Por que criei este modelo

Trabalho com publicidade e produção audiovisual desde 1999. Ao longo dessa trajetória, aprendi a observar imagens não apenas pelo que mostram, mas pelas escolhas e consequências que as tornam convincentes: luz, lente, matéria, corpo, movimento, ambiente e contexto.

Quando comecei a usar ferramentas generativas com objetivos profissionais, encontrei um problema recorrente: imagens visualmente impressionantes que, ainda assim, não pareciam verdadeiras. A intuição de quem trabalha com imagem ajudava a perceber o erro, mas não bastava para explicá-lo de forma consistente ou transformar a observação em um processo verificável.

Foi dessa inquietação que nasceu esta investigação e a proposta do CMRE — Cross-Modal Realism Engine, acompanhada do CCI — Cross-Modal Coherence Index. Não apresento aqui uma verdade definitiva nem uma tecnologia cientificamente validada. Apresento uma hipótese, um método em construção e o caminho que estou percorrendo para testar se a coerência entre diferentes domínios pode ajudar a explicar por que acreditamos — ou deixamos de acreditar — no que vemos.

Este arquivo está vivo. Vou acrescentar descobertas, corrigir interpretações, registrar testes e documentar a evolução do sistema. O conteúdo poderá mudar à medida que o trabalho avance. A intenção não é esconder as dúvidas, mas torná-las parte do processo.

Bira Ribeiro
Publicitário · Bacharel em Sistemas de Informação · Cofundador da Via Multimídia

NOTA DE TRANSPARÊNCIA

Este ensaio reúne materiais de natureza diferente, e não quero que um passe pelo outro. Há conhecimento publicado, que cito com autor e data. Há observação minha, acumulada em mais de vinte e cinco anos de produção de imagem, que apresento como experiência e não como prova. Há interpretações, que são leituras minhas sobre o que a literatura e a prática sugerem. Há uma hipótese, que ainda não foi testada. E há engenharia: parte dela já existe em código, parte está em protótipo, parte é apenas plano.

O CMRE (Cross-Modal Realism Engine) e o CCI (Cross-Modal Coherence Index) são propostas em desenvolvimento. Onde não houve experimento, o texto não declara resultado. Quando um número aparece, ele vem acompanhado do que ele conta. Quando uma afirmação depende de uma fonte, a fonte está nas referências.

POR QUE ESTE ENSAIO EXISTE

A imagem saía bonita. E saía errada.

Não errada do jeito que qualquer pessoa aponta, com seis dedos ou um rosto derretido. Errada de um jeito que eu sentia antes de conseguir explicar. Uma pele boa demais. Uma luz que não vinha de lugar nenhum. Um cabelo que caía como se não pesasse. Um movimento que fluía sem nunca ter começado.

Durante muito tempo, essa percepção ficou no campo da intuição profissional, que é onde ela costuma ficar para quem trabalha com imagem. Com as ferramentas generativas, a intuição deixou de bastar. Eu precisava explicar o que via, separar defeito de preferência estética e transformar uma sensação em uma pergunta que outras pessoas pudessem examinar.

A pergunta ficou assim: se cada parte de uma imagem parece razoável quando observada sozinha, por que o conjunto ainda pode parecer falso?

Este ensaio é o registro da tentativa de responder a essa pergunta com seriedade. Não é uma crítica às ferramentas, que são notáveis. É uma investigação sobre o que chamamos de real quando olhamos para uma imagem, e sobre o que seria preciso para medir isso.

COMO ESTE DOCUMENTO ESTÁ ORGANIZADO

A Parte I apresenta o incômodo, o método e a hipótese. É o único lugar onde a hipótese aparece na íntegra; o resto do texto a desenvolve, a testa contra cada disciplina ou a transforma em engenharia.

As Partes II a V percorrem as disciplinas que, historicamente, resolveram pedaços do problema. Primeiro as que estudam o que o mundo é (escultura, anatomia, ecologia, física). Depois as que registram ou reconstroem o mundo (fotografia, cinema, computação gráfica, games, sensores). Depois as que leem o espaço como evidência (arquitetura, investigação). Por fim, os olhares especializados que fazem um filme, uma foto ou uma cena parecerem vividos.

A Parte VI explica como a inteligência artificial gera imagens, sem presumir mais do que se sabe sobre o funcionamento interno de cada modelo.

As Partes VII e VIII descrevem o sistema que estou construindo, o CMRE, separando com clareza o que já existe, o que está em protótipo e o que é plano.

A Parte IX diz como a hipótese pode ser testada, onde ela ainda pode quebrar e o que vem a seguir.

Cada capítulo responde a uma pergunta. Se quiser ler apenas o argumento, leia os capítulos 1, 2, 3, 13, 20, 33 e 43 a 45. Se quiser ler apenas a engenharia, leia as Partes VII a IX.

A INVESTIGAÇÃO

O incômodo

Trabalho com publicidade desde 1999. Com minha sócia, Juliana Oliveira, fundei uma agência de marketing e multimídia no interior de Minas Gerais, e a equipe é pequena o bastante para que eu mesmo faça estratégia, produção, edição e desenvolvimento. Não escrevo de dentro de um laboratório. Escrevo de dentro de uma rotina de entregas.

Foi dessa rotina que o incômodo nasceu. Nos últimos anos, fiz centenas de tentativas em ferramentas de geração de imagem e vídeo, buscando material que pudesse ir para clientes reais. Um exemplo resume o padrão. Peça a uma das ferramentas mais populares “uma mulher em um supermercado”. Com frequência, o que volta é uma mulher de pele sem poros, iluminada como num estúdio, diante de prateleiras perfeitamente alinhadas, olhando para a câmera, com rótulos que não se leem.

Cada elemento, isolado, está razoável. O conjunto é falso.

O que não funcionou

A primeira reação foi a de qualquer usuário: escrever mais. Quando a imagem falhava, eu acrescentava detalhes, trocava adjetivos, especificava a lente, pedia outra luz. Às vezes funcionava. Muitas vezes, consertar um problema criava outro. A pele melhorava, mas a luz continuava sem origem. O cenário ganhava detalhe, mas a escala dos objetos ficava estranha.

Com o tempo, entendi que o problema não era falta de instrução. Era falta de um procedimento capaz de examinar as relações entre as instruções. Um prompt descreve uma intenção; ele não garante que o resultado respeite as consequências dessa intenção. Se peço uma luz de fim de tarde, estou pedindo também sombras longas, uma temperatura de cor específica, um céu de certa cor e um rosto iluminado de lado. Quanto mais complexa a cena, mais dependências desse tipo existem, e mais difícil fica verificá-las de cabeça.

Um método serve para isso: decompor a impressão de falsidade em perguntas menores. De onde vem a luz? Que sombra essa fonte deveria produzir? O material é opaco, translúcido ou reflexivo? O corpo distribui o peso de forma possível? O enquadramento combina com a câmera sugerida? O desgaste do lugar combina com o uso que ele parece ter? Essas perguntas não resolvem o problema sozinhas, mas tornam a análise explícita, e o que é explícito pode ser conferido por outra pessoa.

Um paradoxo histórico

Olhando para trás, cada grande salto de realismo na história da representação veio de alguém que entendeu um mecanismo invisível por baixo da superfície. O osso e o músculo sob a pele, no caso dos escultores. A óptica sob o espaço, na perspectiva. O comportamento da luz, nos pintores e, séculos depois, na computação gráfica. O tempo sob o movimento, nas fotografias de Muybridge.

A inteligência artificial generativa chega à superfície por outro caminho. Ela aprende regularidades a partir de enormes quantidades de imagens, sem que ninguém precise escrever as regras da luz ou do peso. Isso não significa que esses modelos não representem nada sobre o mundo; significa que não há garantia de que representem as causas de forma explícita, completa e estável. Minha observação prática é que os erros aparecem justamente onde as causas mandam: mãos, contato, peso, sombra, direção do vento.

A hipótese

Formulo a hipótese uma vez, aqui, e o resto do ensaio trabalha a partir dela:

O realismo percebido depende menos da qualidade de cada pista isolada do que da compatibilidade causal entre pistas de domínios diferentes. Luz, sombra, material, corpo, movimento, ambiente e captura precisam poder ser explicados por um mesmo conjunto de causas.

Chamo essa propriedade de coerência cross-modal. Preciso definir o termo logo, porque ele pode confundir. Em aprendizado de máquina, “multimodal” e “cross-modal” costumam se referir a modalidades distintas de dados, como imagem, texto e áudio. Aqui, a palavra se refere a outra coisa: aos domínios de leitura de uma mesma cena, como a luz, a matéria, o corpo, o tempo, a captura e, no vídeo, o som. Por isso, “coerência entre domínios” é o nome descritivo mais preciso, e é o que uso quando a precisão importa. Mantenho as siglas CMRE e CCI por continuidade do projeto.

Um exemplo torna a ideia concreta. Uma imagem pode ter anatomia correta e luz correta e ainda assim parecer falsa: basta que a sombra de um objeto aponte para uma fonte diferente da que ilumina outro; que o vento mova o cabelo para um lado e a fumaça para o outro; que o reflexo no olho não tenha o formato da janela. O erro não está em nenhuma das partes. Está entre elas. É por isso que acrescentar um poro à pele não conserta uma sombra que aponta para o lado errado.

Duas afirmações, não uma

Durante muito tempo tratei a hipótese como uma coisa só. Ela contém duas afirmações diferentes, e a diferença importa.

A primeira é física: cenas reais são produzidas por causas físicas e, por isso, suas partes guardam relações coerentes entre si. Essa afirmação é bem estabelecida; é, no fundo, o que a física descreve.

A segunda é perceptiva: observadores humanos usam essas relações, e as usam com peso importante, para julgar se uma imagem é real. Essa é a afirmação que este ensaio propõe testar. Ela não decorre logicamente da primeira. Uma pessoa pode aceitar uma imagem fisicamente impossível por desconhecimento, estilo, baixa resolução ou contexto. Pode também rejeitar uma fotografia real por ela parecer limpa demais ou improvável demais. Qualquer experimento sério precisa medir as duas coisas separadamente.

