Do Renascentismo ao Pós-Impressionismo
transferência de estilo neural entre Michelangelo e Van Gogh
DOI:
https://doi.org/10.47385/tudoeciencia.2494.2025Palavras-chave:
Transferência de estilo neural. Aprendizado profundo. Visão computacional. Síntese de imagens. TensorFlow.Resumo
A transferência de estilo neural representa uma das aplicações mais fascinantes da inteligência artificial na área de visão computacional, permitindo a combinação do conteúdo de uma imagem com o estilo artístico de outra. Este trabalho apresenta uma implementação de transferência de estilo utilizando TensorFlow, aplicando técnicas de aprendizado profundo para criar sínteses artísticas automatizadas. A metodologia empregada utiliza o modelo pré-treinado Arbitrary Image Stylization desenvolvido pelo Google Magenta, aplicado a imagens de domínio público para demonstrar a eficácia da técnica. Os resultados obtidos demonstram a capacidade do modelo de preservar o conteúdo estrutural da imagem original enquanto incorpora características estilísticas da imagem de referência, evidenciando o potencial da técnica para aplicações em arte digital, design gráfico e processamento criativo de imagens. Como estudo de caso, utilizou-se a obra renascentista A Criação de Adão, de Michelangelo, como imagem de conteúdo, e um autorretrato de Vincent van Gogh, representando o pós-impressionismo, como imagem de estilo. Os resultados obtidos demonstram a capacidade do modelo de preservar o conteúdo estrutural da obra de Michelangelo enquanto incorpora elementos estilísticos característicos de Van Gogh, como pinceladas expressivas, texturas e paleta de cores vibrantes. Essa fusão evidencia o potencial da técnica para aplicações em arte digital, design gráfico e processamento criativo de imagens. O trabalho contribui para o entendimento da implementação de sistemas de transferência de estilo neural e suas potenciais aplicações em contextos criativos e comerciais.
Downloads
Referências
ABADI, M. et al. TensorFlow: Large-scale machine learning on heterogeneous systems. Software available from tensorflow.org, 2016. Disponível em: https://www.tensorflow.org/. Acesso em: 10 set. 2025.
CHEN, D.; SCHMIDT, M. Fast patch-based style transfer of arbitrary style. arXiv preprint arXiv:1612.04337, 2016. Disponível em: https://arxiv.org/abs/1612.04337. Acesso em: 8 set. 2025.
CROWLEY, Elliot; ZISSERMAN, Andrew. Of gods and goats: Weakly supervised learning of figurative art. 2013.
DUMOULIN, V.; SHLENS, J.; KUDLUR, M. A learned representation for artistic style. arXiv preprint arXiv:1610.07629, 2017. Disponível em: https://arxiv.org/abs/1610.07629. Acesso em: 7 set. 2025.
ELGAMMAL, A. et al. CAN: Creative adversarial networks, generating "art" by learning about styles and deviating from style norms. Proceedings of the 8th International Conference on Computational Creativity, 2017, p. 126-133. Disponível em: https://arxiv.org/abs/1706.07068. Acesso em: 8 set. 2025.
ELKINS, J. Visual studies: A skeptical introduction. New York: Routledge, 2001. 278 p.
GATYS, L. A.; ECKER, A. S.; BETHGE, M. A neural algorithm of artistic style. arXiv preprint arXiv:1508.06576, 2015. Disponível em: https://arxiv.org/abs/1508.06576. Acesso em: 5 set. 2025.
GATYS, L. A.; ECKER, A. S.; BETHGE, M. Image style transfer using convolutional neural networks. In: Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, p. 2414-2423. DOI: 10.1109/CVPR.2016.265. Acesso em: 5 set. 2025.
JING, Y. et al. Neural style transfer: A review. IEEE transactions on visualization and computer graphics, v. 26, n. 11, p. 3365-3385, 2020. DOI: 10.1109/TVCG.2019.2921336. Acesso em: 6 set. 2025.
JOHNSON, J.; ALAHI, A.; FEI-FEI, L. Perceptual losses for real-time style transfer and super-resolution. In: European conference on computer vision. Springer, 2016, p. 694-711. DOI: 10.1007/978-3-319-46475-6_43. Acesso em: 6 set. 2025.
KLEINER, F. S. Gardner's art through the ages: A global history. 16th ed. Boston: Cengage Learning, 2020. 1152 p.
LI, C.; WAND, M. Combining markov random fields and convolutional neural networks for image synthesis. In: Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, p. 2479-2486. DOI: 10.1109/CVPR.2016.272. Acesso em: 7 set. 2025.
LUAN, F. et al. Deep photo style transfer. In: Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, p. 4990-4998. DOI: 10.1109/CVPR.2017.740. Acesso em: 8 set. 2025.
NAIFEH, S.; SMITH, G. W. Van Gogh: The life. New York: Random House, 2011. 976 p.
SANAKOYEU, A. et al. A style-aware content loss for real-time HD style transfer. In: Proceedings of the European Conference on Computer Vision (ECCV), 2018, p. 698-714. DOI: 10.1007/978-3-030-01237-3_43. Acesso em: 9 set. 2025.
ULYANOV, D. et al. Improved texture networks: Maximizing quality and diversity in feed-forward stylization and texture synthesis. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017, p. 6924-6932. DOI: 10.1109/CVPR.2017.437. Acesso em: 8 set. 2025.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Tudo é Ciência: Congresso Brasileiro de Ciências e Saberes Multidisciplinares
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
