Campo Dublin Core | Valor | Língua |
dc.contributor.advisor | Romariz, Alexandre Ricardo Soares | - |
dc.contributor.author | Santos, Ricardo de Castro Giometti | - |
dc.identifier.citation | SANTOS, Ricardo de Castro Giometti. Translating hand-drawn map sketches to digitalized fantasy maps. 2023. 74 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) — Universidade de Brasília, Brasília, 2023. | pt_BR |
dc.description | Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023. | pt_BR |
dc.description.abstract | Neste trabalho, utilizo Redes Geradoras Adversariais para transformar mapas desenhados
à mão em suas versões fantasiosas. Utilizando a biblioteca tkinter, em Python, desen-
volvo um aplicativo de desenho no qual um usuário pode rapidamente rabiscar um mapa
e submetê-lo a um Modelo Gerador, chamado Pix2Pix. Dessa forma, ele obtém instan-
taneamente a ajuda da inteligência artificial para adicionar mais detalhes à sua ideia,
aumentando assim a velocidade e eficiência. Embora eu tenha me concentrado principal-
mente na aplicação dessa ideia em mapas desenhados a mão de RPG de mesa, o conceito
pode ser estendido a outros domínios, como, por exemplo, videogames e até plantas ar-
quitetônicas. Ao longo deste trabalho, explico a teoria por trás do modelo e apresento os
resultados obtidos ao utilizá-lo em três experimentos diferentes. No primeiro experimento,
uma versão pré-treinada do modelo é utilizada para avaliar suas capacidades gerais. No
segundo, utilizo um conjunto personalizado de dados feito à mão para treinar o modelo, e
apresento o aplicativo desenvolvido para melhorar a experiência do usuário. No terceiro
e último, utilizo um pequeno conjunto de dados que contém imagens de alta resolução
para avaliar a capacidade de aprendizagem do modelo. Concluindo o trabalho, apresento
minhas próprias opiniões sobre os resultados e dou uma visão sobre novos modelos que
podem ser utilizados para melhorar a qualidade da imagem. | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject.keyword | Imagens digitais | pt_BR |
dc.subject.keyword | Jogos digitais | pt_BR |
dc.title | Translating hand-drawn map sketches to digitalized fantasy maps | pt_BR |
dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
dc.date.accessioned | 2023-10-05T12:36:26Z | - |
dc.date.available | 2023-10-05T12:36:26Z | - |
dc.date.submitted | 2023-07-24 | - |
dc.identifier.uri | https://bdm.unb.br/handle/10483/36291 | - |
dc.language.iso | Inglês | pt_BR |
dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. | pt_BR |
dc.description.abstract1 | In this work I use Generative Adversarial Networks to transform hand-drawn maps into
their computerized fantasy versions. With Python’s tkinter GUI library, I develop a
drawing application in which a user can quickly sketch a map and submit it to a Generative
Model called Pix2Pix. In this manner, he instantly gets the help of artificial intelligence
to add more detail to his idea, increasing speed and efficiency. While I mainly focus on the
application of this idea to hand-drawn tabletop RPG maps, the concept of translating
drawings to images can be extended to other domains such as video games and even
architecture blueprints. Throughout this work I explain the theory behind the model and
present the results obtained when utilizing it in three different experiments. In the first, a
pre-trained version of the model is used to asses its overall capabilities. In the second, I use
a custom hand-made dataset to train the model and I showcase the developed application
to improve user experience. In the last, I use a small dataset that contains high resolution
images to asses the model’s learning ability. Concluding the work, I give my own personal
opinions over the results and give a intuition of newer models that can be used to improve
image quality. | pt_BR |
Aparece na Coleção: | Engenharia da Computação
|