Realismo não é uma coisa só

Pelo mesmo motivo, parei de usar “realismo” como palavra única. Parte do que eu chamava de sinais de realismo são, na verdade, sinais de uma estética fotográfica (grão, faixa dinâmica limitada, aberração cromática), e não sinais de que a cena é fisicamente possível. A partir daqui, separo cinco dimensões que podem divergir entre si:

Verossimilhança física: a cena poderia acontecer dessa forma.

Verossimilhança de captura: uma câmera ou meio específico poderia ter produzido essa imagem.

Verossimilhança contextual: a cena faz sentido no seu lugar, no seu tempo e no seu uso.

Realismo percebido: observadores julgam a imagem realista.

Autenticidade de origem: a imagem foi de fato capturada, e não gerada.

Uma imagem sintética pode imitar perfeitamente uma câmera. Uma fotografia real pode ser editada, comprimida ou feita em condições raras. Um estudo que mistura essas dimensões corre o risco de medir a errada.

A pergunta-guia

O que, tecnicamente, faz uma imagem parecer real quando cada parte isolada já parece razoável?

Criar um método não é declarar que se encontrou a resposta. É construir uma forma de investigar a pergunta que seja rastreável, testável e aberta a ser refutada.

Ouvir e guardar

Não tenho formação em nenhuma das disciplinas que este ensaio atravessa. Tenho formação em Sistemas de Informação e uma carreira em comunicação. O que tenho, e que acabou virando o método deste trabalho, é o hábito de ouvir mais do que falo e de guardar o que ouço.

Vivi um período dentro do ambiente acadêmico, prestando serviço de vídeo para universidade e para o público. Gravei aulas, eventos, defesas e palestras de gente que estudava exatamente os assuntos que reaparecem aqui. Não estava lá como pesquisador; estava como quem carrega o equipamento e presta atenção. Muitos dos insights deste ensaio têm essa origem informal: uma explicação de professor que só entendi anos depois, uma conversa de corredor, um comentário de colega de gravação, um detalhe de filme que me fez voltar a cena. Somam-se a isso uma paixão antiga por jogos, render e cinema, e o hábito de montar computadores desde o começo dos anos 2000, que me fez acompanhar por dentro a evolução das placas de vídeo e dos sensores.

A pergunta decomposta

O método foi formalizar esse hábito. Decompus a pergunta “o que faz uma imagem parecer real?” em perguntas menores e dirigi cada uma à disciplina que, historicamente, havia resolvido parte dela. Para cada intuição, fui buscar a confirmação ou a correção na literatura.

Preciso ser honesto sobre o alcance disso. Não fiz uma revisão sistemática, com protocolo de busca e critérios de inclusão; fiz uma investigação exploratória e documental, guiada pela prática. Também não contabilizei acertos e erros das minhas intuições de forma organizada. Registro apenas que, nos casos que consegui verificar, a fonte em geral confirmou o essencial da intuição e corrigiu os detalhes. Isso é um indício sujeito a viés de confirmação, não uma prova. O capítulo seguinte começa com o exemplo mais claro de como isso funcionou: uma lembrança certa na essência e errada no autor.

O mapa das disciplinas

Os capítulos 3 a 22 convocam vinte disciplinas. Cada uma entra com uma pergunta própria:

Constituição do real

3 Escultura ……………. Como uma forma parada parece viva?

4 Anatomia e medicina …… O que o corpo vivo mostra que o corpo idealizado esconde?

5 Ecologia e ambiente …… Como a natureza assina um lugar e uma época?

6 Química e física ……… Que causas comuns afetam tudo numa cena ao mesmo tempo?

O real observado e reconstruído

7 Fotografia …………… O que a luz e a composição revelam sobre uma cena?

8 Cinema ………………. O que faz um movimento parecer causado?

9 Computação gráfica ……. O que foi preciso calcular para a luz parecer física?

10 GPU, games e RA ………. O que muda quando o real precisa responder em tempo real?

11 Sensores e câmeras ……. Que assinatura o aparelho deixa na imagem?

O espaço e a evidência

12 Arquitetura ………….. O espaço é habitável e geometricamente consistente?

13 Investigação forense ….. Os vestígios concordam entre si?

Olhares especializados

14 Cenografia e direção de arte · 15 Figurino e tecidos · 16 Maquiagem e efeitos práticos · 17 Colorização · 18 VFX e composição · 19 Engenharia de som · 20 Psicologia da percepção · 21 História da arte · 22 Documentário e fotojornalismo

Ao revisar o mapa, encontrei também domínios menores que seguem a mesma lógica e que as ferramentas atuais erram com frequência: texto dentro da imagem, mãos, dentes e boca, reflexos e vidro, animais, veículos, comida, multidões, transições de clima e luz, e continuidade entre planos. Em vez de reuni-los numa lista separada, cada um aparece no capítulo onde sua causa é discutida.

O que cada número conta

Quatro números atravessam o projeto, e eles não são sinônimos. Para que não se confundam, fixo aqui o que cada um conta:

16 blocos …….. campos da ficha técnica, o protocolo de descrição de uma imagem (capítulo 32).

20 disciplinas … os campos de conhecimento percorridos nos capítulos 3 a 22.

33 especialidades o mapeamento teórico de olhares especializados que resultou da investigação,

somando as disciplinas e os domínios complementares.

30 agentes ……. os componentes de software da implementação atual do CMRE, numerados de 01 a 30

e coordenados por um orquestrador (capítulo 32).

A passagem de 33 especialidades teóricas para 30 agentes não é erro de conta. Ao virar software, algumas especialidades foram fundidas e outras redistribuídas entre agentes. Essa divisão continua aberta: só experimentos vão mostrar quantos componentes realmente acrescentam informação.

Três etapas

A investigação tem três etapas, e é importante dizer em qual delas o projeto está.

A primeira é conceitual: identificar domínios, parâmetros e relações possíveis entre eles. Este ensaio é, em grande parte, o resultado dessa etapa.

A segunda é operacional: transformar essas relações em registros que possam ser comparados, por pessoas ou por software. O CMRE é o início dessa etapa.

A terceira é experimental: verificar se esses registros ajudam a explicar julgamentos reais de observadores. Essa etapa ainda não foi feita. Sem ela, existe uma proposta de método, não uma validação.

A hipótese, por ora, se apoia em três tipos de indício: exemplos históricos que mostram a relação entre causa e convencimento; observação prática acumulada; e a convergência de disciplinas independentes que, sem se conhecerem, chegam a uma lógica parecida de causa e consequência. São bons motivos para levar a pergunta a sério. Não são, ainda, evidência experimental.

Se o realismo depende de relações causais, o primeiro passo é ver como cada ofício aprendeu a construir o real dentro do seu próprio território. Começo pelo mais antigo deles.

A CONSTITUIÇÃO DO REAL

Antes de perguntar como uma imagem registra o mundo, é preciso perguntar do que o mundo é feito. Esta parte reúne quatro disciplinas que estudam o real diretamente: a escultura, que aprendeu a dar peso e vida à forma; a anatomia e a medicina, que conhecem o corpo por dentro; a ecologia, que lê os lugares e as estações; e a física, que descreve as causas que afetam tudo ao mesmo tempo.

A veia que eu lembrava errado

Durante anos guardei uma lembrança dessas que a gente não sabe de onde veio: uma escultura de Leonardo da Vinci em que o artista teria representado um músculo ou um tendão com tanta precisão que só um especialista em anatomia conseguiria reconhecer. Quando fui atrás da fonte para escrever este ensaio, descobri que a lembrança estava certa na essência e errada nos detalhes. Não era Leonardo. Era Michelangelo. E não era um músculo, era uma veia.

O cardiologista Daniel Gelfman, professor da Marian University, em Indianápolis, visitou a Galleria dell’Accademia, em Florença, e notou no pescoço do Davi (1501–1504) uma veia jugular externa distendida acima da clavícula, como aparece em uma pessoa real sob excitação ou esforço. Ele descreveu a observação num artigo intitulado “The David Sign”, publicado on-line pela JAMA Cardiology em dezembro de 2019 e incluído no fascículo de fevereiro de 2020 (Gelfman, 2020). Anos depois, voltou ao tema e descreveu também a distensão das veias jugulares anteriores, um detalhe difícil de ver do chão numa estátua de mais de cinco metros (Gelfman, 2024).

A leitura de Gelfman não é a única. Um grupo de médicos espanhóis argumentou que a veia tem calibre normal para um pescoço musculoso em tensão e que sua proeminência pode ser explicada por uma combinação de fatores: a rotação do pescoço, a postura do contrapposto, um esforço semelhante a uma manobra de Valsalva e, segundo eles, um possível bócio logo abaixo do pomo de adão (Planells Roig et al., 2021). Não cabe a este ensaio decidir entre as duas leituras, e nenhuma delas autoriza afirmar o que Michelangelo pretendia.

O que me interessa é o que as duas têm em comum. Ambas tratam o detalhe esculpido como consequência de um estado corporal real, e ambas foram feitas por médicos, porque só quem conhece o mecanismo consegue nomear o sinal.

A cronologia

O episódio fica mais intrigante quando se olha para as datas. Segundo seus biógrafos, Michelangelo dissecou cadáveres para estudar anatomia. Um cadáver, porém, não exibe a distensão venosa produzida por esforço ou excitação. E a circulação sanguínea como um sistema fechado, bombeado pelo coração, só seria demonstrada por William Harvey em 1628, mais de um século depois do Davi. Harvey não partiu do zero; a circulação pulmonar já havia sido descrita antes, por Ibn al-Nafis no século XIII e por Realdo Colombo em 1559. Mas o modelo completo ainda não existia quando o mármore foi talhado.

Seja qual for a leitura médica correta, o escultor registrou um sinal de corpo vivo sem dispor da fisiologia que o explicaria. A observação veio antes da teoria. É essa sequência, e não a genialidade do artista, que torna o caso útil para este ensaio.

