Tras la época oscura de la Edad Media, en Italia durante los años 1400 surge el Renacimiento, como una búsqueda de regresar a una cultura de la antigua Roma y Grecia y tener mayor interés por el ser humano. Este resurgimiento cultural se vio reflejado también en el arte. Según el autor Argan (2001), los artistas renacentistas volvieron a pintar al hombre y la naturaleza, que durante la Edad Media habían dejado de ser los protagonistas de las obras. Asimismo, Riutort (2010), afirma que pintores y escultores empezaron a estudiar el cuerpo humano, entre ellos destaca Leonardo da Vinci. Quien es considero para muchos autores como el referente principal de anatomía artística, ya que sus descubrimientos siguen siendo importantes temas de estudio en diferentes en el campo del arte y la medicina. Entre los estudios realizados por Leonardo da Vinci, destacan el de proporcionalidad del cuerpo humano, músculos, movimiento de articulaciones y la expresividad facial. Mediante la investigación de dichos estudios, se realizo una colección en donde destaquen las formas, siluetas y texturas inspiradas en las obras de Leonardo da Vinci. / After the dark ages of the Middle Ages, the Renaissance arose in Italy in the 1400s as a quest for a return to the culture of ancient Rome and Greece and a greater concern for the human being. This cultural revival was also reflected in art. According to the author Argan (2001), Renaissance artists returned to painting man and nature, which during the Middle Ages had ceased to be the protagonists of the works. Likewise, Riutort (2010), states that painters and sculptors began to study the human body, among them Leonardo da Vinci. He is considered by many authors as the main reference of artistic anatomy, since his discoveries are still important subjects of study in different fields of art and medicine. Among the studies carried out by Leonardo da Vinci, the proportionality of the human body, muscles, movement of joints and facial expressiveness stand out. Through the investigation of these studies, a collection was made in which the forms, silhouettes and textures inspired by the works of Leonardo da Vinci stand out. / Trabajo de investigación

El progreso de la Inteligencia Artificial (IA) ha sido notable en los últimos años. Los impresionantes avances en imitar las capacidades humanas por parte de las máquinas se deben especialmente al campo del Deep Learning (DL). Este paradigma evita el complejo diseño manual de características. En su lugar, los datos pasan directamente a un algoritmo, que aprende a extraer y representar características jerárquicamente en múltiples capas a medida que aprende a resolver una tarea. Esto ha demostrado ser ideal para problemas relacionados con el mundo visual. Una solución de DL comprende datos y un modelo. La mayor parte de la investigación actual se centra en los modelos, en busca de mejores algoritmos. Sin embargo, aunque se prueben diferentes arquitecturas y configuraciones, difícilmente mejorará el rendimiento si los datos no son de buena calidad. Son escasos los estudios que se centran en mejorar los datos, pese a que constituyen el principal recurso para el aprendizaje automático. La recolección y el etiquetado de extensos datasets de imágenes consumen mucho tiempo, esfuerzo e introducen errores. La mala clasificación, la presencia de imágenes irrelevantes, el desequilibrio de las clases y la falta de representatividad del mundo real son problemas ampliamente conocidos que afectan el rendimiento de los modelos en escenarios prácticos. Nuestra propuesta enfrenta estos problemas a través de un enfoque data-centric. A través de la ingeniería del dataset original utilizando técnicas de DL, lo hacemos más adecuado para entrenar un modelo con mejor rendimiento y generalización en escenarios reales. Para demostrar esta hipótesis, consideramos dos casos prácticos que se han convertido en temas de creciente interés para la investigación. Por una parte, Internet es la plataforma mundial de comunicación y la Web es la principal fuente de información para las actividades humanas. Las páginas Web crecen a cada segundo y son cada vez más sofisticadas. Para organizar este complejo y vasto contenido, la clasificación es la técnica básica. El aspecto visual de una página Web puede ser una alternativa al análisis textual del código para distinguir entre categorías. Abordamos el reconocimiento y la clasificación de páginas Web creando un dataset