Arte Através dos Ângulos: A Magia das Formas de Nó
Descubra como nós 3D criam arte que muda com a perspectiva.
― 7 min ler
Índice
Criar arte que parece diferente dependendo de onde você a vê pode ser bem empolgante. Esse tipo de arte, conhecido como "arte perceptual inversa", tem o objetivo de fazer formas que parecem significativas só de ângulos específicos, enquanto parecem aleatórias de outros. Este artigo discute um método para gerar essa arte usando estruturas 3D que se parecem com tubos ou nós. Ao encontrar o arranjo certo desses nós, conseguimos obter o efeito visual desejado quando olhamos de um ponto específico.
A Ideia Básica
O objetivo é achar uma forma 3D que combine com uma imagem alvo quando vista de um lugar específico. Pense num artista que quer projetar uma sombra que se pareça com uma silhueta específica. O desafio é descobrir a estrutura 3D certa para conseguir esse truque visual.
Quando a luz incide sobre a forma 3D, ela cria uma sombra em uma superfície próxima. O artista quer que a sombra se pareça com a imagem alvo pretendida. Em outra situação, o ângulo de visão também conta, onde um espectador fica em um ponto certo para ver uma imagem específica. O método discutido aqui foca em como criar um tubo em forma de nó que possa atender a essas necessidades artísticas.
Como Funciona
Para alcançar o resultado desejado, começamos projetando um processo que ajude a renderizar esses nós tubulares de um jeito que fique fiel à imagem pretendida. O primeiro passo é usar uma técnica chamada "Renderização Diferenciável", que nos permite criar imagens a partir de modelos 3D com diferentes ângulos de câmera.
Representamos esses nós usando um tipo de rede neural que pode mudar de forma enquanto garante que a estrutura continue utilizável quando construída no mundo real. O sistema é projetado para calcular diferentes formas e garantir que elas atendam às regras físicas necessárias, como não se cruzar.
A Metodologia
Criando o Design do Nó
Os nós com que trabalhamos não são apenas curvas quaisquer; são laços fechados que podem ser torcidos e girados no espaço. Para nossa abordagem, começamos com uma estrutura de nó simples, como um círculo ou um laço. Depois, modificamos essa forma para nos aproximarmos da imagem alvo que queremos alcançar.
Representamos essas modificações usando uma rede neural. Essa rede nos permite ajustar a forma do nó enquanto mantemos propriedades importantes, como evitar o cruzamento.
Renderizando o Nó
Depois de ter a forma do nó, precisamos visualizá-lo corretamente. Projetamos dois métodos de renderização para mostrar como o nó pareceria de um ponto escolhido. Um método aproxima a forma usando elipses, enquanto o outro cria uma renderização mais precisa usando formas cilíndricas.
Ambos os métodos oferecem opções dependendo de quão detalhados ou rápidos precisamos que os resultados sejam. O objetivo é garantir que, quando olhamos para essa estrutura de nó do ângulo correto, ela apresente a imagem desejada.
As Funções de Perda
Para guiar o processo de encontrar a forma certa do nó, usamos o que chamamos de funções de perda. Essas funções nos ajudam a determinar quão longe nosso design atual do nó está da imagem alvo.
Perda de Imagem
Esse é o fator principal na nossa otimização. Ela mede quão de perto a imagem renderizada corresponde à imagem alvo. O objetivo é minimizar essa perda para que as duas imagens se tornem o mais semelhantes possível.
Perda de Comprimento
Como o custo do material se relaciona diretamente com o comprimento do nó, queremos controlar o comprimento total. Essa função penaliza designs que ultrapassam um certo comprimento, garantindo que a estrutura final seja econômica em termos de uso de material.
Perda de Mobiús
Mesmo que nossos nós sejam projetados para evitar o cruzamento matematicamente, os tubos renderizados ainda podem se cruzar. A perda de Mobiús verifica esses conflitos e penaliza-os, garantindo que a peça final permaneça fisicamente válida.
Perda de Ocupação
Em muitas situações práticas, existem restrições sobre onde a arte pode ser colocada. A perda de ocupação garante que o nó permaneça dentro de uma região específica, o que pode ajudar a torná-lo adequado para o ambiente pretendido.
Perda de Curvatura
Materiais diferentes têm níveis de flexibilidade variados. A função de perda de curvatura garante que o nó não exceda a curvatura máxima permitida, para que mantenha a integridade estrutural quando construído.
Perda de Esqueleto
Essa perda foca em manter uma representação simplificada do nó na forma de uma estrutura esquelética. Isso ajuda a guiar o processo de otimização para garantir que a forma final atenda às expectativas artísticas.