O meu erro de memória também ensinou alguma coisa. A intuição chegou antes da fonte; a fonte corrigiu o detalhe e preservou o essencial. Foi assim, repetidas vezes, que este trabalho avançou.

A forma vem antes do detalhe

A primeira pergunta que dirigi ao escultor foi como uma forma parada pode parecer viva. A resposta da tradição é que a forma vem antes do detalhe. Por baixo da pele há osso, músculo e tendão, e o corpo tem peso e precisa distribuí-lo.

O Menino de Kritios, de cerca de 480 a.C., é um dos primeiros exemplos preservados de uma figura grega que apoia o peso numa perna e relaxa a outra, a postura que os italianos chamariam de contrapposto. Quando uma perna sustenta o corpo, o quadril daquele lado sobe, os ombros compensam na direção oposta e a coluna desenha uma curva suave. As figuras anteriores, rígidas e frontais, mostravam o corpo; as que vieram depois mostravam um corpo sob a gravidade. Poucas décadas mais tarde, Policleto transformou essas proporções e esse equilíbrio num cânone, exemplificado pelo Doríforo.

A tradição de ensino preservou esse saber. George Bridgman ensinou por décadas na Art Students League de Nova York a construir a figura por massas e volumes, e teve entre seus alunos Norman Rockwell e Andrew Loomis, cujos manuais de construção da cabeça e das mãos ainda formam ilustradores (Bridgman, 1920; Loomis, 1943). O curso de desenho de Charles Bargue, publicado com Jean-Léon Gérôme no século XIX, continua sendo usado em ateliês para treinar o olho a ver proporção antes de detalhe.

Materiais e mestres

Cada material tem sua própria física, e o escultor trabalha com ela, não contra ela. O mármore de grão fino é ligeiramente translúcido: a luz penetra alguns milímetros, espalha-se e volta, e é isso que dá a certas esculturas a aparência de carne. A computação gráfica levaria séculos para calcular esse fenômeno, chamado espalhamento subsuperficial (capítulo 9). O bronze, fundido a partir de um modelo em cera, permite braços estendidos e gestos que a pedra não suportaria. A madeira tem fibra e direção; a cera registra a pressão do dedo.

Gian Lorenzo Bernini mostrou até onde o mármore pode ir. Em O Rapto de Proserpina (1621–1622), na Galeria Borghese, os dedos de Plutão afundam na coxa da jovem. O que convence não é a perfeição da pele, mas a deformação: a pedra mostra a consequência de um contato. É um exemplo antigo de algo que vai voltar muitas vezes neste ensaio. O que torna um detalhe crível é a relação entre duas coisas, não a qualidade de cada uma.

O que retenho do escultor

Do escultor, retenho quatro regras de trabalho: estrutura antes de superfície; peso distribuído e visível; assimetria como norma; e textura que muda com a escala, do poro à ruga e à veia. O Davi acrescentou uma quinta: o detalhe precisa ter causa.

Para um sistema de análise de imagens, isso se traduz em verificar a relação entre pose, estrutura do corpo, pontos de contato e sinais de superfície, em vez de avaliar cada detalhe isoladamente. O escultor trabalha o corpo por fora. O médico o conhece por dentro.

O corpo como sistema

O corpo humano não é uma coleção de formas. É um sistema de tecidos, fluidos, ossos, músculos e respostas que muda com a temperatura, a idade, o esforço, a emoção e a luz. A medicina reconhece sinais porque relaciona o que aparece na superfície a mecanismos que não estão visíveis. Uma veia distendida, uma mudança de cor ou uma contração muscular podem indicar um estado do organismo, mas nenhum sinal isolado autoriza uma conclusão. O contexto e a combinação de sinais importam.

Uso a medicina neste ensaio para entender coerência de representação, não para diagnosticar pessoas em imagens. Os padrões descritos a seguir são tendências e pistas condicionais, e não regras universais.

Pele: um volume, não uma superfície

A pele não é uma superfície pintada. É um volume translúcido em que a luz entra, se espalha e sai, o mesmo fenômeno que a computação gráfica levou décadas para simular. É por isso que a orelha fica avermelhada contra o sol.

Ela também varia por região. Testa e nariz tendem a ser mais oleosos e ter poros mais visíveis; as bochechas, mais rosadas; as olheiras, finas e arroxeadas; os lábios não têm poros; o dorso da mão mostra veias e rugas. Há vermelhidão no nariz, nas orelhas e nos nós dos dedos; há sardas, pintas, manchas de sol e marcas de bronzeado. Há uma penugem fina no rosto inteiro, que acende no contraluz e que as imagens geradas quase sempre omitem. E a pele reage: com o frio ou a emoção, o músculo ligado a cada pelo se contrai e a superfície ganha relevo pontilhado.

Cabelo: estrutura, peso e cor

A pergunta que abriu esta parte da investigação veio de uma cena cotidiana. Quando um cabelo é tingido de preto e fica com um tom único, muita gente percebe que não é natural, mesmo sem saber explicar por quê.

A cor natural do cabelo resulta de dois pigmentos, a eumelanina, escura, e a feomelanina, avermelhada, em proporções que variam de fio para fio. É comum a raiz parecer mais escura e as pontas, mais expostas ao sol, clarearem; as mechas internas costumam ser mais escuras que as externas; fios brancos aparecem espalhados. A tintura uniforme apaga essa variação.

Há também a óptica do fio. Cada fio é um cilindro coberto de escamas, e a luz que o atinge produz brilhos distintos: um reflexo esbranquiçado e um reflexo colorido, que atravessou o fio, deslocados em direções opostas ao longo do comprimento. Stephen Marschner e colaboradores descreveram esse espalhamento de luz em fibras capilares em 2003, e o modelo se tornou a base da renderização de cabelo em cinema (Marschner et al., 2003). Por causa dessa geometria, o brilho do cabelo forma uma faixa perpendicular aos fios, e não um ponto; no contraluz, as bordas translúcidas acendem.

Estima-se que uma cabeça tenha, em geral, entre cem e cento e cinquenta mil fios, e que o cabelo cresça cerca de um centímetro por mês, o que explica por que a raiz tingida aparece em poucas semanas. O cabelo nasce da curvatura do crânio, organiza-se em torno do redemoinho, tem uma linha de implantação irregular, agrupa-se em mechas e quase sempre tem fios soltos, mais numerosos na umidade. O cabelo longo pesa e se acomoda nos ombros; molhado, escurece, gruda e pesa mais; oleoso, achata na raiz.

Esse caso me deu um princípio que se mostrou útil em muitos outros: nada natural tem uma cor só. A uniformidade é, provavelmente, um dos marcadores mais fortes de artificialidade, no cabelo, na pele, na íris, na unha e na parede.

Ossos, músculos, tendões e veias

O esqueleto aparece na superfície em pontos previsíveis: a clavícula, as maçãs do rosto, os nós dos dedos, a patela, os maléolos do tornozelo. Em repouso, a forma do músculo é suave. Sob esforço, o músculo endurece, o tendão salta no punho, no pescoço e no dorso do pé, e as veias podem distender, como no Davi. As veias ficam mais visíveis com calor, esforço, pouca gordura subcutânea e idade.

A contração segue a ação. Quem segura um peso tensiona o antebraço, não o corpo inteiro. Uma mão que aperta um objeto deforma a pele e muda a cor das pontas dos dedos. Uma das falhas mais frequentes que observo em imagens geradas é o corpo em repouso executando uma ação de esforço: o braço carrega uma mala pesada e o antebraço continua relaxado.

Mãos, dentes e boca

As mãos merecem atenção à parte, porque são onde as ferramentas mais erram. Os dedos têm comprimentos diferentes e articulações que limitam os ângulos possíveis; cada dobra tem uma prega correspondente na pele. Os dentes raramente são perfeitamente brancos ou perfeitamente alinhados. A boca muda de forma a cada som da fala, e em vídeo essa sincronia com o áudio é uma das primeiras coisas que o observador percebe quando falha.

Marcas do tempo e do uso

O corpo registra a própria história. Um hematoma muda de cor ao longo dos dias, do vermelho-arroxeado ao azul, ao verde e ao amarelo. A medicina legal adverte que datar um hematoma pela cor é impreciso; a sequência, porém, é útil para dar continuidade a um personagem. A cicatriz é lisa e sem poros. O calo aparece onde há atrito. As rugas seguem as expressões mais usadas. O bronzeado de trabalho marca o antebraço de quem dirige com o braço na janela.

A unha tem lúnula, cutícula, estrias longitudinais e borda livre. As unhas das mãos crescem, em média, cerca de três milímetros por mês. A unha é rosada pelo sangue e embranquece quando pressionada, e conta a vida de quem a tem: roída, cortada reta, com esmalte descascado na ponta, com terra por baixo.

O limpo e o sujo

Filmes ambientados em épocas antigas costumam mostrar personagens visivelmente sujos, porque a produção quer representar um tempo em que a higiene não era a nossa. O que torna essa sujeira convincente, quando funciona, é que ela segue a lógica do corpo. Acumula onde não se lava, onde há suor e onde há contato. O cabelo sujo gruda em mechas oleosas na testa. A pele escurece nas dobras, no pescoço, atrás das orelhas e nos nós dos dedos. O suor brilha na testa e acima do lábio e mancha a roupa nas axilas e nas costas. O mesmo raciocínio vale para o oposto: um personagem que acabou de sair do banho tem cabelo úmido, pele avermelhada pelo calor e nenhuma oleosidade na testa.

Olhos

O padrão da íris é tão individual que difere entre os dois olhos de uma mesma pessoa e entre gêmeos idênticos, e por isso é usado em sistemas de reconhecimento (Daugman, 2004). A pupila varia de cerca de dois a quatro milímetros sob luz intensa até perto de oito no escuro, e se dilata também com emoção e interesse. A esclera nunca é branca pura; tem vasos finos e uma tonalidade levemente amarelada ou rosada. A linha d’água brilha. Os cílios são irregulares e se agrupam.

