Separar e Remontar: IA generativa através das lentes das histórias da arte e da mídia
DOI:
https://doi.org/10.11606/issn.1982-8160.v18i2p7-18Palavras-chave:
computação gráfica, Geração de imagens por IA, IA generativa, mídia digital, redes neuraisResumo
A geração de imagens por IA representa uma evolução lógica dos primeiros algoritmos de mídia digital, começando com programas básicos de pintura na década de 1970 e avançando para sofisticados gráficos 3D e softwares de criação de mídia na década de 1990. Os primeiros algoritmos tinham dificuldade para simular materiais e efeitos, mas os avanços nas décadas de 1970 e 1980 levaram a simulações realistas de fenômenos naturais e técnicas artísticas. A IA generativa continua essa tendência, usando redes neurais para combinar e interpolar padrões visuais de conjuntos de dados extensos. Esse método de criação de mídia digital ressalta a natureza modular e distinta das imagens geradas por computador, distinguindo-as da mídia óptica tradicional.
Downloads
Referências
ACM SIGGRAPH. (2022). SIGGRAPH ‘22: ACM SIGGRAPH 2022 Conference Proceedings.
Barla, N. (2024, May 14). How to visualize deep learning models. Neptune.ai. https://neptune.ai/blog/deep-learning-visualization.
Bokov, A. (2014). VKhUTEMAS training. Pavilion of the Russian Federation at the 14th International Architecture Exhibition.
Bokov, A. (2021). Avant-garde as method: Vkhutemas and the pedagogy of space, 1920-1930. Park Books.
Corel Painter. (2024, July 5). In Wikipedia. https://en.wikipedia.org/wiki/Corel_Painter.
Manovich, L. (1992). Assembling reality: Myths of computer graphics. Afterimage, 20(2), 12-14.
Manovich, L. (2002). The language of new media. MIT press.
Manovich, L. (2013). Software takes command. Bloomsbury Academic.
Manovich, L. (2018). AI aesthetics. Strelka Press.
Mitchell, W. J. (1996). City of bits: Space, place, and the Infobahn. MIT press.
Olah, C., Mordvintsev, A., & Schubert, L. (2017, November 7). Feature visualization: How neural networks build up their understanding of images. Distill. https://doi.org/10.23915/distill.00007.
Podell, D., English, Z., Lacey, K., Blattmann, A., Dockhorn, T., Müller, J., Penna, J., & Rombach, R. (2023). SDXL: Improving latent diffusion models for high-resolution image synthesis. arXiv. https://arxiv.org/abs/2307.01952.
Smith, A. R. (2001). Digital paint systems: An anecdotal and historical overview. IEEE Annals of the History of Computing, 23(2), 4-30. https://doi.org/10.1109/85.929908.
Smith, A. R. (2021). A biography of the pixel. MIT Press.
Vkhutemas. (2020, June 25). Main course. https://www.vkhutemas.ru/en/structure-eng/faculties-eng/main-course/
Downloads
Publicado
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution (CC BY-NC-SA 4.0) que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista para fins não comerciais.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
