• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  • A transferência de estilo neural reconstrói pinturas invisíveis de Picasso

    Parc del laberint d'horta; um Rusiñol perdido, reconstruído usando transferência de estilo neural. Crédito:arXiv:1909.05677 [cs.CV]

    Reconstruir trabalhos de arte perdidos ficou muito mais interessante agora que os especialistas em inteligência artificial sabem como alavancar a tecnologia como uma ferramenta de aprendizado de arte.

    Os pesquisadores usaram uma rede neural para reconstruir uma imagem que Picasso pintou durante seu período azul. "Reconstruir" é, obviamente, uma conversa aberta. AI fez a reconstrução, então é preciso continuar a discussão a partir daí.

    É o caso de uma descoberta de algo embaixo de algo. Os observadores de arte não ficaram surpresos que houvesse algo-sob-alguma coisa. Eles sentiram isso antes. O Art Institute of Chicago tem a pintura do Período Azul (1903-1904) O velho guitarrista . Os historiadores da arte apontaram que havia "o rosto de uma mulher fantasmagórica vagamente visível sob a pintura". MIT Análise de tecnologia da "Tecnologia Emergente do arXiv" disse que em 1998, os conservadores decidiram tentar aprender mais e fotografaram a pintura usando ex-raios e luz infravermelha.

    A razão pela qual os pesquisadores não ficaram surpresos por ele ter pintado sobre outra coisa foi porque "Os artistas costumam pintar sobre obras anteriores, particularmente durante os períodos de penúria, quando a tela é escassa. "

    Os resultados foram, Nós vamos, esboçado, já que seu uso de imagens infravermelhas e de raios-X mostraram apenas contornos tênues e não revelaram cor ou estilo.

    O exame ex-raio, disse David Conrad em Eu programador , deu apenas uma ideia de como era a geometria da pintura perdida, mas nenhuma ideia clara de como seria a aparência do trabalho completo.

    Avance para uma técnica que agora é explorada, nomeadamente, uma técnica de visão de máquina chamada transferência de estilo neural. Foi desenvolvido em 2015 por um grupo da Universidade de Tubingen, na Alemanha, por Leon Gatys e colegas. Sobre a descoberta da Alemanha:Stepan Ulyanin em Médio disse que era sobre transferência de estilo neural. "Gatys et al. Baseiam sua abordagem na capacidade única das redes convolucionais de extrair recursos de diferentes escalas em diferentes camadas da rede."

    MIT Technology Review continuou sobre camadas:"As redes neurais consistem em camadas que analisam uma imagem em diferentes escalas. A primeira camada pode reconhecer características amplas, como bordas, a próxima camada vê como essas bordas formam formas simples, como círculos, a próxima camada reconhece padrões de formas, como dois círculos próximos, e ainda outra camada pode rotular esses pares de círculos como olhos. "

    La femme perdue; um Picasso perdido, reconstruído usando transferência de estilo neural. Crédito:arXiv:1909.05677 [cs.CV]

    A principal descoberta de Gatys e colegas, disse o artigo, "era que a capacidade de distinguir estilos era totalmente separada da capacidade de ver rostos ou outros objetos. Na verdade, Gatys e cia foram capazes de separar essa habilidade e usá-la ao contrário. Eles alimentaram uma imagem na rede neural, que então sobrepôs o estilo à imagem. "

    Agora, Anthony Bourached e George Cann, da University College London e Oxia Palus, usaram a transferência de estilo neural para fornecer sua recriação de IA e escreveram um artigo sobre isso. Oxia Palus é um coletivo de arte de IA. O título do seu artigo, agora no arXiv, enviado no início deste mês, é apropriadamente intitulado "Raiders of the Lost Art".

    Bourached e Cann fizeram uma versão editada manualmente das imagens de raios-X da mulher abaixo O velho guitarrista e passou por uma rede de transferência de estilo neural, treinado para converter imagens no estilo de outra obra de arte do Período Azul de Picasso. Eles disseram que apresentaram "um novo método de reconstrução de obras de arte perdidas, aplicando a transferência de estilo neural a radiografias x de obras de arte com obras de arte internas secundárias sob um exterior primário, para reconstruir obras de arte perdidas. "

    (David Conrad em Eu programador :"É importante notar que as imagens de raios-X foram editadas manualmente para fornecer um bom ponto de partida, então alguma subjetividade humana foi empregada desde o início. ")

    Veredito? É impossível confirmar que Picasso pintou a imagem dessa maneira exata. Contudo, David Conrad em Eu programador adotou uma visão razoavelmente cautelosa. "Podemos recuperar pinturas perdidas usando um pouco de IA? A resposta parece ser sim, mas na verdade tudo depende do que você entende por 'recuperar' "." Aproxima-se do que o artista pode ter pintado. Parece funcionar, mas existem poucas amostras para julgar e, claro, a coisa toda é subjetiva. "

    Bourached e Cann explicaram por que seu trabalho é importante:Nosso método de combinar obras de arte originais, mas ocultas, entrada humana subjetiva, e a transferência de estilo neural ajuda a ampliar uma visão sobre o processo criativo de um artista, "eles disseram." Além disso, ele cria uma colaboração humano-IA que cultiva empatia com o potencial criativo da IA ​​e seu uso harmonioso como uma ferramenta artística. "

    Colaboração? IA e arte, IA e ficção, IA e música são separados. Um não pode substituir o outro? Errado, dizem alguns pesquisadores, que preferem pensar na IA como um caminho para o insight.

    "Acreditamos que muito receio em torno do aprendizado de máquina é que ele substitui pessoas. Argumentamos que o uso do aprendizado de máquina como uma ferramenta artística pode, em última análise, ampliar o insight criativo e ampliar o panorama da engenhosidade inspiradora pela colaboração humano-IA. Acreditamos que isso O conceito pode ser generalizado para muitos domínios e implica que as tarefas de amanhã terão a oportunidade de ser melhores e mais gratificantes. Acreditamos que a arte da IA ​​pode ser a pioneira nessa mudança positiva de mentalidade. "

    © 2019 Science X Network




    © Ciência https://pt.scienceaq.com