O reflexo da fonte de luz no olho, o catchlight, é uma das pistas mais úteis para este ensaio, porque liga o corpo ao ambiente. Ele precisa ter um formato e uma posição compatíveis com a fonte real, nos dois olhos ao mesmo tempo. Uma janela retangular à esquerda deve aparecer como um pequeno retângulo à esquerda em ambas as córneas. A verificação desse reflexo é uma técnica conhecida da perícia de imagens (capítulo 13).

Orelhas e assimetria

A orelha direita é diferente da esquerda, e cada orelha é individual o bastante para ter sido usada em identificação (capítulo 13). O rosto inteiro é assimétrico: um olho um pouco mais aberto, uma sobrancelha mais alta, um sorriso que puxa para um lado. A simetria perfeita é um dos marcadores mais comuns de rosto sintético.

Síntese

Todo elemento do corpo tem estrutura, que é a anatomia; variância, porque nunca é uniforme; resposta física, à luz, à gravidade, ao calor e ao esforço; e história, feita de tempo, uso e cuidado. Na imagem gerada, o erro pode estar na anatomia evidente ou na falta dessas relações sutis. Uma pele uniforme demais contradiz a idade aparente; uma expressão não combina com a musculatura em volta dos olhos; uma mão toca um objeto sem pressioná-lo. O realismo não exige defeitos aleatórios. Exige sinais compatíveis com a condição representada.

O corpo, porém, nunca está sozinho. Ele existe num lugar, numa estação, sob uma luz.

O verde não é uma cor

Uma folha nova é verde-amarelada e translúcida ao sol; uma folha madura é verde-escura e opaca; uma folha velha amarela e cai. Na mesma árvore convivem as três. A grama tem trilhas de pisoteio, touceiras e partes secas. A casca de uma árvore é mais escura e úmida do lado que pega menos sol. Um gramado inteiramente do mesmo verde é tão suspeito quanto um cabelo inteiramente do mesmo preto.

As estações também têm assinatura. Aqui no Cerrado mineiro, onde moro, isso é evidente para qualquer morador: o verde intenso e a chuva de fim de tarde no verão; a poeira, o capim seco e o céu sem nuvens no inverno; a floração do ipê-amarelo no fim da seca. Uma imagem que mistura pinheiros e ipês, ou chão encharcado sob céu de seca, tende a ser reconhecida como falsa por quem vive aqui, mesmo que a pessoa não saiba dizer por quê. A coerência ecológica é local: um morador de outra região notaria incoerências que eu não noto.

A luz do dia muda com a hora

O sol não ilumina igual o dia inteiro, e cada hora tem uma combinação própria de direção, cor e dureza.

Na hora dourada, logo após o nascer e antes do pôr do sol, a luz direta atravessa muita atmosfera, chega baixa e quente, e produz sombras longas e rostos iluminados de lado. Na hora azul, com o sol já abaixo do horizonte, não há mais luz direta: a cena é iluminada pelo céu, numa luz difusa e fria, com sombras muito suaves ou quase ausentes. São momentos diferentes, e uma imagem que mistura a sombra longa e nítida da hora dourada com a cor azulada da hora azul combina duas horas que não coexistem. O meio-dia tem luz dura, vinda de cima, e sombras curtas sob o queixo e o nariz. O dia nublado transforma o céu inteiro num difusor gigante, com sombras macias e cores menos saturadas.

Umidade, calor e frio

O clima não fica no céu; ele aparece em tudo ao mesmo tempo. O frio aparece no vapor da respiração, no vidro embaçado, nas extremidades avermelhadas ou azuladas e nas roupas. O calor aparece na distorção do ar sobre o asfalto, no suor e nas roupas leves. A umidade aparece na condensação, no mofo dos cantos, na madeira inchada e no frizz do cabelo. O ar seco aparece na poeira suspensa, na estática do cabelo e no lábio rachado. Uma cena em que as pessoas vestem casacos enquanto o chão mostra sinais de calor está contando duas histórias.

Transições

Algumas das cenas mais difíceis são as de passagem: o amanhecer em que a luz do céu e a primeira luz direta convivem; a chuva que começa, molhando primeiro as superfícies expostas e deixando secas as protegidas; a neve que derrete de forma desigual, mais rápido no lado do sol e perto das paredes aquecidas. Transições têm direção e ritmo, e o que denuncia uma imagem falsa costuma ser uma transição sem lógica espacial.

A natureza retoma

O ambiente deixa marcas e a natureza ocupa os espaços que o uso abandona. Mato nasce na rachadura; líquen e musgo crescem no lado úmido e sombreado da pedra; folhas se acumulam onde o vento não alcança. Um lugar abandonado há décadas e um lugar cuidado ontem diferem nesses detalhes, e uma ficha de observação ambiental precisa registrar não apenas o que existe, mas onde está, como se formou e com que outros sinais se relaciona.

Síntese

A ecologia ensina a pensar uma cena como um sistema de interações em que organismos, clima, solo e atividade humana se influenciam. A presença de um elemento cria expectativas sobre os outros. A hipótese que essa disciplina sugere testar é que a coerência contextual melhora quando a geração considera causas prováveis para a distribuição de vegetação, umidade, desgaste e luz. A pergunta seguinte é: que causas são essas?

Uma causa comum

A formulação mais útil que encontrei sobre o mundo físico é simples: muitas das causas de uma cena atuam sobre tudo ao mesmo tempo. Se venta, venta no cabelo, na árvore, na poeira e na água. Se choveu, tudo que ficou exposto está molhado. Se o sol está baixo à esquerda, todas as sombras se alongam para a direita. Foi aqui que a palavra coerência entrou definitivamente neste trabalho.

É preciso tratar essa ideia como uma regra prática de composição, não como uma lei absoluta. O vento perto de um prédio faz redemoinhos; duas lâmpadas produzem duas sombras; uma parte da cena pode estar protegida da chuva. A regra não diz que tudo é uniforme. Diz que as diferenças precisam ter motivo.

Gravidade: o tempo denuncia a escala

Um objeto que cai do repouso, quando a resistência do ar é desprezível, leva um tempo proporcional à raiz quadrada da altura (t = √(2h/g)). Cair um metro leva cerca de 0,45 segundo; cair cinco metros, cerca de um segundo. Isso tem uma consequência visual direta: a escala de uma cena se lê no tempo. Um prédio que desmorona “rápido demais” parece uma maquete, e por isso o cinema de miniaturas filmava em alta velocidade para reproduzir as quedas mais lentamente.

Quando a resistência do ar importa, o tempo de queda depende também da forma e do tamanho. Uma pena ou uma folha planam em zigue-zague enquanto uma pedra cai reta. Gotas de chuva grandes caem, em condições típicas, a cerca de nove metros por segundo; flocos de neve, a algo próximo de um metro por segundo, conforme forma e umidade. Tudo o que é lançado descreve, em primeira aproximação, uma parábola.

Massa e inércia

O peso de um objeto quase nunca se vê no próprio objeto. Vê-se no que reage a ele: o braço de quem o carrega, o joelho que dobra, o chão que afunda, a poeira que sobe, a água que espirra. Objetos pesados resistem a começar e a parar. Cada quique perde altura. Nada quica duas vezes igual.

Materiais

Cada material reage de um jeito. Pedra, metal e vidro quebram em fragmentos, e o vidro estilhaça em pontas enquanto a cerâmica parte em cacos maiores. Tecido, borracha e carne deformam e voltam com oscilação. Areia, terra e grãos escorrem e formam montes com uma inclinação característica. O vidro comum tem dupla reflexão, uma em cada face, e uma borda esverdeada causada por impurezas de ferro. Superfícies polidas espelham parcialmente, e o reflexo fica mais forte em ângulos rasantes. A suspensão de um carro abaixa sob peso, a pintura tem camadas e o escapamento muda com a temperatura.

Água

A água é uma das matérias mais difíceis de falsificar. A tensão superficial impõe às gotas e aos respingos uma escala característica, da ordem de milímetros, que não acompanha o tamanho de uma maquete. É por isso que a água numa miniatura parece grossa demais. O respingo forma coroa, gotas satélites e anéis. Água, óleo e mel escorrem em velocidades radicalmente diferentes. Uma superfície molhada fica mais escura, mais saturada e mais reflexiva, e as poças espelham o céu.

Fogo e fumaça

A cor de uma chama depende da temperatura e da química do que queima. Numa vela ou numa fogueira, o amarelo-alaranjado vem principalmente de partículas de fuligem incandescentes; o azul da base da chama ou de um fogão a gás vem da combustão dos gases. Outros elementos colorem a chama, como o sódio, que a deixa intensamente amarela. Por isso a cor de uma chama dá uma pista, não uma leitura de termômetro. A chama pisca de forma rápida e irregular, e sua luz tremula na cena inteira. A fumaça sobe, se abre, espirala e é levada pelo vento; fumaça escura indica queima incompleta. Acima de uma fonte de calor, o ar distorce o que está atrás.

Vento

O vento é invisível e só existe no que move. Afeta primeiro o que é leve, como cabelo, poeira, folhas e bandeiras, e por último o que é pesado. Vem em rajadas, não de forma constante, e folhas de tamanhos diferentes balançam em ritmos diferentes. Numa cena aberta, há uma direção dominante, e o que se move tende a se inclinar para ela. Na minha prática, a inconsistência de vento é uma das incoerências mais frequentes em imagens geradas: o cabelo vai para a direita, a fumaça vai para a esquerda e a bandeira está parada.

Atmosfera e partículas

O céu é azul porque as moléculas do ar espalham mais os comprimentos de onda curtos, o chamado espalhamento de Rayleigh; no pôr do sol, a luz atravessa uma camada maior de ar e chega avermelhada. Partículas maiores, como gotículas de névoa e poluição, espalham todas as cores de forma parecida (espalhamento de Mie), e é isso que clareia, dessatura e esbranquiça a distância. Os raios de luz visíveis num ambiente só aparecem quando há algo para espalhá-los: poeira, fumaça, vapor. Poeira num feixe de luz, pólen, cinza, fagulha, inseto, vapor da respiração no frio: as partículas dão escala, profundidade e vida a uma cena.

