Uso de Deep Learning en la Creación Artística [Parte 1]

Se están desarrollando sorprendentes usos de DeepLearning en la creación artística. Imaginad una red neuronal de múltiples capas que alimentemos con cuadros de Van Gogh: Autorretrato, Campo de Tigo, Terraza de Té, etc... y la entrenamos parta almacenar la información de esos cuadros.

Algunas capas almacenarán información del fondo, otras de los objetos que aparecen en las imágenes, pero, ¿es posible que en alguna de sus capas la red haya almacenado "el estilo" de Van Gogh.

Si eso fuese cierto entonces seríamos capaces de extraer dicho estilo y aplicarlo a imágenes o fotografías que nada tengan que ver con el artista, pero  que tras aplicarle el estilo parecerán una obra suya. Es decir, ¿puede "vangoghrizarse" una foto

En la Universidad de Tubingen, Alemania, lo han conseguido:


Dada una foto que podría haber hecho cualquiera pues se puede aplicar el estilo del artista.

Pero todavía podemos ir más allá y hacerlo con video. Utilizando el estilo de Van Gogh podemos transformar la película "Sueños" de Akira Kurosawa en una versión de Van Gogh.




Se consigue algo que sólo un buen pintor conseguiría hacer: copiar un estilo de pintura.







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.  De nuevo sería se
Leer más

¿Para que sirve Machine Learning? [Parte 1]

Imagen
Probablemente hayas oído hablar del concepto Machine Learning pero no tengas ni idea claro para qué sirve. Conviene enterarse, porque después la competencia se te adelanta y ya sólo queda lamentarse. Aquí presento una lista no exhaustiva: Deportes Prever rendimiento deportistas sin depender de las corazonadas de los ojeadores Marketing Detectar si un cliente va a abandonar la empresa La tarifa aplicable a un cliente Sacar un perfil completo del cliente Prever la demanda de un artículo Personalizar oferta a un cliente Prever la demanda de un articulo en una determinada fecha Determinar si una comunicación con un cliente va a resultar en una compra Determinar los clientes que es más probable contraten un servicio Ingeniería Detectar fallos en fabricación de piezas (la medidas individuales son correctas pero el conjunto falla) predecir la localización de pozos de petróleo, de los bancos de peces en el mar, etc.   Tareas de clasificación Mejorar la colocación de lo
Leer más

¿Para qué sirve Deep Learning?

Imagen
En un artículo anterior explicábamos para qué sirve Machine Learning . Deep Learning va un paso más allá y actualmente es una de las áreas principales de investigación en la Inteligencia Artificial. Al igual que en Machine Learning, se parte de un conjunto grande de datos y se infiere nueva información pero de forma mucho más profunda . Si en Machine Learing usamos una red neuronal con un par de capas intermedias en Deep Learning usaríamos decenas de capas intermedias , y por tanto Deep Learning sería el estudio de cómo organizar dichas capas para almacenar y generar nueva información. Ahora no solo podremos simplemente reconocer un los objetos que aparecen en una película analizando los fotogramas, si no que se pueden realizar descripciones de alto nivel de las escenas, ya que la información de alto nivel conceptual se queda almacenada en las capas más profundas de la red neuronal. Una red neuronal compleja almacena por separado los contornos de los objetos, las texturas y
Leer más