AcademIc Coffe: Redes Neuronales Artisticas

Erik Ibarra
Inteligencia Artificial ITESM CQ
2 min readMar 9, 2017

Para este café académico, me di a la tarea de encontrar alguna aplicación interesante en área de procesamiento de imágenes con redes neuronales. Encontre una aplicación bastante atractiva donde se retoman algunos conceptos que hemos estado viendo en clases pero se aplican en la siguiente capa que es la del Deep Learning. El principal objetivo de este paper es mostrar cómo se puede llegar a copiar el estilo artístico de alguna pintura u obra de arte hacia una imagen en particular y con esto crear una tercer imagen con el estilo y texturas del arte pero con el contenido de la segunda imagen, como se muestra a continuación:

La imagen de arriba es la imagen que quiere ser transformada. La imagen chica de la esquina es el arte y la imagen grande de abajo representa la imagen nueva con el contenido original pero con el estilo del arte.

Esto es posible gracias a técnicas de deep learning donde se utilizan CNNs (Convolutional Neural Networks) en las cuales cada nodo de entrada representa un píxel en la imagen y a través de las distintas capas se modelan características de la imagen y conforme nos profundizamos en la red estos nodos presentan mayor abstracción en las características que detectan. Con esto se busca conseguir minimizar la diferencia de 3 distintas pérdidas las cuales representan abstracciones de algunas de las capas intermedias donde se representan las texturas y otras más profundas donde se representa el contenido. Los pesos de estas redes son ajustados basados en la diferencia en las características de textura que se encuentran entre la imagen del arte y la imagen que se está generando y en la diferencia que se presenta en las características del contenido entre la imagen original y la imagen que se está generando.

Este artículo se presentó el año pasado y ya se han presentado otros avances donde estas mismas técnicas con otras mejoras son implementadas en video. Esto se logra al seguir incrementando o adaptando las funciones de pérdida de acuerdo a las necesidades del problema. Para más información acerca del proceso y los resultados de estos experimentos visita el artículo que se comparte a continuación: https://arxiv.org/pdf/1508.06576.pdf

https://arxiv.org/pdf/1508.06576.pdf

http://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Gatys_Image_Style_Transfer_CVPR_2016_paper.pdf

https://arxiv.org/pdf/1604.08610.pdf

--

--