Add(genai,#16774): 05-0d GANs -- portraits adversariaux et moment NFT (jalon 4)

MyIA.AI.Notebooks/GenAI/Image/05-History/README.md

@@ -9,6 +9,7 @@ Notebooks rétrospectifs : les outils d'avant Stable Diffusion (2021-2022) qui o
 | # | Notebook | Contenu | Publication |
 |---|----------|---------|-------------|
 | 0 | [05-0-Generateurs-Symboliques](05-0-Generateurs-Symboliques.ipynb) | Les moteurs symboliques d'avant l'apprentissage : tortue Logo (rosace), L-systèmes (Koch quadratique), automates cellulaires (règle 110, Game of Life) — la description courte engendre l'image riche, mesuré comme un ratio de compression (x1030 / x2365) | Abelson & diSessa (Turtle, années 60-80) ; Lindenmayer 1968 ; Conway 1970 ; Wolfram 1982 |
+| 0d | [05-0d-GANs-Portraits-Moment-NFT](05-0d-GANs-Portraits-Moment-NFT.ipynb) | Les GANs, de Goodfellow à *Edmond de Belamy* (Christie's 2018) : un DCGAN entraîné sur les portraits Olivetti, puis trois mesures. (1) Le générateur copie-t-il ? On le teste avec un contrôle photo vue / photo jamais vue de la même personne. (2) L'empreinte spectrale de Durall et al. permet-elle de détecter les images générées ? (3) Combien pèse le générateur face au corpus compressé ? Le notebook ajoute une marche dans l'espace latent et distingue la vente GAN de 2018 du boom NFT de 2021, qui a surtout couronné l'art génératif par code | Goodfellow et al. 2014 ([arXiv:1406.2661](https://arxiv.org/abs/1406.2661)) ; Radford et al. 2015 ([arXiv:1511.06434](https://arxiv.org/abs/1511.06434)) ; Durall et al. 2020 ([arXiv:2003.01826](https://arxiv.org/abs/2003.01826)) |
 | 2 | [05-2-CLIPasso-Semantic-Sketching](05-2-CLIPasso-Semantic-Sketching.ipynb) | Le sketching sémantique : abstraction contrôlée par le nombre de traits (grilles 32/16/8/4 — chameau du papier + robot masqué U²-Net), coût du fond non extrait (A/B masqué/brut), contraste sémantique vs signal (Canny) | Vinker et al., SIGGRAPH 2022 ([arXiv:2202.05822](https://arxiv.org/abs/2202.05822)) |
 | 1 | [05-1-DiscoDiffusion-CLIP-Guided-Diffusion](05-1-DiscoDiffusion-CLIP-Guided-Diffusion.ipynb) | La CLIP-guided diffusion pré-Stable-Diffusion : UNet KL-openai 512 pixel-space + CLIP ViT-L/14 comme fonction de perte (cutouts, distance sphérique), conditionnement de Song et al., grille `clip_gs` × `sat_scale`, même prompt contre Z-Image (ce que l'espace latent a changé) | Crowson 2021 ; Dhariwal & Nichol 2021 ([arXiv:2105.05233](https://arxiv.org/abs/2105.05233)) ; Radford et al. 2021 ([arXiv:2103.00020](https://arxiv.org/abs/2103.00020)) |
 
@@ -35,4 +36,5 @@ Notebooks rétrospectifs : les outils d'avant Stable Diffusion (2021-2022) qui o
 ## Prérequis
 
 - Environnement Python du cours (torch CUDA) ;
+- 05-0d : la base de portraits Olivetti se télécharge au premier appel de `sklearn.datasets.fetch_olivetti_faces` ; le notebook tourne aussi sur CPU, plus lentement ;
 - Outils locaux hors repo (voir la cellule d'installation du notebook) : clone du [code officiel CLIPasso](https://github.com/yael-vinker/CLIPasso) (MIT) + compilation MSVC de [diffvg](https://github.com/BachiLi/diffvg) — les adaptations d'exécution sont documentées dans le notebook.