de capturas de pantalla apropiado desde cero. Por otro lado, aunque los avances de la IA son significativos en el aspecto cognitivo, la parte emocional de las personas es un desafío. La expresión facial es la mejor evidencia para manifestar y transmitir nuestras emociones. Aunque algunos datasets de imágenes faciales existen para entrenar modelos de DL, no ha sido posible alcanzar el alto rendimiento en entornos controlados utilizando datasets in-the-lab. Abordamos el reconocimiento y la clasificación de emociones humanas mediante la combinación de varios datasets in-the wild de imágenes faciales. Estas dos problemáticas plantean situaciones distintas y requieren de imágenes con contenido muy diferente, por lo que hemos diseñado un método de refinamiento del dataset según el caso de estudio. En el primer caso, implementamos un modelo de DL para clasificar páginas Web en determinadas categorías utilizando únicamente capturas de pantalla, donde los resultados demostraron un problema multiclase muy difícil. Tratamos el mismo problema con la estrategia One vs. Rest y mejoramos el dataset mediante reclasificación, detección de imágenes irrelevantes, equilibrio y representatividad, además de utilizar técnicas de regularización y un nuevo mecanismo de predicción con los clasificadores binarios. Estos clasificadores operando por separado mejoran el rendimiento, en promedio incrementan un 26.29% la precisión de validación y disminuyen un 42.30% el sobreajuste, mostrando importantes mejoras respecto al clasificador múltiple que opera con todas las categorías juntas. Utilizando el nuevo modelo, hemos desarrollado un sistema en línea para clasificar páginas Web que puede ayudar a diseñadores, propietarios de sitios Web, Webmasters y usuarios en general. En el segundo caso, la estrategia consiste en refinar progresivamente el dataset de imágenes faciales mediante varios entrenamientos sucesivos de un modelo de red convolucional. En cada entrenamiento, se utilizan las imágenes faciales correspondientes a las predicciones correctas del entrenamiento anterior, lo que permite al modelo captar más características distintivas de cada clase de emoción. Tras el último entrenamiento, el modelo realiza una reclasificación automática de todo el dataset. Este proceso también nos permite detectar las imágenes irrelevantes, pero nuestro propósito es mejorar el dataset sin modificar, borrar o aumentar las imágenes, a diferencia de otros trabajos similares. Los resultados experimentales en tres datasets representativos demostraron la eficacia del método propuesto, mejorando la precisión de validación en un 20.45%, 14.47% y 39.66%, para FER2013, NHFI y AffectNet, respectivamente. Las tasas de reconocimiento en las versiones reclasificadas de estos datasets son del 86.71%, el 70.44% y el 89.17%, que alcanzan el estado del arte. Combinamos estas versiones mejor clasificadas para aumentar el número de imágenes y enriquecer la diversidad de personas, gestos y atributos de resolución, color, fondo, iluminación y formato de imagen. El dataset resultante se utiliza para entrenar un modelo más general. Frente a la necesidad de métricas más realistas de la generalización de los modelos, creamos un dataset evaluador combinado, equilibrado, imparcial y bien etiquetado. Para tal fin, organizamos este dataset en categorías de género, edad y etnia. Utilizando un predictor de estas características representativas de la población, podemos seleccionar el mismo número de imágenes y mediante el exitoso modelo Stable Diffusion es posible generar las imágenes faciales necesarias para equilibrar las categorías creadas a partir de las mencionadas características. Los experimentos single-dataset y cross-dataset indican que el modelo entrenado en el dataset combinado mejora la generalización de los modelos entrenados individualmente en FER2013, NHFI y AffectNet en un 13.93%, 24.17% y 7.45%, respectivamente. Desarrollamos un sistema en línea de reconocimiento de emociones que aprovecha el modelo más genérico obtenido del dataset combinado. Por último, la buena calidad de las imágenes faciales sintéticas y la reducción de tiempo conseguida con el método generativo nos motivan para crear el primer y mayor dataset artificial de emociones categóricas. Este producto de libre acceso puede complementar los datasets reales, que son difíciles de recopilar, etiquetar, equilibrar, controlar las características y proteger la identidad de las personas.

