Uso de Deep Learning en la creación artística [Parte 3 y última]


Tras saber que podemos aplicar el estilo común de un conjunto de cuadros de Van Gogh (también puede hacerse con otros muchos artistas) e incluso que podemos aplicar de forma general el estilo de una imagen en otra, ahora nos queda saber si podemos aplicar un concepto más "general" a una imagen. Me explico:

Imaginaos que pudiésemos  convertir cualquier foto en una pesadilla. Múltiples ejemplos de ello han sido generados por el Massacusetts Institute of Technologies.

Aquí tenéis el Coliseo Romano, Stonehenge y el Palacio Real de Madrid convertidos en escenarios dantescos, todo realizado de forma automática a través de redes neuronales que han aprendido qué es lo fantasmagórico y lo grotesto.




Por supuesto el proceso no están automático. En la práctica se necesita una persona para que indique una guía del mejor camino a seguir y se necesita mucho tiempo de ensayo y error hasta dar con los parámetros adecuados.

En general a todos estos procesos de manipulación de imágenes se les conoce con el nombre de Inception, de hecho Google ha creado un motor para "alucinar" imágenes o video de forma automática. Podéis usarlo en https://deepdreamgenerator.com/. Aquí tenéis un ejemplo de video generado por Johan Nordberg usando dichas herramientas.


Estos espagueti no me hacen tanta gracia


Y hay muchos más ejemplos, en este sitio, https://www.nextrembrandt.com/, se intenta recrear una nueva obra de Rembrandt intentando sacar hasta el más mínimo de los detalles que hacen una obra característica del autor.

Y así tenemos docenas de artistas y entidades que usan la Inteligencia Artificial para generar contenido artístico visual. 
 


Comentarios

Publicar un comentario

Entradas populares de este blog

¿Para qué sirve Machine Learning? [Parte 2 y última]

Imagen
En otro post dábamos un listado de casos de uso de Machine Learning, y es hora de explicar con más detalle algunos ejemplos. Imagina que tenemos trabajamos para una gran compañía como Amazon y tenemos y completo historial de compras de los usuarios de nuestro portal de venta, así como de las reclamaciones, devoluciones, navegación por el portal, etc Lo que queremos saber es la probabilidad de que un cliente compre un determinado  artículo, para saber qué  recomendarle. Sería muy sencillo mostrarle su historial de búsqueda o los accesorios para artículos que ya ha comprado.  Para eso no necesitamos Machine Learning. Pero nuestro objetivo es mucho más ambicioso: predecir qué  producto va a comprar. Por ejemplo si el cliente ha comprado artículos para sembrar césped probablemente tenga un jardín y necesitará otras herramientas relacionadas : cortadora de césped, podadora, etc y las querrá dentro del rango de precios en el que compra habitualmente....
Leer más

Ejemplo práctico de Machine Learning: precio de vivienda

Imagen
Detengámonos en un ejemplo práctico de uso de Machine Learning: Tengo la información de varios años de los precios de venta de viviendas en todo el país junto con docenas de características de cada vivienda: localización , m2, nº de habitaciones, sueldo medio de la zona, etc. ¿Puedo calcular el precio óptimo de una vivienda para este año?  Este es un gran ejemplo de lo útil que puede resultar Machine Learning para aligerar ventas y mejorar ganancias . No queremos tener a la venta una vivienda a un precio superior al de mercado (no se venderá) ni tampoco queremos tener un precio inferior y reducir el margen de beneficio. Actualmente el precio se establece "a ojo" por el profesional inmobiliario "según a lo que se hayan vendido otras viviendas similares de la zona" .  El problema de la subjetividad es que se nos pueden pasar por alto la influencia que tienen ciertas características en el precio. Por ejemplo, una vivienda de dos dormitorios y 70 m2...
Leer más

¿Qué es la computación aproximada?

Imagen
La computación aproximada (Approximate Computing)  se basa en construir un hardware que no siempre responde al 100% de exactitud, pero que reduce su consumo de energía en varios órdenes de magnitud. Se trataría de un nuevo paradigma de diseño de computadores que podría ser la solución a la enorme cantidad de energía y CPU que consume un sistema de Inteligencia Artificial, ya que no siempre necesitados clasificar o predecir con 100% de exactitud. Pensad en los fotogramas de una imagen o en la percepción del sonido. Esto no es algo que vayas a tener disponible mañana en la tienda de la esquina, pero la cuestión es que para que la IA se pueda mezclar con el IoT tendremos que inventar algo ya que los computadores cuánticos (ya hablaremos otro día de ellos) no van a ser precisamente sencillos de producir en masa a corto-medio plazo. Tal vez en un futuro tengamos computadores con distintos tipos de arquitectura (clásica, red neuronal, aproximada, cuántica) cooperando e...
Leer más