EXPLORANDO A GERAÇÃO DE IMAGENS SINTÉTICAS ATRAVÉS DE OPERAÇÕES COM VETORES LATENTES DE UMA REDE NEURAL ADVERSARIAL GENERATIVA (GAN).
Aprendizado de Máquina, Redes Neurais Artificiais, GAN, Espaço latente e Processamento de imagens.
A geração de imagens sintéticas é um campo de crescente interesse na interseção entre inteligência artificial e processamento de imagens, destaca-se pela utilização das redes adversárias generativas (em inglês, Generative Adversarial Networks, ou GAN). Essa arquitetura, pioneiramente descrita no artigo "Generative Adversarial Networks" de Goodfellow et al. (2014), revolucionou a previsão generativa ao treinar duas redes neurais em conjunto: uma geradora e outra discriminadora. Enquanto o gerador cria dados sintéticos a partir de uma entrada aleatória, o discriminador busca distinguir entre amostras reais e sintéticas. Ao longo dos anos, surgiram diversas variações de GAN, como as condicionais (CGAN) e as de Wasserstein (WGAN), cada uma com suas características e propósitos específicos. O texto também explora a Deep Convolutional Generative Adversarial Network (DCGAN), introduzida em 2016, que utiliza arquiteturas de redes neurais convolucionais profundas para melhorar a qualidade da geração de imagens. A motivação para este estudo reside na busca por compreender e utilizar as capacidades das GAN na manipulação de espaços latentes para a geração de imagens personalizadas em determinadas aplicações. Os objetivos desta dissertação incluem avaliar diferentes tipos de GAN, desenvolver modelos de redes neurais adversariais generativas de imagens, explorar o espaço latente, realizar operações nos espaços latentes das GAN, avaliar o custo-benefício dos modelos e implantar os melhores modelos em um cenário específico.