Tekoälyn kangastuksia kuvataiteeseen
s. 9
Arthur I. Miller, The Artist in the Machine, The World of AI-Powered Creativity, MIT Press, 2019
s. 23
Artbreeder, https://www.artbreeder.com
Tyylimuunnos
s. 29
Leon A. Gatys, Alexander S. Ecker, Matthias Bethge, A Neural Algorithm of Artistic Style
https://arxiv.org/abs/1508.06576
Justin Johnson, neural-style
https://github.com/jcjohnson/neural-style
Tämä oli ensimmäinen tyylimuunnoksen ohjelmistototeutus ja se sai valtavasti huomiota. Perehdyin itse siihen läpikotaisin ja tein siihen paljon muutoksia ja erilaisia kokeiluja. Tänä päivänä on parempi käyttää uudempia toteutuksia joita löytyy vaikka kuinka.
s. 30
VGG19, Very Deep Convolutional Networks for Large-Scale Image Recognition
https://arxiv.org/abs/1409.1556
s. 35
Justin Johnson, fast-neural-style
https://github.com/jcjohnson/fast-neural-style
s. 36
Nopeaan tyylimuunnokseen perustuvista appeista tunnetuin lienee ollut Prisma.
https://en.wikipedia.org/wiki/Prisma_(app)
s. 37
places365
Convolutional neural networks (CNNs) trained on the Places2 Database can be used for scene recognition as well as generic deep scene features for visual recognition.
http://places2.csail.mit.edu/download.html
p. 41
pix2pix,
Image-to-Image Translation with Conditional Adversarial Nets
https://phillipi.github.io/pix2pix/
s. 52
cycleGAN
Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
https://junyanz.github.io/CycleGAN/
s. 69
GAN-periaate esiteltiin ensimmäiseksi tässä paperissa 2014.
Ian Goodfellow et al, Generative Adversarial Nets
https://arxiv.org/pdf/1406.2661.pdf
Tänä päivänä netistä löytyy valtavasti yleistajuisia artikkeleita, jotka katsovat asiaa eri näkökulmista yksinkertaistaen.
s. 75
BigGAN
Brock, Donahue, Simonyan: Large scale GAN training for high fidelity natural image synthesis
https://arxiv.org/pdf/1809.11096.pdf
Artbreeder, https://www.artbreeder.com
s. 81
VQGAN
https://compvis.github.io/taming-transformers/
s. 87
CLIP
https://openai.com/blog/clip/
CLIP + BigGAN (colab) ”The Big Sleep”
https://colab.research.google.com/drive/1NCceX2mbiKOSlAd_o7IU7nA9UskKN5WR?usp=sharing
CLIP + FFT (colab) ”Aphantasia”
https://colab.research.google.com/github/eps696/aphantasia/blob/master/Aphantasia.ipynb
CLIP + SIREN (colab)
https://colab.research.google.com/drive/1FoHdqoqKntliaQKnMoNs3yn5EALqWtvP?usp=sharing
CLIP + VQGAN (colab)
https://colab.research.google.com/drive/15UwYDsnNeldJFHJ9NdgYBYeo6xPmSelP
s. 99
Diffuusio
Dharival, Nichol: Diffusion models beat GANs on image synthesis
https://arxiv.org/pdf/2105.05233.pdf
Colab https://colab.research.google.com/drive/12a_Wrfi2_gwwAuN3VvMTwVMz9TfqctNj
s. 106
SIREN https://www.vincentsitzmann.com/siren/
Katso myös Neurokuvatreenit, harj 4