A temperatura denuncia a fonte

Cada fonte de luz tem uma cor característica, medida em kelvins. Os valores abaixo são aproximados e variam com o equipamento e as condições:

Chama de vela ………………………. cerca de 1.900 K

Lâmpada incandescente doméstica ………. cerca de 2.700 K

Lâmpada halógena de estúdio ………….. cerca de 3.200 K

Luz do dia direta, meio do dia ……….. cerca de 5.500 K

Céu encoberto ………………………. cerca de 6.500 a 7.500 K

Sombra sob céu azul limpo ……………. 8.000 K ou mais

LED ………………………… depende do produto, em geral de 2.700 a 6.500 K

Os filtros quentes e frios da fotografia, hoje substituídos pelo balanço de branco, são deslocamentos nessa escala. A lição mais útil, porém, é outra. Ambientes reais quase sempre misturam fontes: a janela azulada e a lâmpada amarela na mesma sala, a luz fria da tela no rosto de quem está numa cozinha iluminada por lâmpada quente. Ferramentas generativas tendem, na minha observação, a unificar a cena numa temperatura só, e essa correção é exatamente o que a torna menos crível.

Entropia: o tempo deixa marcas

O desgaste tem mecanismos diferentes, e cada um deixa uma marca em lugar diferente. O atrito gasta e lustra onde se toca: a maçaneta brilhante, o degrau gasto no centro, a tinta descascada na quina por onde passa o carrinho. A sujeira se acumula onde não se limpa: cantos, frestas, base de parede. A ferrugem é oxidação e precisa de água e oxigênio; suas manchas escorrem para baixo, junto com a água. O musgo e o líquen são vida e precisam de umidade e sombra. O sol desbota o que atinge e preserva o que fica coberto, de modo que o tapete perde cor no caminho da luz e não embaixo do sofá. Chamar tudo isso apenas de envelhecimento apaga a informação que cada marca carrega.

Síntese

O ambiente real pode ser lido em cinco camadas: causas comuns, como hora, clima, vento e umidade, aplicadas a tudo; forças, como gravidade, inércia e impacto, com a reação correspondente; materiais, cada um com sua física; atmosfera, com sua espessura, suas partículas e sua luz volumétrica; e tempo, com marcas de desgaste que têm mecanismo e localização.

Com isso, a constituição do real está posta: corpo, natureza e física. O passo seguinte é ver como cada ofício captura ou reconstrói esse real.

O REAL OBSERVADO E RECONSTRUÍDO

O mundo não chega aos nossos olhos sem intermediários quando o vemos numa imagem. Entre a cena e o observador há sempre um meio: a tinta, a lente, o filme, o sensor, o motor de render, a tela. Cada meio tem regras próprias e deixa marcas. Esta parte percorre os ofícios que aprenderam a registrar ou reconstruir o real e pergunta, em cada um, o que esses ofícios sabem sobre coerência.

O fotógrafo lê a luz

Deixo os sensores para o capítulo 11. Aqui me interessa a arte da fotografia: o que um fotógrafo vê antes de apertar o botão.

Ele vê, antes de tudo, de onde vem a luz, que tamanho tem a fonte, que cor ela tem e onde ela bate. Uma fonte pequena e distante, como o sol do meio-dia, desenha sombras duras e bem definidas; uma fonte grande e próxima, como uma janela ampla ou um céu nublado, desenha sombras macias, com transição gradual. A direção da luz define o volume: luz frontal achata o rosto, luz lateral o esculpe, contraluz recorta a silhueta e acende o cabelo. Nada disso é estilo arbitrário; são consequências geométricas da relação entre fonte, objeto e câmera.

Uma herança da pintura

Boa parte desse olhar foi construída por pintores séculos antes da câmera. Jan van Eyck, no Retrato dos Arnolfini (1434), mostrou o que a tinta a óleo aplicada em camadas translúcidas faz com a luz: ela atravessa a película e volta, como na pele. Leonardo sistematizou o sfumato, a borda que se dissolve na sombra, e a perspectiva atmosférica, pela qual o distante fica mais claro, mais azulado e menos contrastado. Caravaggio levou o claro-escuro ao limite, usando a luz como instrumento de escultura. Rembrandt pintou retratos com uma fonte alta e lateral que deixa um pequeno triângulo iluminado na bochecha do lado da sombra, um padrão que os fotógrafos de retrato ainda chamam de luz Rembrandt. Vermeer registrou a luz de janela e os pequenos pontos de brilho especular que dão vida aos objetos; se ele usou ou não uma câmera escura para isso é uma hipótese debatida entre historiadores. Os impressionistas mostraram que a sombra tem cor e que a luz muda com a hora.

Dessa herança, retenho princípios que qualquer diretor de fotografia reconhece. A luz quente tende a vir acompanhada de sombra fria, porque a área de sombra é iluminada pelo céu; no interior, ocorre muitas vezes o inverso. Toda superfície rebate um pouco da própria cor na vizinha, de modo que uma parede vermelha avermelha o rosto ao lado dela. E o detalhe fino vai para onde o olho deve ir; o resto pode ser solto. A troca de pincel é, no fundo, uma decisão de hierarquia.

Composição, foco e momento

A composição também carrega informação. O que está em foco e o que está desfocado diz ao olho onde olhar e, indiretamente, a que distância a câmera estava e quão aberta estava a lente. O desfoque de fundo, o bokeh, não é um efeito a ser adicionado; é uma consequência de lente, distância e abertura, e precisa combinar com elas. Um retrato com o fundo muito desfocado sugere uma lente longa e aberta, o que implica também perspectiva comprimida e pouca profundidade de campo nas orelhas e na ponta do nariz.

O momento importa tanto quanto o enquadramento. Henri Cartier-Bresson associou a fotografia de rua ao instante decisivo, o momento em que forma e acontecimento se alinham. Fotografias reais carregam a marca desse instante: um pé no ar, uma pálpebra semifechada, uma pessoa ao fundo que não estava posando. Imagens geradas, na minha observação, tendem a congelar todo mundo no seu melhor ângulo ao mesmo tempo.

A faixa dinâmica e o Sistema de Zonas

Ansel Adams e Fred Archer desenvolveram, por volta de 1939 e 1940, o Sistema de Zonas, que divide a escala tonal de uma cena em faixas e ensina o fotógrafo a decidir o que fica com detalhe e o que pode se perder (Adams, 1948). O sistema foi pensado para o filme e para o laboratório, mas a decisão que ele formaliza continua valendo: nenhuma captura registra tudo. Num dia de sol, ou o céu perde detalhe ou a sombra empasta; o fotógrafo escolhe.

Essa limitação é parte da aparência fotográfica. Uma imagem em que cada centímetro tem detalhe, do céu claro à sombra mais funda, pode ser suspeita quando o contexto sugere uma câmera comum. O contrário também é verdade: imperfeições acrescentadas sem causa, como grão excessivo ou um flare sem fonte, também denunciam artifício. A assinatura de captura precisa corresponder à câmera sugerida, às condições da cena e ao tratamento posterior.

A cena tem história

Um bom fotógrafo sabe que a cena existia antes do clique e continuará depois dele. Há coisas fora do quadro que influenciam o que está dentro: a janela que não aparece mas ilumina o rosto, a parede atrás da câmera que rebate luz, o caminho por onde as pessoas passaram. Fotografar é escolher o que excluir, mas o que foi excluído continua deixando marcas. Uma imagem coerente sugere um mundo que continua além das bordas.

A fotografia registra um instante. O movimento, como veremos, é ainda mais fácil de denunciar.

O olho não perdoa o movimento

O olho perdoa uma imagem estranha com mais facilidade do que perdoa um movimento errado. Passamos a vida lendo corpos e trajetórias, e por isso o vídeo gerado costuma ser denunciado mais depressa que a imagem estática. Cresci assistindo a filmes, séries e jogos com a atenção de quem quer saber como aquilo foi feito, e as perguntas deste capítulo vieram, quase todas, de cenas que me fizeram voltar o vídeo.

Os sintomas são conhecidos de quem trabalha com isso: corpos que flutuam sem peso; velocidade constante, sem aceleração; pés que deslizam no chão, o que a indústria de jogos chama de foot skating; olhos parados; câmera lenta como padrão; mãos e objetos que se transformam entre um quadro e outro; ações que começam do nada. O que eles têm em comum é a ausência de causa e consequência no tempo.

O que os animadores sistematizaram

Frank Thomas e Ollie Johnston, dois animadores centrais da Disney, reuniram em The Illusion of Life (1981) os doze princípios de animação. Vários deles são física traduzida em regra de ofício. A antecipação: agachar antes de pular, recuar o braço antes de lançar. O ease in e ease out: nada começa nem para de uma vez. Os arcos: membros descrevem curvas, não retas. O follow-through e a ação sobreposta: cabelo, roupa e partes moles chegam depois do corpo. O squash and stretch: compressão no impacto, sutil no realismo, mas presente. O timing: o número de quadros de uma ação comunica o peso de quem a executa.

O corpo em movimento

A biomecânica acrescenta regras do próprio corpo. Em muitos gestos de força, como lançar uma bola ou dar um golpe, o movimento nasce no quadril, passa pelo tronco e só então chega ao braço, numa cadeia cinética. O corpo compensa o tempo todo o centro de gravidade para não cair, e quem carrega peso de um lado inclina-se para o outro. A marcha humana costuma ter entre cem e cento e vinte passos por minuto, com o ombro girando contra o quadril. E o contato é onde mais se erra: o pé precisa firmar no chão, a mão precisa afundar na superfície que aperta.

Mesmo em repouso, o corpo se move. Um adulto em repouso respira tipicamente entre doze e vinte vezes por minuto, e isso aparece no ombro e no peito. Piscamos muitas vezes por minuto, com grande variação entre pessoas e situações, e mais quando mudamos o olhar ou o pensamento. Os olhos não deslizam; saltam de ponto em ponto em movimentos sacádicos. Um olhar fixo por tempo demais parece morto. O peso troca de perna, os dedos se ajustam. A expressão, muitas vezes, começa nos olhos antes de chegar à boca.

