UFRGS · Deep Learning

Autoencoders e GANs

Prof. Anderson Rocha Tavares

Slides interativos para a aula de IA Generativa. Navegue pelos blocos abaixo e clique em qualquer slide para abri-lo.

Bloco 1 — Mudança de foco: de predição para geração

Autoencoders e GANs

Título e visão geral — de redes preditivas a redes que criam novos dados.

De predição para representação

Compara os dois paradigmas — predição vs. geração — com fluxos animados interativos.

A pergunta mudou

A motivação central: representação, compressão e síntese de dados.

Bloco 2 — Autoencoder: a ideia básica

Autoencoder: a ideia

Arquitetura encoder→z→decoder com fluxo animado e objetivo de reconstrução.

Autoencoder: diagrama

Revelação progressiva de cada etapa do pipeline — clique para avançar passo a passo.

Bloco 3 — Gargalo latente

O gargalo latente

Por que comprimir? O gargalo força representações compactas e generalizáveis.

Comparando dimensões latentes

Slider para ajustar a dimensão latente e visualizar o gargalo da rede em tempo real.

Bloco 4 — O que aprende

O que o espaço latente captura

Diagrama de características emergentes — idade, expressão, iluminação e pose.

Explorando o espaço latente

Canvas 2D interativo — clique nos pontos do espaço latente para ver as decodificações.

Bloco 5 — Denoising

Denoising Autoencoder

Demo estática: original → ruidosa → reconstruída com o padrão HEART em pixel art.

Denoising: interativo

Slider de nível de ruído (0–100%) com visualização em tempo real do denoising.

Bloco 6 — Geração com decoder

Geração com o decoder

Usar apenas o decoder para gerar: vantagens, limitações e caminho para o VAE.

Explorar geração

Dois sliders para z₁ (forma) e z₂ (cor) — veja a geração morfar em tempo real.

Bloco 7 — Limitação

Limitação do Autoencoder

O espaço latente não estruturado — reconstrução funciona, geração pura é problemática.

O espaço latente tem buracos

Mapa 2D interativo — clique nas regiões boas e ruins para ver o comportamento do decoder.

Bloco 8 — GANs

GANs: a ideia adversarial

Duas redes em competição — Gerador (falsificador) vs. Discriminador (perito). Goodfellow 2014.

Diagrama do fluxo fake e real com animação passo a passo e scores do discriminador.

Bloco 9 — Treinamento GAN

O jogo entre as redes

Ciclo de melhoria mútua — G melhora → D precisa melhorar → equilíbrio de Nash.

Treinamento da GAN

Simula as fases alternadas de treino de D e G com barras de progresso e scores.

Bloco 10 — Loss

Simulação de treinamento

Avance 7 épocas e veja D_loss e G_loss convergindo para o equilíbrio de Nash.

Tabela de objetivos de D e G, formulação minimax e os três estados de equilíbrio.

Bloco 11 — Comparação

Comparação: AE vs GAN

Tabela comparativa com revelação progressiva — objetivo, arquitetura, treino, qualidade.

Quando usar cada um?

Guia prático de aplicações — compressão, denoising, síntese, augmentation e mais.

O que vem depois

Resumo da aula e próximos passos — Difusão, VAE, Transformers para geração, LLMs.