Visão Geral

Este urso PyTorch para Computação Gráfica e Redes Neurais Generativas, explora o uso de PyTorch para desenvolver e implementar redes neurais generativas aplicadas à computação gráfica. Os alunos aprenderão a criar modelos avançados, como Redes Gerativas Adversárias (GANs), Variação de Autoencoders (VAEs) e outras técnicas modernas que geram imagens, vídeos e conteúdo visual. O curso combina teoria de redes generativas com aplicações práticas, proporcionando uma base sólida para a criação de projetos de IA voltados para gráficos e artes visuais.

Objetivo

Após realizar este Curso PyTorch para Computação Gráfica e Redes Neurais Generativas, você será capaz de:

• Desenvolver e implementar modelos de redes generativas com PyTorch.
• Gerar imagens, vídeos e conteúdo gráfico usando GANs e VAEs.
• Aplicar redes neurais para manipulação e criação automática de conteúdo visual.
• Explorar técnicas modernas de aprendizado profundo para aplicações em arte digital e computação gráfica.

Publico Alvo

• Engenheiros de machine learning e desenvolvedores interessados em IA aplicada à computação gráfica.
• Pesquisadores e cientistas de dados que desejam explorar redes neurais generativas.
• Profissionais das áreas de design gráfico, animação e artes digitais interessados em automação criativa.

Pre-Requisitos

• Engenheiros de machine learning e desenvolvedores interessados em IA aplicada à computação gráfica.
• Pesquisadores e cientistas de dados que desejam explorar redes neurais generativas.
• Profissionais das áreas de design gráfico, animação e artes digitais interessados em automação criativa.

Informações Gerais

• Curso ao vivo via Microsoft Teams com um instrutor/consultor ativo no mercado.
• Curso prático com desenvolvimento de projetos voltados à computação gráfica.
• Laboratório individual disponível para cada aluno.
• Apostilas e materiais suplementares focados em IA aplicada à computação gráfica.
• Método de ensino que combina teoria e prática, com forte foco em criatividade e inovação.

Materiais

Conteúdo Programatico

Introdução à Computação Gráfica com PyTorch

1. Fundamentos de computação gráfica aplicada à IA.
2. PyTorch como ferramenta para manipulação de dados gráficos.
3. Conceitos fundamentais de redes neurais generativas.
4. Visão geral das arquiteturas de GANs e VAEs.

Redes Gerativas Adversárias (GANs)

1. Introdução às GANs: Funcionamento e aplicações.
2. Arquitetura de GANs: Gerador e Discriminador.
3. Tipos de GANs: DCGAN, Conditional GANs, StyleGAN.
4. Treinamento de GANs com PyTorch: Estabilidade e convergência.
5. Projeto prático: Construindo e treinando uma GAN para geração de imagens.

Variação de Autoencoders (VAEs)

1. Conceitos de autoencoders e variação de autoencoders.
2. Arquitetura de VAEs: Codificador e decodificador.
3. Amostragem de distribuições latentes.
4. Implementação de VAEs para geração de conteúdo gráfico com PyTorch.
5. Projeto prático: Geração de imagens com VAEs.

Transformações de Estilo e Transferência Neural

1. Introdução à transferência de estilo neural.
2. Implementação de transformações de estilo com PyTorch.
3. Utilizando redes convolucionais para criar arte a partir de IA.
4. Projeto prático: Transferência de estilo para criação de obras de arte digitais.

GANs Condicionais e Criação Controlada de Imagens

1. GANs condicionais: Geração de imagens controladas por rótulos.
2. Técnicas para controle e manipulação da saída de GANs.
3. Aplicações de GANs condicionais em arte digital e computação gráfica.
4. Projeto prático: Desenvolvimento de uma GAN condicional para geração de imagens personalizadas.

StyleGAN e Geração de Imagens de Alta Qualidade

1. Arquitetura StyleGAN: Gerenciamento de atributos e controle de estilo.
2. Técnicas avançadas de geração de imagens fotorrealistas.
3. Manipulação de espaço latente em StyleGAN.
4. Implementação prática: Gerando imagens de alta qualidade com StyleGAN em PyTorch.

DeepDream e Visualização de Redes Neurais

1. Introdução ao DeepDream: Manipulação de redes convolucionais para criar imagens psicodélicas.
2. Implementação do DeepDream em PyTorch.
3. Aplicações de DeepDream para visualização de padrões aprendidos por redes neurais.
4. Projeto prático: Criação de imagens artísticas com DeepDream.

Super-Resolução e Melhoria de Imagens com Redes Neurais

1. Conceitos de super-resolução de imagens com redes neurais.
2. Redes GANs para melhoria de qualidade de imagens (SRGAN).
3. Implementação de modelos de super-resolução com PyTorch.
4. Projeto prático: Implementação de um modelo de super-resolução para aprimorar imagens de baixa resolução.

Geração de Vídeo com Redes Neurais Generativas

1. Extensão de GANs para geração de vídeos.
2. Técnicas para modelagem de sequências temporais em PyTorch.
3. Aplicações em animação e geração de conteúdo audiovisual.
4. Projeto prático: Criando um vídeo gerado por IA com GANs.

Manipulação e Modificação de Imagens com Redes Generativas

1. Edição de imagens com redes neurais generativas.
2. Uso de GANs para manipulação facial e modificações de objetos em imagens.
3. Projeto prático: Aplicação de técnicas de modificação de imagem com GANs.

Redes Neurais para Gráficos 3D e Modelagem de Superfícies

1. Introdução a gráficos 3D com redes neurais.
2. Gerenciamento de malhas e superfícies 3D.
3. Aplicação de técnicas de aprendizado profundo para modelagem 3D.
4. Projeto prático: Criação de um modelo 3D com PyTorch.

Técnicas Avançadas de GANs e Aplicações Criativas

1. GANs progressivas e geração incremental de imagens.
2. Combinações de VAEs e GANs para maior controle sobre a geração.
3. Discussão sobre as fronteiras de pesquisa em redes neurais generativas e computação gráfica.
4. Projeto final: Desenvolvendo um projeto criativo utilizando técnicas avançadas de GANs e computação gráfica.