Intenção antes do gesto

O teatro e a dança acrescentam uma camada que a biomecânica não cobre: o pensamento precede o movimento. A pessoa olha, decide e só então age. Todo movimento dançado tem preparação, execução e recuperação, e a pausa também é movimento. Um gesto sem intenção parece robótico, por mais fluido que seja.

Muybridge e o galope

Até a década de 1870, a convenção para pintar um cavalo a galope era o “galope voador”, com as quatro patas estendidas para a frente e para trás, como no Derby de Epsom, de Théodore Géricault (1821). Em junho de 1878, em Palo Alto, na Califórnia, Eadweard Muybridge enfileirou câmeras disparadas por fios ao longo da pista de Leland Stanford e fotografou a égua Sallie Gardner a galope. As imagens mostraram que há, sim, um instante em que nenhuma pata toca o chão, mas com as pernas recolhidas sob o corpo, e não estendidas. Nas décadas seguintes, a convenção do galope voador foi sendo abandonada nas artes e nas ilustrações.

É um dos exemplos mais citados de um registro técnico corrigindo uma convenção sustentada por olhos treinados. Os melhores pintores do mundo viam cavalos todos os dias e, ainda assim, representavam um movimento que não existia. Muybridge depois ampliou o trabalho para pessoas e animais de muitas espécies (Muybridge, 1887), e cada espécie tem marcha e anatomia próprias. Na minha prática, quadrúpedes gerados por IA ainda erram a ordem das patas com frequência, como os pintores de antes de 1878 erravam o galope.

Cadência, obturador e quem segura a câmera

O cinema estabeleceu uma convenção para o que o público aceita como movimento “de cinema”: 24 quadros por segundo com obturador de 180 graus, ou seja, cada quadro exposto por cerca de 1/48 de segundo, o que produz um borrão de movimento característico. É uma convenção, não uma lei de realismo. Obturadores rápidos produzem movimento picotado e nítido, usado de propósito em cenas de guerra; sessenta quadros por segundo dão aspecto de transmissão esportiva, vídeo doméstico ou jogo. Documentários e vídeos de celular usam cadências diferentes e continuam coerentes com seu meio. A câmera lenta só convence quando é justificada; usada sempre, é uma das marcas mais fortes de vídeo sintético.

A câmera real também tem corpo. Câmera na mão tem microtremor, a respiração do operador e um reenquadramento ligeiramente atrasado. Estabilizadores têm fluidez com inércia nas curvas. Carrinhos e gruas têm aceleração mecânica. Drones derivam com o vento. O foco humano erra e corrige.

Continuidade

Entre um plano e outro, a luz, o desgaste, a posição dos objetos e o estado dos personagens precisam bater. É o trabalho do continuísta: o copo que estava pela metade não pode aparecer cheio no plano seguinte; a camisa molhada não seca entre dois cortes da mesma cena. É também onde os vídeos longos gerados por IA mais se quebram, porque cada trecho tende a ser coerente consigo mesmo e não com os anteriores.

Fluidez não é realismo

O Homem-Aranha no Aranhaverso (2018) animou boa parte de suas cenas “em dois”, com doze desenhos por segundo, e mostrou que menos fluidez pode ter mais caráter. A lição vale para o vídeo gerado: um movimento pode ser perfeitamente suave e continuar fisicamente impossível.

Síntese

O movimento real pode ser lido em cinco camadas: intenção (olhar, decidir, agir), física (peso, inércia, aceleração, contato), corpo (cadeia cinética, arcos, elementos secundários atrasados), microvida (respiração, piscar, sacadas) e captura (cadência, obturador, operador). Minha hipótese de trabalho é que o vídeo gerado falha com mais frequência quando entrega a terceira camada sem as outras quatro.

O cinema registra o movimento. A computação gráfica precisou reconstruí-lo, e com ele a luz.

Cinquenta anos para calcular a luz

A computação gráfica percorreu, em cerca de cinquenta anos, um caminho que a pintura levou séculos para trilhar, com uma diferença decisiva: ela precisou escrever as regras.

Bui Tuong Phong propôs em 1975 um modelo de brilho especular para superfícies sintéticas (Phong, 1975), que James Blinn refinou em 1977 (Blinn, 1977). Em 1980, Turner Whitted descreveu o ray tracing recursivo, que acompanha os raios de luz através de reflexões e refrações (Whitted, 1980); a ideia de lançar raios para calcular imagens já existia antes, mas foi essa formulação que tornou visíveis espelhos e vidros convincentes. Em 1986, James Kajiya escreveu a equação de renderização, que descreve numa única expressão como a luz se propaga e é trocada entre as superfícies de uma cena (Kajiya, 1986). Em 1987, Robert Cook, Loren Carpenter e Edwin Catmull descreveram a arquitetura Reyes (Cook, Carpenter e Catmull, 1987), base do RenderMan da Pixar, que em 1995 produziu Toy Story, o primeiro longa-metragem de animação inteiramente produzido por computador.

A pele é um volume

Os saltos seguintes foram de material. Em 2001, Henrik Wann Jensen e colaboradores propuseram um modelo prático de espalhamento subsuperficial, a luz que penetra, se espalha e sai de materiais como pele, mármore, cera e folhas (Jensen et al., 2001). É o fenômeno que deixa a orelha vermelha contra o sol e que o escultor do capítulo 3 explorava sem nome.

Em 2012, Brent Burley apresentou o modelo de material com base física desenvolvido na Disney, usado a partir de Detona Ralph, que descreve a reflexão de uma superfície com uma cor e um pequeno conjunto de parâmetros previsíveis, pensados para artistas (Burley, 2012); em 2015, estendeu-o para incluir transmissão e espalhamento subsuperficial (Burley, 2015). Esse modelo e seus derivados se tornaram a base do que hoje se chama PBR, physically based rendering, nos motores de jogos e nos programas de 3D. Um dos princípios do PBR é a conservação de energia: uma superfície não reflete mais luz do que recebe. Outro é o efeito Fresnel, pelo qual o reflexo aumenta em ângulos rasantes; a aproximação proposta por Christophe Schlick (1994) está em praticamente todo motor em tempo real. O mesmo espírito chegou ao cabelo, com o modelo de Marschner descrito no capítulo 4.

O que o render ensina

Do render, retenho que nada tem brilho uniforme; que o contato entre objetos escurece a região próxima, o que os artistas chamam de oclusão de ambiente; que a pele é um volume e não uma superfície; e uma lição que a Pixar ensina há décadas: a forma pode ser estilizada e ainda assim convencer, desde que a luz se comporte de modo físico.

O conhecimento de computação gráfica ajuda a separar dois problemas que costumam aparecer misturados. Uma imagem pode ter acabamento visual excelente e, mesmo assim, não ter uma estrutura causal coerente. Ou pode ter uma estrutura bem definida e uma execução visual pobre. São falhas diferentes e pedem avaliações diferentes.

Há também uma diferença de natureza entre o render e a geração por IA, que retomo no capítulo 27. Num motor de render, a cena existe como geometria, materiais, luzes e câmera, e a imagem é calculada a partir dessas causas. Um modelo generativo produz a imagem a partir de padrões aprendidos, sem que exista necessariamente uma cena tridimensional por trás. Isso não torna o modelo incapaz de acertar a luz; torna o acerto menos garantido e menos controlável.

O render clássico é calculado com calma, quadro a quadro. A GPU trouxe parte desse cálculo para o tempo real, e o tempo real ensina coisas que o render offline não ensina.

O real que responde

Monto computadores desde o começo dos anos 2000 e acompanhei por dentro a evolução das placas de vídeo, da força bruta dos primeiros aceleradores até o ray tracing em tempo real, que chegou às placas de consumo em 2018. Essa convivência me fez ver uma coisa que o cinema não ensina: num jogo, o mundo precisa responder.

A GPU executa milhares de operações em paralelo para transformar geometria, materiais e luzes em sucessivos quadros, muitas vezes sessenta ou mais por segundo. O realismo em tempo real é, por isso, uma negociação permanente entre qualidade, custo computacional e resposta imediata.

O que os jogos ensinam

Os jogos mostram que o realismo não depende só de fidelidade visual. O corpo precisa responder ao contato; a sombra precisa acompanhar o objeto; a animação precisa respeitar a trajetória; e a interface não pode contradizer o mundo que apresenta. Mundos estilizados convencem quando suas regras são estáveis.

A indústria desenvolveu técnicas para impor coerência ao movimento. Mesmo quando a animação vem de captura real, com atores vestindo marcadores, os animadores limpam os dados e reforçam o peso, porque a captura bruta às vezes “flutua”. Os jogos usam cinemática inversa para travar os pés no chão, transições suavizadas para passar de uma ação a outra e root motion para que o deslocamento do personagem coincida com a passada. Multidões convincentes exigem que cada pessoa tenha seu próprio ritmo, olhar e postura; ferramentas generativas, na minha observação, tendem a repetir poses e sincronizar gestos.

A tela também faz parte do real

Uma lição contraintuitiva da tela é que o que percebemos como realismo é mais gradação do que quantidade de pixels. Acima de certa densidade, na distância normal de uso, o olho deixa de distinguir os pixels. O que ele distingue é a continuidade: uma tela de 8 bits por canal pode mostrar degraus visíveis num céu, o chamado banding, que uma de 10 bits suaviza. O espaço de cor importa: o sRGB cobre menos cores que o DCI-P3, que cobre menos que o Rec.2020. O OLED apaga o pixel e entrega preto real; o LCD vaza luz. Telas HDR, com picos de mil nits ou mais, conseguem sugerir o brilho de um reflexo de sol. E a nitidez percebida vem mais do contraste de borda, a acutância, do que da resolução.

O mesmo vale para o movimento na tela. Taxas de 120 ou 240 Hz dão mais fluidez, não mais realismo. A interpolação de movimento das televisões, que inventa quadros intermediários, produz o chamado efeito novela e destrói o aspecto de cinema. Cadência consistente vale mais que taxa alta.

