Geração de Imagens Aleatórias por meio de Algoritmos Computacionais

Juliano Bitencourt Padilha; Lisandra Kittel Ries; Anésio Felipe Zeitune; Ricardo Luiz Alves

doi:10.1000/riec.v7i1.339

Autores

Juliano Bitencourt Padilha Instituto Federal de Educação, Ciência e Tecnologia de Santa Catarina (IFSC)
Lisandra Kittel Ries Instituto Federal de Educação, Ciência e Tecnologia de Santa Catarina (IFSC)
Anésio Felipe Zeitune Instituto Federal de Educação, Ciência e Tecnologia de Santa Catarina (IFSC)
Ricardo Luiz Alves Instituto Federal de Educação, Ciência e Tecnologia de Santa Catarina (IFSC)

DOI:

https://doi.org/10.1000/riec.v7i1.339

Resumo

Este trabalho explora a geração de imagens aleatórias por meio de algoritmos computacionais. A capacidade de gerar imagens aleatórias é um recurso valioso em campos diversos como arte digital, segurança de dados e reconhecimento de padrões, com implicações que vão desde a expressão criativa até a segurança cibernética. Nesse contexto, este trabalho descreve minuciosamente as etapas envolvidas na criação de imagens aleatórias, detalhando o funcionamento de três algoritmos desenvolvidos especificamente para esse fim. Esses algoritmos incorporam decisões aleatórias em diferentes estágios do processo de geração, proporcionando uma ampla gama de resultados únicos e imprevisíveis. Por fim, os resultados obtidos a partir da execução desses algoritmos são apresentados. Em suma, este estudo exemplifica a capacidade de geração de imagens aleatórias por meio da computação.

Palavras-chave: Processo de geração de imagens; Algoritmos de decisão aleatória; Aplicações de imagens aleatórias.

Referências

CHAPMAN, S. J. Programação em Matlab para Engenheiros. Tradução da 5ª edição norte-americana. Tradução: Noveritis do Brasil. Revisão técnica: Flávio Soares Corrêa da Silva. São Paulo, SP: Cengage Learning, 2016.

DOSOVITSKIY, A.; BROX, T., Generating Images with Perceptual Similarity Metrics based on Deep Networks. 2016. Disponível em: <https://doi.org/10.48550/arXiv.1602.02644>. Acesso em: 01 nov. 2023.

ELGAMMAL, A. et al., CAN: Creative Adversarial Networks, Generating "Art" by Learning About Styles and Deviating from Style Norms. 2017. Disponível em: <https://doi.org/10.48550/arXiv.1706.07068>. Acesso em: 31 out. 2023.

GATYS, L. A. et al., A Neural Algorithm of Artistic Style. 2015. Disponível em: <https://doi.org/10.48550/arXiv.1508.06576>. Acesso em: 31 out. 2023.

GATYS, L. A. et al., Texture Synthesis Using Convolutional Neural Networks. 2015. Disponível em: < https://doi.org/10.48550/arXiv.1505.07376>. Acesso em: 31 out. 2023.

GROBEL, M. C. B. et al., Da comunicação visual pré-histórica ao desenvolvimento da linguagem escrita, e, a evolução da autenticidade documentoscópica. Revista Acadêmica Oswaldo Cruz, ano 1, n. 1, 2014.

MORDVINTSEV A., DeepDream – a code example for visualizing Neural Networks. 2015. Disponível em: <https://blog.research.google/2015/07/deepdream-code-example-for-visualizing.html?m=1>. Acesso em: 01 nov. 2023.

PEREIRA, T. et al., Um bestiário pré-histórico? A pré-história através das pinturas rupestres. Revista de História da Arte e Arqueologia, n. 21: 28–51, 2014.

RADFORD, A. et al., Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. 2016. Disponível em: <https://doi.org/10.48550/arXiv.1511.06434>. Acesso em: 01 nov. 2023.

RAHE, N., Coleção Folha Grandes Pintores reúne obras essenciais da arte mundial. Jornal Folha de São Paulo, 6 mai. 2022.

VALLE, M. et al., A transformação do mundo pela escrita. Revista ComCiência, n. 113, 2009.