[ES] Esta tesis se centra en la animación 3D y de forma más concreta, en la animación de personajes para un plano de actuación en un largometraje CGI. La animación ocupa un lugar importante dentro del mundo del entretenimiento desde principios del siglo XX hasta ahora; sobre todo en estas últimas décadas, donde su presencia en cortometrajes, anuncios publicitarios, videojuegos, series de televisión y películas, ha llenado nuestras salas de cines y nuestros hogares con una gran variedad de historias, personajes fantásticos y símbolos gráficos que forman parte de nuestra cultura popular más arraigada. Como animador 3D, trabajas y creces como profesional de un proyecto a otro, pero no te planteas cuánto sabes. Únicamente estás preocupado en hacer tu trabajo lo mejor posible y destacar. Cuando empecé a compaginar mi parte profesional con la docencia me di cuenta de que no era capaz de explicar al alumnado cómo aprender animación de una forma adecuada; porque una cosa es animar muy bien, pero otra muy distinta es saber explicar cómo lo haces. Está investigación me planteó el reto de recopilar todos esos conocimientos que he ido adquiriendo a través de libros, documentales, profesorado o compañeros de trabajo, y organizarlos de tal forma que fueran de fácil compresión y accesibilidad para cualquier persona que quisiera aprender animación o mejorar como animador 3D. / [CA] Aquesta tesi es centra en l'animació 3D i de forma més concreta, en l'animació de personatges per fer un pla d'actuació en un llargmetratge CGI. L'animació ocupa un lloc important dins del món de l'entreteniment des de principis del segle XX fins ara; sobretot en aquestes últimes dècades, on la seua presència en curtmetratges, anuncis publicitaris, videojocs, sèries de televisió i pel·lícules, ha omplit les nostres sales de cinemes i les nostres llars amb una gran varietat d'històries, personatges fantàstics i símbols gràfics que formen part de la nostra cultura popular més arrelada. Com a animador 3D, treballes i creixes com a professional d'un projecte a un altre, però no et planteges quant en saps. Únicament estàs preocupat per fer el teu treball tan bé com siga possible i destacar. Quan vaig començar a compaginar la meua part professional amb la docència em vaig adonar que no era capaç d'explicar al alumnat com aprendre animació d'una forma adequada; ja que una cosa és animar molt bé, però d'altra molt diferent és saber explicar com ho fas. Aquesta investigació em va plantejar el repte de recopilar tots aqueixos coneixements que he anat adquirint a través de llibres, documentals, professorat o col·legues de treball, i organitzar-los de tal forma que foren de fàcil compressió i accessibilitat per a qualsevol persona que volguera aprendre animació o millorar com a animador 3D. / [EN] This thesis focuses on 3D animation and more specifically, on the animation of characters for an acting shot in a CGI feature film. Animation has taken an important place in the world of entertainment from the beginning of the 20th century until now; especially in recent decades, where its presence in short films, commercials, video games, TV series and movies has filled our cinemas and our homes with a wide variety of stories, fantastic characters and graphic symbols that are part of our deep-rooted popular culture. As a 3D animator, you work and grow from one project to the next as a professional, but you don't think about how much you know. You are only concerned about doing your work the best you can and standing out in your field. When I started to balance my professional career with teaching I realised that I was not able to explain to my students how to learn animation in a proper way; because it is not the same thing to animate very well than explaining how to do so. This research posed the challenge of compiling all the knowledge I had acquired through books, documentaries, teachers and colleagues, and organising it in such a way that it would be easy to understand and accessible to anyone who wanted to learn animation or improve as a 3D animator. / Sanz Mariscal, A. (2023). El proceso de animación de personajes en los largometrajes 3D contemporáneos [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/195345