Realidade aumentada

A realidade aumentada torna a coerência impossível de ignorar. Um objeto virtual precisa acompanhar a posição e a orientação do aparelho, respeitar a escala do ambiente, responder à luz do lugar, projetar sombra no chão real e ser escondido pelos objetos reais que passam na frente dele. Se a luz da sala é azulada e o objeto chega amarelado, se ele flutua ou atravessa a mesa, a ilusão se rompe na hora. É a mesma pergunta deste ensaio, feita sessenta vezes por segundo.

Algo parecido vale para os chamados hologramas comerciais, que em geral são truques ópticos ou telas especiais, e não reconstruções da frente de onda da luz. Para sugerir profundidade, uma imagem plana precisa reproduzir as pistas que o cérebro usa: oclusão, desfoque por distância, névoa atmosférica, sombra de contato, perspectiva e tamanho relativo.

Coerência em contexto

Para o CMRE, essa área oferece uma referência prática: coerência se avalia em relação a um contexto de uso. Um quadro para impressão, uma cena de jogo e um objeto em realidade aumentada não seguem os mesmos critérios de apresentação, mas todos dependem de relações internas consistentes.

A GPU produz a imagem sintética. O sensor é a porta de entrada da imagem real.

A câmera não é uma janela neutra

Ao fotógrafo perguntei sobre ISO, abertura, lente e flash, e a resposta foi a mais operacional de todas: toda fotografia foi feita por um aparelho específico e carrega a assinatura dele. Sensor, lente, processamento, compressão e estabilização alteram o que chega ao arquivo. Dois aparelhos registram a mesma cena com diferenças de faixa dinâmica, ruído, nitidez, cor e distorção.

A abertura define a profundidade de campo. O ISO influencia o ruído. A velocidade do obturador define o borrão de movimento. A distância focal, junto com a distância até o assunto, define a perspectiva: uma 35 mm costuma ser associada à fotografia documental, uma 50 mm é frequentemente descrita como próxima da visão humana, e uma 85 mm comprime o retrato. O vidro deixa marcas: vinheta, flare, aberração cromática nas bordas de alto contraste, bokeh ovalado nos cantos do quadro.

O que o aparelho não alcança

Um sensor tem faixa dinâmica limitada: num dia de sol forte, ou o céu estoura ou a sombra perde detalhe. Os celulares contornam isso combinando várias exposições em uma, o que levanta as sombras, comprime o contraste e aplica nitidez artificial. Para boa parte do público, é esse, hoje, o aspecto de “foto real”. O rolling shutter dos sensores de celular inclina objetos em movimento rápido. A compressão cria blocos e halos. A estabilização digital às vezes “puxa” o quadro.

Esses sinais precisam ser tratados com cuidado, porque não existe uma assinatura única de fotografia real. O que se pode avaliar é se a assinatura aparente combina com o aparelho e as condições sugeridas. Uma foto que se apresenta como de celular, com fundo extremamente desfocado de lente longa e nenhuma marca de processamento, mistura assinaturas incompatíveis.

Cada época tem uma cara

Cada geração de captura tem uma estética reconhecível, e escolher uma é uma das formas mais eficazes de tornar uma imagem crível. O filme tem grão químico, halação em torno das altas luzes e as paletas características de emulsões como a Kodak Portra. As primeiras câmeras digitais com sensor CCD produziam cores saturadas e contraste alto. O sensor full frame trouxe gradação suave. O celular contemporâneo trouxe o HDR computacional.

Uma conclusão importante: megapixel não é realismo. A primeira câmera digital autocontida, um protótipo construído por Steven Sasson na Kodak em 1975, registrava imagens de 0,01 megapixel. O que torna uma imagem crível não é a resolução, é a coerência entre a imagem e o aparelho que supostamente a produziu.

Uma evidência doméstica

Essa pergunta eu vivi no trabalho. A agência usou por anos uma Canon 60D e, mais tarde, uma Sony FX30. A mesma cena, o mesmo tipo de cliente, anos de distância, e uma diferença de comportamento de sensor que senti na tela de edição antes de conseguir traduzir em números: gradação mais suave, sombra com mais informação, cor mais estável. Não é uma medição, é a experiência de quem editou os dois materiais. Mas ela me convenceu de que o “look” de uma imagem é, em grande parte, a assinatura do aparelho que a captou.

Medido e inferido

Uma ficha de captura precisa separar o que foi medido do que foi inferido. Se os metadados EXIF de uma foto estão disponíveis, eles informam câmera, lente e exposição. Se não estão, lente e sensor não devem ser apresentados como fatos; podem ser descritos como hipóteses compatíveis com a aparência. E em imagens geradas, nunca se deve escrever metadados a partir do texto do prompt: pedir “f/1.8” não faz de uma imagem uma foto tirada em f/1.8.

O sensor captura o espaço. O arquiteto o projeta, e sabe ler nele o que a foto não mostra.

O ESPAÇO E A EVIDÊNCIA

Duas profissões leem um lugar como um conjunto de relações que precisam fechar. O arquiteto pergunta se o espaço é habitável e geometricamente consistente. O investigador pergunta se os vestígios concordam entre si. Juntas, elas oferecem o modelo mais próximo do que este ensaio propõe.

O espaço tem medidas

A arquitetura ensina a pensar o espaço como relações que podem ser medidas. Escala, proporção, circulação, estrutura e luz condicionam o uso de um ambiente. Uma porta precisa ser compatível com o corpo que a atravessa; no Brasil, a altura usual de uma porta interna é de cerca de 2,10 metros. Uma escada precisa permitir uma passada possível, com degraus de altura e profundidade proporcionais. Uma janela se relaciona com a espessura da parede, e a espessura da parede diz algo sobre a época e a técnica da construção.

Essas medidas são as referências de tamanho que o olho usa sem perceber. Quando uma porta parece baixa demais para a pessoa ao lado dela, ou uma xícara grande demais para a mão, a cena perde escala, e com ela a credibilidade.

Perspectiva e pontos de fuga

A perspectiva é uma construção geométrica com regras. Linhas paralelas no mundo convergem para um mesmo ponto de fuga na imagem, e os pontos de fuga das linhas horizontais ficam sobre a linha do horizonte, que corresponde à altura dos olhos de quem fotografa. Uma imagem pode mostrar objetos perfeitamente reconhecíveis e ainda falhar na organização do espaço: um móvel cujas arestas fogem para um ponto diferente das arestas da sala, uma mesa vista de cima enquanto o chão é visto de lado, uma sombra que sugere uma profundidade incompatível com a perspectiva. A cena perde unidade porque suas partes parecem obedecer a geometrias diferentes.

Nem sempre é possível inferir medidas absolutas a partir de uma imagem, mas muitas relações internas podem ser verificadas. Quando a escala é incerta, o sistema deve registrar a incerteza em vez de inventar uma medida.

A luz que o arquiteto projeta

O arquiteto define a luz de um interior antes de qualquer fotógrafo chegar. A orientação das janelas determina por onde o sol entra em cada hora; no Brasil, as fachadas voltadas para o norte recebem mais sol ao longo do ano. Num interior real, a luz natural fria da janela convive com a luz quente de uma luminária, e essa mistura é uma assinatura de lugar habitado (capítulo 6).

Muitos olhares sobre o mesmo lugar

Nos anos em que prestei serviço de vídeo, aprendi que cada profissional que entra num espaço o lê de um jeito. O produtor de locação pergunta pela orientação solar, pelo ruído, pelo pé-direito e pela carga elétrica. O fotógrafo lê a hora. O cenógrafo pensa na lente. O arquiteto vê o esqueleto: proporção, fluxo, época, janela. O decorador vê a camada de uso e de gosto. O paisagista vê o verde e sua manutenção, e o jardim aparado ou o mato alto dizem se alguém cuida do lugar.

Nenhum lugar tem uma idade só

O detalhe que mais entrega um lugar real é que ele não tem uma idade só. A parede foi pintada há três anos, mas o rodapé guarda o risco de uma mudança de oito anos atrás. O tapete desbotou no caminho do sol, menos embaixo do sofá. A maçaneta perdeu o verniz; o resto da porta, não. Cada camada tem uma data e uma causa, e o conjunto conta uma história plausível de uso.

Para o CMRE, o olhar do arquiteto transforma a noção vaga de “espaço convincente” em verificações concretas: continuidade de planos, compatibilidade de escala, relações de oclusão, coerência de perspectiva, plausibilidade dos pontos de apoio e lógica das camadas de tempo.

O lugar como registro

Quando um investigador chega a uma cena, ele não vê decoração. Vê causa e efeito registrados. O padrão da poeira mostra o que foi removido. A pegada mostra direção, peso e velocidade. A cadeira puxada e a gaveta entreaberta contam uma sequência. A luz que entra pela janela indica a hora.

O fundamento dessa leitura é associado a Edmond Locard, criminologista francês que fundou em Lyon, em 1910, um dos primeiros laboratórios de polícia científica. A tradição resume suas ideias na frase “todo contato deixa um traço”: quando duas coisas se tocam, pode haver troca de material entre elas. A frase é uma síntese posterior, e não uma citação literal; a própria literatura forense registra que Locard falava com mais cautela, e que transferência, persistência e detecção de vestígios dependem das circunstâncias (Chisum e Turvey, 2006).

Por que Locard é central para este ensaio

Locard é central porque inverte a pergunta. O perito não pergunta se cada objeto parece verdadeiro; pergunta se os vestígios concordam entre si e com uma sequência possível de acontecimentos. Um copo gelado sobre uma mesa de madeira deveria deixar um anel de condensação. Um sapato que atravessou um quintal molhado deveria deixar marcas no piso da sala. Quando um vestígio não tem a causa que deveria ter, ou uma causa não deixa o vestígio esperado, abre-se uma pergunta.

A analogia tem limites, e é preciso dizê-los. Um vestígio sem explicação imediata não prova encenação. Uma imagem gerada não é uma cena física, e um sistema de análise visual não substitui um perito. O que a investigação forense oferece a este ensaio é uma postura: formular hipóteses alternativas, procurar contradições e distinguir indício de prova. A pergunta deixa de ser “isso parece real?” e passa a ser “que condições teriam produzido este sinal, e os outros sinais são compatíveis com elas?”.

