fluxpediawork/blob-portrait

Retrato de manchas: descida de gradiente para uma foto

Pinta uma foto com manchas Gaussianas 2D. Começa com 1.500 manchas aleatórias e, a cada etapa, renderiza-as, mede o erro em relação à foto (L1 + SSIM) e move cada mancha um pouco para reduzir esse erro (Adam). Novas manchas minúsculas surgem onde o erro é maior. Nenhum gerador de imagens está envolvido: a imagem é aprendida.

Etapas

1. Obter a foto. Use o arquivo anexado. Anote a posição do assunto para definir --focus (a área que recebe o treinamento mais detalhado, geralmente o rosto).

2. Instalar. Python 3.10+.

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

   Se o índice do PyTorch estiver bloqueado, pip install torch simples a partir do PyPI funciona.

3. Escolher um preset com base no hardware e tempo disponível:

   preset	etapas	max manchas	CPU 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

   Em uma CPU, execute default em segundo plano e consulte o log; não bloqueie nele.

4. Executar.

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

   • --aspect corta para w:h em torno do centro (none mantém a forma original da foto).
   • --focus cx,cy,w,h está em 0-1 da imagem cortada. Para uma selfie centralizada, 0.5,0.4,0.45,0.5 cobre o rosto.
   • --steps / --blobs substituem o preset.
   • O dispositivo é selecionado automaticamente: CUDA, depois Apple MPS, depois CPU.

5. Verificar o resultado antes de entregar. Abra compare.jpg e zoom.jpg e observe-os. stats.json tem o PSNR: cerca de 28-30 dB é uma semelhança suave (quick), 38 dB+ é difícil distinguir em tamanho normal. Se o rosto estiver suave, execute novamente com mais etapas ou mova --focus para o rosto.

6. Entregar. Envie compare.jpg, render.png e training.gif. Diga quantas manchas e etapas, o PSNR, e que foi treinado, não gerado.

Saídas

arquivo	o que é
render.png	a pintura de manchas no tamanho completo ajustado
compare.jpg	foto real ao lado da versão em código
zoom.jpg	prova de close-up em torno dos olhos
training.gif	ruído para imagem, um quadro por marco
blobs.npz	cada mancha: posição, escala, ângulo, cor, intensidade (para re-renderização ou animação)
stats.json	etapas, contagem de manchas, PSNR, segundos, dispositivo

Limitações honestas

• Ele copia uma foto. Não pode inventar uma nova visão ou um novo rosto.
• A qualidade depende das etapas: execuções curtas em CPU resultam em imagens suaves; grão fino da pele precisa do preset full.
• A cor de fundo é extraída das bordas da foto, assim as manchas só precisam pintar o que difere dela.