Upload 2 files

Gerador.py

@@ -0,0 +1,53 @@
+# Gerador.py
+
+import torch
+import torch.nn as nn
+import torch.nn.functional as F
+
+class Gerador(nn.Module):
+    def __init__(self):
+        super(Gerador, self).__init__()
+
+        self.encoder = nn.Sequential(
+            nn.Conv2d(12, 64, 5, padding=2),
+            nn.ReLU(),
+
+            nn.Conv2d(64, 64, 3, padding=1),
+            nn.ReLU()
+        )
+
+        # Projeção do ruído para o mesmo tamanho espacial
+        self.ruido_proj = nn.Conv2d(1, 64, kernel_size=1)  # 1 canal de ruído -> 64
+
+        self.super = nn.Sequential(
+            nn.ConvTranspose2d(128, 128, kernel_size=7, stride=7),
+            nn.BatchNorm2d(128),
+            nn.LeakyReLU(0.2),
+
+            nn.Conv2d(128, 64, kernel_size=5, padding=2),
+            nn.BatchNorm2d(64),
+            nn.LeakyReLU(0.2),
+
+            nn.Conv2d(64, 3, kernel_size=3, padding=1), # Saída em 3 canais: RGB
+            nn.Tanh() # Valor entre -1 e 1
+        )
+
+    def forward(self, x, return_embedding=False, only_embedding=False):
+        embedding = self.encoder(x)
+
+        if only_embedding:
+            return embedding
+        
+        # Ruído gaussiano, mesmo tamanho espacial de x
+        ruido = torch.randn(embedding.size(0), 1, embedding.size(2), embedding.size(3), device=embedding.device)
+        ruido_feat = self.ruido_proj(ruido)
+
+        # Concatena ruído aos features da imagem
+        x = torch.cat([embedding, ruido_feat], dim=1)
+
+        x = self.super(x)
+
+        if return_embedding:
+            return (embedding, x)
+        else:
+            return x

config(1).json

@@ -0,0 +1,7 @@
+```json
+{
+  "input_channels": 12,
+  "output_channels": 3,
+  "upscale_factor": 7,
+  "activation": "tanh"
+}