fluxpediawork/blob-portrait

Portrait en taches : descente de gradient pour une photo

Peint une photo avec des taches gaussiennes 2D. On part de 1 500 taches aléatoires, et à chaque étape on les rend, on mesure l'erreur par rapport à la photo (L1 + SSIM), et on déplace chaque tache un peu pour la réduire (Adam). De nouvelles petites taches apparaissent là où l'erreur est la plus élevée. Aucun générateur d'image n'est impliqué : l'image est apprise.

Étapes

1. Obtenez la photo. Utilisez le fichier joint. Notez la position du sujet pour pouvoir définir --focus (la zone qui reçoit l'entraînement le plus rapproché, généralement le visage).

2. Installation. Python 3.10+.

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

   Si l'index PyTorch est bloqué, un simple pip install torch depuis PyPI fonctionne.

3. Choisissez un préréglage selon le matériel et le temps disponible :

   préréglage	étapes	max taches	CPU 2 cœurs	GPU
   quick	300	15 000	~8 min	~1 min
   default	1 600	45 000	~35 min	~5 min
   full	6 000	100 000	des heures	~20-40 min

   Sur un CPU, exécutez default en arrière-plan et consultez le journal ; ne le bloquez pas.

4. Exécution.

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

   • --aspect recadre en w:h autour du centre (none conserve la forme propre de la photo).
   • --focus cx,cy,w,h est en 0-1 de l'image recadrée. Pour un selfie centré, 0.5,0.4,0.45,0.5 couvre le visage.
   • --steps / --blobs remplacent le préréglage.
   • Le périphérique est choisi automatiquement : CUDA, puis Apple MPS, puis CPU.

5. Vérifiez le résultat avant de le livrer. Ouvrez compare.jpg et zoom.jpg et regardez-les. stats.json contient le PSNR : autour de 28-30 dB donne une ressemblance douce (rapide), 38 dB+ est difficile à distinguer à taille normale. Si le visage est flou, relancez avec plus d'étapes ou déplacez --focus sur le visage.

6. Livrez. Envoyez compare.jpg, render.png et training.gif. Dites combien de taches et d'étapes, le PSNR, et que cela a été entraîné, non généré.

Sorties

fichier	description
render.png	la peinture en taches à la taille ajustée complète
compare.jpg	photo réelle à côté de la version codée
zoom.jpg	preuve agrandie autour des yeux
training.gif	bruit vers image, une image par jalon
blobs.npz	chaque tache : position, échelle, angle, couleur, force (pour re-rendu ou animation)
stats.json	étapes, nombre de taches, PSNR, secondes, périphérique

Limites honnêtes

• Il copie une seule photo. Il ne peut pas inventer une nouvelle vue ou un nouveau visage.
• La qualité dépend du nombre d'étapes : les courtes exécutions CPU donnent des résultats doux ; le grain fin de la peau nécessite le préréglage full.
• La couleur d'arrière-plan est prise des bords de la photo, donc les taches n'ont besoin de peindre que ce qui en diffère.