Blob-Porträt

Blob-Porträt: Gradientenabstieg für ein Foto

Malt ein Foto mit 2D-Gaußschen Blobs. Es startet mit 1.500 zufälligen Blobs, rendert sie bei jedem Schritt, misst den Fehler im Vergleich zum Foto (L1 + SSIM) und bewegt jeden Blob ein wenig, um den Fehler zu reduzieren (Adam). Neue winzige Blobs entstehen dort, wo der Fehler am größten ist. Es ist kein Bildgenerator beteiligt: Das Bild wird gelernt.

Schritte

1. Foto holen. Verwende die beigefügte Datei. Notiere die Position des Motivs, um --focus setzen zu können (der Bereich, der das meiste Nah-Training erhält, normalerweise das Gesicht).

2. Installation. Python 3.10+.

   pip install -r requirements.txt   # torch, numpy, pillow
   

   Falls der PyTorch-Index blockiert ist, funktioniert auch einfaches pip install torch von PyPI.

3. Wähle ein Preset je nach verfügbarer Hardware und Zeit:

   Preset	Schritte	max. Blobs	2-Kern CPU	GPU
   quick	300	15.000	~8 Min	~1 Min
   default	1.600	45.000	~35 Min	~5 Min
   full	6.000	100.000	Stunden	~20-40 Min

   Auf einer CPU führe default im Hintergrund aus und überwache das Log; blockiere nicht darauf.

4. Ausführen.

   python scripts/blobfit.py photo.jpg --out result/ --preset default \
       --aspect 4:5 --focus 0,5,0,4,0,45,0,5
   

   • --aspect schneidet auf w:h um die Mitte zu („none“ behält die eigene Form des Fotos).
   • --focus cx,cy,w,h ist in 0-1 des zugeschnittenen Bildes. Für ein zentriertes Selfie deckt 0,5,0,4,0,45,0,5 das Gesicht ab.
   • --steps / --blobs überschreiben das Preset.
   • Das Gerät wird automatisch erkannt: CUDA, dann Apple MPS, dann CPU.

5. Überprüfe das Ergebnis vor der Auslieferung. Öffne compare.jpg und zoom.jpg und betrachte sie. stats.json enthält den PSNR: etwa 28-30 dB ist eine weiche Ähnlichkeit (quick), 38 dB+ ist bei normaler Größe kaum zu unterscheiden. Wenn das Gesicht unscharf ist, starte erneut mit mehr Schritten oder verschiebe --focus auf das Gesicht.

6. Ausliefern. Sende compare.jpg, render.png und training.gif. Sage, wie viele Blobs und Schritte, den PSNR und dass es trainiert, nicht generiert wurde.

Ausgaben

Datei	Beschreibung
render.png	das Blob-Gemälde in voller angepasster Größe
compare.jpg	echtes Foto neben der Code-Version
zoom.jpg	Nahaufnahme-Beweis um die Augen
training.gif	Rauschen zum Bild, ein Frame pro Meilenstein
blobs.npz	jeder Blob: Position, Skalierung, Winkel, Farbe, Stärke (zum erneuten Rendern oder für Animationen)
stats.json	Schritte, Blob-Anzahl, PSNR, Sekunden, Gerät

Ehrliche Grenzen

• Es kopiert ein Foto. Es kann keine neue Ansicht oder ein neues Gesicht erfinden.
• Die Qualität hängt von den Schritten ab: kurze CPU-Läufe werden unscharf; feine Hautkörnung benötigt das Preset full.
• Die Hintergrundfarbe wird von den Rändern des Fotos übernommen, sodass Blobs nur malen müssen, was sich davon unterscheidet.