blobportrait: gradiente descendente para una foto

Blob portrait: gradiente descendente para una foto

Pinta una foto con manchas gaussianas 2D. Comienza con 1.500 manchas aleatorias y, en cada paso, las renderiza, mide el error contra la foto (L1 + SSIM) y mueve cada mancha un poco para reducirlo (Adam). Nuevas manchas pequeñas aparecen donde el error es más alto. No interviene ningún generador de imágenes: la imagen se aprende.

Pasos

1. Obtén la foto. Usa el archivo adjunto. Anota la posición del sujeto para poder ajustar --focus (el área que recibe el entrenamiento más cercano, normalmente el rostro).

2. Instala. Python 3.10+.

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

   Si el índice de PyTorch está bloqueado, funciona pip install torch desde PyPI.

3. Elige un preset según el hardware y el tiempo disponible:

   preset	pasos	máx. manchas	CPU de 2 núcleos	GPU
   quick	300	15.000	~8 min	~1 min
   default	1.600	45.000	~35 min	~5 min
   full	6.000	100.000	horas	~20-40 min

   En CPU, ejecuta default en segundo plano y consulta el registro; no lo bloquees.

4. Ejecuta.

   python scripts/blobfit.py photo.jpg --out result/ --preset default \
       --aspect 4:5 --focus 0.5,0.4,0.45,0.5
   

   • --aspect recorta a w:h alrededor del centro (none mantiene la forma original de la foto).
   • --focus cx,cy,w,h está en proporciones 0-1 de la imagen recortada. Para un selfie centrado, 0.5,0.4,0.45,0.5 cubre el rostro.
   • --steps / --blobs anulan el preset.
   • El dispositivo se elige automáticamente: CUDA, luego Apple MPS, luego CPU.

5. Revisa el resultado antes de entregarlo. Abre compare.jpg y zoom.jpg y míralos. stats.json tiene el PSNR: alrededor de 28-30 dB es un parecido suave (quick), 38 dB+ es difícil de distinguir a tamaño normal. Si el rostro es difuso, vuelve a ejecutar con más pasos o mueve --focus hacia el rostro.

6. Entrega. Envía compare.jpg, render.png y training.gif. Indica cuántas manchas y pasos, el PSNR y que fue entrenado, no generado.

Salidas

archivo	qué es
render.png	la pintura de manchas en su tamaño ajustado completo
compare.jpg	foto real junto a la versión con código
zoom.jpg	prueba de zoom alrededor de los ojos
training.gif	de ruido a imagen, un fotograma por hito
blobs.npz	cada mancha: posición, escala, ángulo, color, intensidad (para volver a renderizar o animar)
stats.json	pasos, número de manchas, PSNR, segundos, dispositivo

Límites honestos

• Copia una sola foto. No puede inventar una nueva vista o un nuevo rostro.
• La calidad depende de los pasos: las ejecuciones cortas en CPU producen resultados suaves; el grano fino de la piel necesita el preset full.
• El color de fondo se toma de los bordes de la foto, por lo que las manchas solo necesitan pintar lo que difiere de él.