Yüksek lisans tezi · MSGSÜ · Temmuz 2024
Yapay Zekâ Algoritmaları ile Sanatsal Yaratım ve Yeniden Üretim Potansiyellerinin ‘FISPIS’ Tekniği Üzerinden Değerlendirilmesi
FISPIS, Gizem Renklidağ'ın 2012'de geliştirdiği bir resim tekniği: sulandırılmış akrilik boya, sprey şişeleriyle katman katman püskürtülür. Ortaya çıkan yüzeyler yeryüzüne yukarıdan bakar gibidir: akış, damar, sis ve sıçrama. Tez, bu tekniğin bir yapay zekâ tarafından öğrenilip öğrenilemeyeceğini, yalnızca sanatçının kendi eserlerinden kurulmuş bir veri setiyle sınar.
FISPIS ve Makine · Görseller tezin eğitim ve çıktı arşivinden; eserler Gizem Renklidağ. Alıntılar tez metninden birebir. Seslendirme ve müzik yapay zekâ ile üretilmiştir.
- Yazar
- G. Gizem Renklidağ
- Program
- Yüksek lisans · Bilgisayar Ortamında Sanat ve Tasarım
- Kurum
- Mimar Sinan Güzel Sanatlar Üniversitesi · Fen Bilimleri Enstitüsü
- Danışman
- Doç. Dr. Bülent Onur Turan
- Yazılım ve teknik altyapı
- Mehmet Uc
- Tarih
- Temmuz 2024 · 140 sayfa
01 · Soru
“‘FISPIS’ tekniğinin yapay zekâ algoritmaları tarafından ne kadar başarılı bir şekilde öğrenilebileceği ve bu teknikten esinlenerek yeni sanat eserlerinin nasıl üretilebileceği…”
02 · Literatür taraması
Tez, soruyu sormadan önce yapay zekâ sanatının haritasını çıkarır (Bölüm 3–4). Bu örneklerin çoğu binlerce, hatta milyonlarca görselden öğreniyordu; tez ise yalnızca tek bir sanatçının kendi eserleriyle çalışır.
- 2014Çekişmeli üretken ağlar (GAN)Goodfellow vd.
- 2015DeepDreamGoogle
- 2015–16Stil aktarımı: bir tablonun üslubu fotoğrafa giydirilirGatys, Ecker & Bethge
- 2017Pix2Pix: görüntüden görüntüye çeviriIsola vd.
- 2018Edmond de Belamy'nin Portresi, Christie's'te 432.500 $Obvious · 15.000 klasik portreyle eğitilmiş bir GAN
- 2020Gürültü gidererek görüntü üreten difüzyon modelleriHo, Jain & Abbeel
- 2021Difüzyon, görüntü sentezinde GAN'leri geçerDhariwal & Nichol
- 2021–24Metinden görsel ve video: DALL·E, Midjourney, SoraOpenAI · Midjourney
03 · Veri seti
880
kare detay fotoğrafı
Her eserden tekniği en iyi yansıtan kareler, yüksek çözünürlükte.
512 px
eğitim boyutu
Tüm kareler 512 × 512 piksele indirildi.
× 7
çoğaltma
90°, 180°, 270° döndürme; yatay ve dikey çevirme.
6.160
eğitim görseli
Veri setinde başka bir sanatçıya ait tek görsel yok.
04 · Altyapı
- Ortam
- Google Colab, kiralık bulut GPU
- Ekran kartı
- Önce T4; yetmeyince A100
- Toplu iş
- Adım başına 36 görsel
- Bellek
- Her 512 görselde ara sonuçlar diske yazıldı
- Süre
- Bir eğitim denemesi 12–18 saat
“…her sorumu sabırla cevaplayarak tezimin tüm teknik yükünü üstlenen Mehmet Uc’a…”
05 · Beş mimari
- GAN · 100 devir
- Renk var, doku yok
- GAN · 500 devir
- Aşırı uyum: model öğrenmek yerine ezberledi
- ArtGAN
- Sanat eserleri için koşullu türev; katmanları modelleyemedi
- BigGAN
- Büyük ölçekli sürüm; işlem gücü yetmedi
- VAE
- Değişken otomatik kodlayıcı; bulanık çıktılar
“Veri setinin titizlikle hazırlanmasına ve kapsamlı bir eğitim sürecine tabi tutulmasına rağmen, GAN modelleri ‘FISPIS’ tekniğinin özünü yakalamada zorluk yaşamıştır.”
