Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/36291
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2023_RicardoDeCastroGiomettiSantos_tcc.pdf4,05 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorRomariz, Alexandre Ricardo Soares-
dc.contributor.authorSantos, Ricardo de Castro Giometti-
dc.identifier.citationSANTOS, 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.descriptionTrabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023.pt_BR
dc.description.abstractNeste 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.rightsAcesso Abertopt_BR
dc.subject.keywordImagens digitaispt_BR
dc.subject.keywordJogos digitaispt_BR
dc.titleTranslating hand-drawn map sketches to digitalized fantasy mapspt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2023-10-05T12:36:26Z-
dc.date.available2023-10-05T12:36:26Z-
dc.date.submitted2023-07-24-
dc.identifier.urihttps://bdm.unb.br/handle/10483/36291-
dc.language.isoInglêspt_BR
dc.rights.licenseA 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.abstract1In 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



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.