Я подсунул ей 100 тыс. лиц знаменитостей под разными углами из классического датасета - CelebFaces, предварительно дропнув размер картинок в два раза, привел к оттенкам серого и обрезал цвета по некоторому порогу, что бы в итоге был только черный и белый, получились такие картинки.
🔥1
После кластеризации на 10 кластеров у каждой из 10 многомерных обученных монеток появились веса, которые можно перевести обратно в картинки, в итоге получилось довольно близко к естественным изображениям лиц.
У картинок оставил три цветовых канала, но сами цвета, как и в предыдущем случае уменьшил до 2, что бы в итоге остались 0 и 1. Смесь распределений Бернулли сформировала несколько размытых кластеров, но некоторые кластера-картинки получились довольно четкие
🔥1
Прочитал статью на Хабре о решении уравнения Эйконала методом быстрого марша (Fast Marching Method - FMM) и вспомнил, что когда-то занимался решением уравнений Максвелла, а уравнение Эйконала как раз получается из уравнений Максвелла в приближении, когда длина волны очень мала. Оно связывает геометрическую оптику с волновой и считает, что световые лучи перпендикулярны волновому фронту, а модуль градиента фазы волны в каждой точке пространства равен показателю преломления в этой точке. Сам же FMM является алгоритмом Дейкстры (поиск кратчайших путей) заточенным под сеточные графы, что позволяет ему работать за O(N*log(N)) от числа вершин.
🔥1
Я взял картинки (простите Вермеер и Уорхол) и с помощью FMM рассчитал волновой фронт от источника (красная точка) в трёх RGB каналах, приняв яркость пикселя в каждом канале за степень оптической вязкости (чем светлее пиксель, тем медленнее через него движется волна). Это похоже на неравномерно растекающееся по поверхности масло. В итоге каждому пикселю сопоставляется время, за которое до него дошла волна от источника: чем светлее, тем больше потребовалось времени. Растекшееся масло заиграло радужными переливами.
🔥1