Séquence vidéo:
Fight Club
Trump and the iron throne
Evolution of windows Logo
Peruvian statues
Pisco bottle
On peut voir que l’algorithme de morphage marche assez bien pour la majorité des résultats. Par contre, les deux dernières animations ont quelques défauts. Tout d’abord dans les statuts péruviens on voit que l’arrière-plan bouge et comme il ne contient pas de point d’intérêt le changement est assez évident. Ce changement d’arrière-plan est causé par le mouvement entre les deux photographies. Également, un plus grand nombre de points d’intérêt à l’intérieur de la statue aurait permis d’améliorer la transition de certaines formes. La seconde transformation moins bien réussie est la bouteille de Pisco. Encore une fois un plus grand nombre de points d’intérêt aurait probablement amélioré le résultat. On voit principalement des problèmes dans la transformation du goulot des bouteilles.
Photos des étudiants :
La forme du visage moyen obtenue avec les points que les étudiants ont sélectionnés
Le visage moyen obtenu avec les points que les étudiants ont sélectionnés
La forme du visage moyen obtenue avec les points trouvés par le détecteur
Le visage moyen avec les points trouvés par le détecteur
La forme du visage moyen obtenue avec les points trouvés par le détecteur sur image de utrecht
Le visage moyen obtenu avec les points trouvés par le détecteur sur image de utrecht
On peut voir que le visage moyen des étudiants est très similaire avec les points automatiques et les points sélectionnés manuellement. La seule différence que je peux percevoir est les lunettes qui sont moins présentes avec la détection automatique. On remarque également que la forme du visage obtenue est très différente à cause de la différence des points sélection. Cela démontre qu’avec plusieurs groupes de points d’intérêt différent on obtient le même résultat si ses derniers représentent bien les traits du visage. Finalement, on peut noter une similarité dans les traits du visage moyen d’Utrecht et celui des étudiants.
Le visage masculin moyen
Masculinisation
Distorsion: 0.5 Niveau de fondu: 0.5
Distorsion: 0.4 Niveau de fondu: 0.7
Tout d’abord on peut voir qu’il y a une erreur dans les points près des soucis. Cela provient probablement de la gestion des NaN qui est minimaux et donc ne gère pas les cas de la façon la plus optimale et cause c’est artéphaque dans l’image. Ce problème est minimisé avec un facteur de distorsion autour de 0.5. On peut voir l’influence du niveau de fondu. On voit bel et bien qu’avec un niveau de fondu bas l’image originale est plus présente et avec un fondu haut l’image masculine moyenne est plus présente.
Le visage féminin moyen
Distorsion: 0.4 Niveau de fondu: 0.7
Distorsion: 0.5 Niveau de fondu: 0.9
On voit le même genre d’artéphaque dans ces images. On peut voir également que le résultat est meilleur avec un niveau de fondu plus élever. En effet, les meilleurs résultats étaient avec des niveaux de fondu de 0.7 et 0.9. Le niveau de fondu élever permet d’atténuer la certaine trais masculin qui ne sont pas lié a la distorsion.