06 · Önce yapı, sonra doku
FISPIS resimleri Canny algoritmasıyla kenar haritasına indirildi: rengi ve dokuyu silen, yalnızca yapıyı bırakan noktalı bir iskelet.
Doğru eşiği bulmak için 27 eşik çifti tek tek ölçüldü; seçilen ayar alt 100, üst 200.
Pix2Pix modeli her iskeleti kendi resmiyle eşleştirerek 100 devir eğitildi. Her 10 devirde bir PSNR, SSIM, MS-SSIM ve MSE ile ölçüldü.
| Devir | 10 | 20 | 30 | 40 | 50 | 60 | 70 | 80 | 90 | 100 |
|---|---|---|---|---|---|---|---|---|---|---|
| PSNR | 19,80 | 22,24 | 24,77 | 22,14 | 19,40 | 27,69 | 27,43 | 27,12 | 22,13 | 24,11 |
| SSIM | 0,191 | 0,306 | 0,324 | 0,293 | 0,161 | 0,402 | 0,381 | 0,389 | 0,211 | 0,333 |
| MS-SSIM | — | 0,164 | 0,243 | 0,133 | — | 0,450 | 0,418 | 0,423 | 0,045 | 0,256 |
| MSE | 680,7 | 388,5 | 216,9 | 397,3 | 746,5 | 110,6 | 117,6 | 126,2 | 398,2 | 252,2 |
En iyi sonuç 60. devirde: PSNR 19,8 → 27,7; yapısal benzerlik (SSIM) iki katına, hata (MSE) altıda birine. 60. devirden sonraki düşüş aşırı uyumun işareti; 100. devirde model yeniden toparlandı.
07 · Uydu deneyi
Sanatçının ilham aldığı uydu görüntüleri aynı yoldan modele verildi: 450 girdi, 450 çıktı. Model eğitimde tek bir uydu görüntüsü görmemişti, ama kenar haritasından FISPIS dokusunda yeni yüzeyler üretti. Figüratif fotoğraflarda aynı başarı gelmedi: model, soyutun dilini öğrenmişti.
“Bu durum, dokusal benzerliklerin uydu görüntüleri gibi veri setlerinde aktarılabilir olduğunu göstermektedir.”
08 · Zamanı için
O yıllarda üretken yapay zekâ çoğu sanatçı için hazır bir servise yazılan bir cümleydi. Bu tezde ise hattın tamamı kuruldu: veri setinden eğitim döngüsüne, ölçüm düzeninden üretim koduna kadar. Beş modelin kodu, okuyan kendisi de çalıştırabilsin diye Colab bağlantılarıyla tezin ekine kondu (Ek B.1–B.5). Kenar haritasıyla yönlendirilen üretim fikri, 2023'te ControlNet adıyla difüzyon modellerinde standart hâline geldi; tez onu tek bir sanatçının kendi tekniği üzerinde, kısıtlı imkânlarla çalıştırdı.
“Kenar tespit algoritmalarının Pix2Pix ile birleştirilmesi, sanatsal tekniklerin yapay zekâ tarafından öğrenilmesi konusunda yenilikçi bir yaklaşımdır.”
09 · 2024 → 2026
Tezden sonraki iki yılda literatür hızla değişti; tezin açtığı yol bugünün araçlarıyla yeniden yürünüyor.
- Akış eşleme · dönüştürücü
- U-Net difüzyonundan büyük DiT modellerine: FLUX.1 (2024), Z-Image (2025).
- ControlNet
- Kenar haritasıyla koşullama, neredeyse her modelin standart eki (Zhang vd., 2023).
- LoRA
- Üslup için sıfırdan model eğitilmiyor; büyük modele küçük bir uyarlama katmanı ekleniyor (B-LoRA, 2024).
- Yüksek gürültüde üslup
- Üslup en çok gürültünün yoğun olduğu adımlarda öğreniliyor (Style-Friendly, Choi vd., 2025).
- Yerel eğitim
- 2026'da FISPIS LoRA'sı sanatçının kendi dizüstü bilgisayarında eğitildi. Sonuç henüz kusursuz değil; ince sprey dokusu hâlâ eksik.
10 · Son söz
“Metrikler, görsellerin benzerliğini sayısal olarak ifade etse de, bir sanat eserinin estetik ve duygusal etkisini tam anlamıyla yakalayamazlar.”