La creación de patrones precolombinos mediante modelos generativos podría contribuir a la preservación del patrimonio cultural de civilizaciones antiguas. Así como enriquecer el área de la investigación arqueológica. Dentro de estas posibles imágenes generadas podrían surgir patrones perdidos por el paso del tiempo o destruidos por la intervención de culturas ajenas.
Un problema actual es la escasez y la dificultad de obtener imágenes de patrones precolombinos. Obtener una cantidad significativa de datos reales de vasijas prehispánicas puede resultar complicado y costoso. Sin embargo, con un modelo generativo se podrían crear datos coherentes que sigan las características y patrones de vasijas auténticas.
El objetivo de esta memoria consiste en evaluar la capacidad de un modelo generativo para crear nuevos patrones arqueológicos, con la intención de analizar cómo las tecnologías generativas podrían enriquecer y redirigir la disciplina arqueológica.
Para alcanzar este objetivo, se procesaron los datos disponibles para preparar distintos subconjuntos de imágenes que comparten características comunes diferenciadoras, como patrones escalonados, patrones concéntricos o figuras naturales. Luego, a partir de ocho experimentos base con distintos parámetros, se utilizaron imágenes de validación obtenidas entre épocas para calcular métricas de evaluación de generación de imágenes como FID y CMMD. Por otra parte, se realizó una encuesta en donde personas podían calificar si una imagen era generada o autentica, para así obtener una medida cualitativa. Finalmente, se reentrenaron los modelos hasta épocas específicas para generar imágenes consistentes a partir de estos.
Los resultados indican que es posible conseguir nuevos patrones precolombinos o variaciones de estos al entrenar modelos generativos con datos especializados. Además, se puede concluir que las personas no son capaces de diferenciar entre una imagen generada y una auténtica.
es_ES
Lenguage
dc.language.iso
es
es_ES
Publisher
dc.publisher
Universidad de Chile
es_ES
Type of license
dc.rights
Attribution-NonCommercial-NoDerivs 3.0 United States