing the creation of videos and minimalistic images with organic distributions in any resolution.
Description: O aparecimento das redes neurais generativas adversariais (GANs) em 2014, permitiu o desenvolvimento de modelos neurais que solucionam eficazmente problemas da visão computacional como geração de imagens fotorealistas, tradução imagem-imagem e super-resolução. Vários artistas computacionais tem vindo a explorar criativamente esses modelos generativos e a apresentarresultados muito diversos, principalmente na vertente visual. No entanto o potencial de aplicação destes modelos na arte generativa é travado por problemas como incapacidade de geração baseada em elementos, baixa resolução e previsibilidade dos resultados. No presente trabalho são apresentados dois modelos adversariais, AGAN e bezierGAN que contrariam parcialmente esses problemas. O AGAN é um modelo adversarial com dois discriminadores, que permite gerar imagens com distribuições diferentes das imagens de treino, reduzindo o grau de previsibilidade dos resultados. Os resultados obtidos mostram que as imagens geradas pelo modelo são abstrações das imagens de treino, e a intensidade dessas abstrações é controlável. O modelo bezierGAN, é um modelo generativo adversarial para geração de imagens vectorizadas, constítuidas por curvas de bézier, que capturam as distribuições das imagens bitmap de treino. Os resultados obtidos mostram que o modelo só consegue capturar distribuições de imagens mais simples, falhando nas imagens complexas. No entanto a grande potencialidade do modelo é a criação de um espaço latente para imagens baseadas em elementos, permitindo a criação de vídeos e imagens minimalistas com distribuições orgânicas e em qualquer resolução.
Subject: Outras ciências da engenharia e tecnologias
Other engineering and technologies
URI: http://hdl.handle.net/10216/114370
Document Type: Dissertação
Rights: openAccess
Appears in Collections:FEUP - Dissertação

Files in This Item:
File Description SizeFormat 
278622.pdfConstrução de modelos neurais para criação de arte generativa visual26.07 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.