Testando o Método
Para avaliar nossa abordagem, fizemos vários testes usando imagens de complexidade variável. Em cada cenário, ajustamos a forma do nó e observamos quão bem as renderizações resultantes correspondiam às imagens alvo.
Um Espectador, Um Nó
Nesse cenário, focamos em uma única imagem alvo para encontrar o arranjo perfeito de um nó visto de um local específico. Isso nos deu uma clara compreensão de quão bem nosso método poderia aproximar a silhueta alvo.
Um Espectador, Vários Nós
Enquanto mantivemos o espectador fixo, experimentamos com vários nós. O objetivo era ver como diferentes configurações de nós poderiam ainda resultar em uma imagem semelhante quando vistas do mesmo ângulo. Isso testou a flexibilidade do nosso método.
Vários Espectadores, Um Nó
Aqui, introduzimos vários pontos de vista e trabalhamos para criar um único nó que correspondesse a diferentes imagens alvo para cada visão. Esse cenário nos ajudou a avaliar quão bem o nó poderia ser otimizado para diversas perspectivas ao mesmo tempo.
Sequências Temporais
Em um teste mais avançado, examinamos como criar uma série de formas de nó que mudavam ao longo do tempo. Dado um vídeo de uma pessoa dançando, nosso objetivo era projetar um nó que se transformasse para se parecer com os movimentos da pessoa. Isso adicionou um aspecto dinâmico à nossa exploração da arte baseada em nós.
Resultados
Os resultados desses casos de teste mostraram que nosso método foi eficaz em produzir incorporações de nós que se assemelhavam bastante às imagens alvo.
Nos cenários de um espectador, os nós mantiveram sua forma pretendida quando vistos da posição fixa. No caso de múltiplos espectadores, apesar dos ângulos variados, o design do único nó permaneceu convincente para todas as perspectivas especificadas.
As sequências temporais também exibiram com sucesso a animação desejada, mostrando a capacidade do método de gerenciar dependências temporais na arte visual.
Implicações e Direções Futuras
Esse trabalho abre possibilidades empolgantes no campo da arte. Mostra que, ao aproveitar métodos computacionais, podemos criar arte que brinca com a percepção de uma maneira bem controlada. Artistas podem produzir peças únicas que surpreendem e envolvem os espectadores, exigindo que eles fiquem em locais específicos para apreciar o efeito completo.
Olhando para o futuro, há várias áreas para melhoria. Uma possibilidade é explorar mais tipos de formas além de nós para expandir a gama de designs alcançáveis. Outra direção interessante é experimentar permitindo alguma flexibilidade nas posições dos espectadores, mudando como abordamos o processo de design.
Conclusão
A interseção entre arte e tecnologia nos dá ferramentas poderosas para criar experiências visualmente impactantes. Nosso método para gerar artes de nós em tubos 3D demonstra como podemos combinar técnicas computacionais com práticas artísticas para alcançar novas formas de expressão visual. Ao desenvolver abordagens que garantem a viabilidade física dessas estruturas, fornecemos aos artistas uma estrutura promissora para inovar no campo da arte perceptual.
Título: Search Me Knot, Render Me Knot: Embedding Search and Differentiable Rendering of Knots in 3D
Resumo: We introduce the problem of knot-based inverse perceptual art. Given multiple target images and their corresponding viewing configurations, the objective is to find a 3D knot-based tubular structure whose appearance resembles the target images when viewed from the specified viewing configurations. To solve this problem, we first design a differentiable rendering algorithm for rendering tubular knots embedded in 3D for arbitrary perspective camera configurations. Utilizing this differentiable rendering algorithm, we search over the space of knot configurations to find the ideal knot embedding. We represent the knot embeddings via homeomorphisms of the desired template knot, where the homeomorphisms are parametrized by the weights of an invertible neural network. Our approach is fully differentiable, making it possible to find the ideal 3D tubular structure for the desired perceptual art using gradient-based optimization. We propose several loss functions that impose additional physical constraints, enforcing that the tube is free of self-intersection, lies within a predefined region in space, satisfies the physical bending limits of the tube material and the material cost is within a specified budget. We demonstrate through results that our knot representation is highly expressive and gives impressive results even for challenging target images in both single view as well as multiple view constraints. Through extensive ablation study we show that each of the proposed loss function is effective in ensuring physical realizability. We construct a real world 3D-printed object to demonstrate the practical utility of our approach. To the best of our knowledge, we are the first to propose a fully differentiable optimization framework for knot-based inverse perceptual art.
Autores: Aalok Gangopadhyay, Paras Gupta, Tarun Sharma, Prajwal Singh, Shanmuganathan Raman
Última atualização: 2023-08-19 00:00:00
Idioma: English
Fonte URL: https://arxiv.org/abs/2307.08652
Fonte PDF: https://arxiv.org/pdf/2307.08652
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.