Antes da digital, o crânio

Uma lembrança que eu guardava era a de que, antes das impressões digitais, o formato da cabeça era usado para identificar pessoas. A lembrança estava correta. Na Paris da década de 1880, Alphonse Bertillon criou um sistema de identificação criminal baseado em medidas corporais: comprimento e largura da cabeça, comprimento do braço, do pé, do dedo médio e, com destaque, dimensões da orelha. Bertillon também padronizou a fotografia policial de frente e de perfil, que ainda hoje é usada.

A antropometria de Bertillon foi substituída pela datiloscopia, o estudo das impressões digitais, entre o fim do século XIX e o começo do XX. Francis Galton publicou em 1892 um estudo sobre a individualidade das digitais. Na Argentina, Juan Vucetich desenvolveu um sistema de classificação a partir de 1891, e em 1892 uma impressão digital foi decisiva para esclarecer um crime na cidade de Necochea. A Scotland Yard adotou em 1901 o sistema de classificação de Edward Henry. A intuição que sustentava todos esses métodos permanece: o corpo humano é individual até nos detalhes.

Outros traços seguiram o mesmo caminho. A orelha, que já aparecia nas medidas de Bertillon, ganhou um sistema próprio de identificação desenvolvido por Alfred Iannarelli a partir de 1949 e publicado em livro em 1989 (Iannarelli, 1989). A íris, como vimos no capítulo 4, é usada hoje em reconhecimento biométrico (Daugman, 2004). Para este ensaio, essa história importa por um motivo simples: aquilo que identifica uma pessoa é justamente o que não é genérico. Um rosto gerado com orelhas simétricas, íris idênticas nos dois olhos e mãos sem marcas de uso é, nesse sentido, um rosto sem identidade.

A perícia de imagens

A investigação também chegou às imagens. Hany Farid, referência em perícia de imagens digitais, desenvolveu ao longo de anos métodos para encontrar inconsistências geométricas em fotografias manipuladas. Com Eric Kee e James O’Brien, mostrou como sombras incompatíveis com uma única fonte de luz podem denunciar uma montagem (Kee, O’Brien e Farid, 2013). Em 2022, publicou explorações sobre imagens produzidas pelo DALL·E 2, examinando a consistência de iluminação e de perspectiva (Farid, 2022a; 2022b). São estudos limitados a um gerador e a um momento da tecnologia, mas mostram que a lógica geométrica da perícia se aplica também a imagens sintéticas. O reflexo da luz nos olhos, descrito no capítulo 4, é outra verificação clássica dessa área.

O método que proponho deve registrar tanto os sinais favoráveis quanto os incompatíveis. Se só procurarmos confirmações, o sistema aprenderá a defender a primeira interpretação que produziu. Coerência exige confronto, não apenas reconhecimento.

OS OLHARES ESPECIALIZADOS

Um filme, uma foto publicitária ou uma cena de jogo convincente raramente é obra de uma pessoa só. Cada profissional da equipe vê o falso dentro do seu domínio: o cenógrafo no objeto fora de lugar, o figurinista na dobra impossível, o técnico de som no eco errado. Nenhum deles, sozinho, garante a coerência do conjunto. Esta parte percorre esses olhares e termina com as disciplinas que estudam o próprio observador.

O set como evidência

A direção de arte constrói um mundo que comunica por meio de objetos, cores, organização e desgaste. Um cenário convincente não é o mais detalhado; é aquele em que cada escolha tem motivo. A cenografia parte de perguntas práticas: quem usa este lugar, com que frequência, para fazer o quê, em que época, com quanto dinheiro e com que cuidado? As respostas determinam a disposição dos móveis, o estado das superfícies, a luz e os objetos que ficam à vista. O cenógrafo constrói para a lente, com paredes removíveis, mas o resultado precisa parecer um lugar onde alguém vive.

A camada de uso e de gosto é o que diferencia um lugar habitado de um catálogo. Livros lidos têm lombadas gastas; livros de enfeite, não. A roupa jogada na cadeira, a caneca com marca de café, o caderno aberto, a planta que pende para o lado da janela: cada objeto sugere um gesto anterior. Imagens geradas tendem a produzir ambientes visualmente organizados, com objetos distribuídos sem função. A solução não é acrescentar desordem aleatória. É descrever a lógica de uso e verificar se os objetos a sustentam.

Texto dentro da imagem

Letras deformadas em placas, rótulos e embalagens estão entre os sinais mais comuns de imagem gerada, embora os modelos mais recentes tenham melhorado muito nisso. Texto real segue a perspectiva e a curvatura da superfície em que está, tem fonte consistente, desgaste e, muitas vezes, pequenos desalinhamentos de quem o colou ou pintou. Uma etiqueta de preço torta é mais crível do que um rótulo perfeito e ilegível.

Comida

A comida é uma disciplina técnica à parte, o food styling. Vapor, brilho de gordura, textura do corte, migalhas no prato e a marca do garfo contam há quanto tempo o prato saiu da cozinha. Um prato fumegante sobre uma mesa com louça suja de outra refeição conta duas histórias ao mesmo tempo.

A física do tecido

O tecido responde à gravidade, ao corte, à espessura, à tensão e ao movimento do corpo. Linho amassa, seda escorre, jeans resiste, malha estica e volta. Tecidos pesados caem em dobras largas; tecidos leves formam muitas dobras pequenas. Uma roupa justa cria pontos de pressão; uma peça larga forma dobras que seguem a gravidade. Costuras, bainhas, botões e camadas revelam como a peça foi feita.

Roupa e corpo

A roupa carrega o corpo: dobra no cotovelo, estica no joelho, marca o ombro. O caimento depende da postura e do peso de quem veste. O bolso cede sob o peso do que carrega. O erro aparece quando a roupa parece seguir uma anatomia diferente da pessoa, quando as dobras não correspondem à postura ou quando o tecido atravessa o corpo e os objetos. Em vídeo, a roupa precisa reagir com atraso e amplitude compatíveis com o movimento, como os animadores descreveram com o follow-through (capítulo 8).

Desgaste e época

Figurinistas e maquiadores chamam de breakdown o processo de envelhecer e sujar roupas para a câmera, e o fazem em camadas e nos lugares lógicos: cotovelos, joelhos, barra, gola, punhos, onde a mão segura a bolsa. O desgaste segue o uso. Cada época também tem silhuetas, tecidos e acabamentos característicos, e misturar referências de décadas diferentes numa mesma pessoa, sem motivo narrativo, costuma ser percebido por quem viveu aquela época.

Maquiagem para a câmera

A maquiagem de cinema e fotografia é feita para responder à luz, à distância e ao enquadramento. O que parece natural em close pode desaparecer num plano aberto; o que parece discreto no espelho pode ficar excessivo sob uma luz dura. O maquiador sabe onde a luz vai bater antes de a câmera ligar. O resultado final depende da interação entre pigmento, pele, iluminação, lente e processamento.

Marcas que precisam de causa

Os efeitos práticos também têm materialidade. Um ferimento cenográfico, uma cicatriz, um hematoma ou uma prótese de envelhecimento precisam acompanhar a anatomia, a luz e o movimento. A prótese precisa se mover com o rosto; o hematoma precisa estar num lugar onde houve impacto e ter a cor compatível com o tempo decorrido (capítulo 4); a pele envelhecida precisa envelhecer por inteiro, inclusive no pescoço e nas mãos, e não apenas no rosto.

Na imagem gerada, o risco é produzir sinais de maquiagem ou de efeito sem lógica de aplicação: brilho, cor e textura que não correspondem ao material ou à luz da cena. A análise deve, ao mesmo tempo, evitar transformar convenções de cinema em exigências universais. Uma fotografia de rua não precisa da pele de um comercial de cosméticos, e o contrário também vale.

Correção e intenção

A cor de uma imagem resulta da iluminação, dos materiais, da captura e das decisões de tratamento. O colorista faz dois trabalhos diferentes. A correção de cor equilibra exposição, contraste, balanço de branco e saturação, para que a imagem fique fiel e consistente entre planos. A gradação estética altera a paleta para produzir uma intenção: o verde-azulado de um suspense, o âmbar de uma lembrança. Confundir os dois dificulta saber se uma imagem parece artificial por causa da captura, do tratamento ou da própria cena.

Um tratamento estilizado funciona quando sua lógica é consistente. O que ele não pode fazer é apagar as relações físicas que deram origem à cena. Se a gradação esfria toda a imagem, a luz da vela no canto ainda precisa ser a mais quente do quadro.

Cor como assinatura

A cor também é assinatura de época e de meio. Emulsões de filme tinham paletas próprias; os primeiros digitais tinham outras; cada fabricante de câmera tem uma ciência de cor reconhecível. Escolher uma paleta é, em parte, escolher de quando e de onde a imagem parece vir.

O destino muda a imagem

Uma imagem muda de natureza conforme o meio em que será vista. Na tela, a profundidade de cor e o espaço de cor do monitor limitam o que aparece (capítulo 10). No papel, a impressão a jato de tinta pigmentada, com muitas cores, alcança uma gama ampla; a impressão offset em CMYK perde verdes e azuis muito saturados; o papel de algodão entrega pretos profundos, o fosco suaviza e o brilhante aumenta o contraste. Por isso uma descrição técnica de imagem precisa declarar onde ela será vista. O CMRE não deve assumir que existe uma paleta correta para o realismo; deve verificar a coerência entre a intenção declarada, as pistas visuais e o destino.

Camadas que precisam concordar

A composição reúne numa imagem final elementos capturados ou gerados separadamente: um ator filmado em estúdio, um céu de outro dia, uma explosão simulada. Para convencer, todos precisam compartilhar condições de luz, perspectiva, escala, foco, granulação e movimento. Se cada camada parece ter sido feita por uma câmera diferente, a montagem se revela.

O rastreamento de câmera, o matchmove, recria no computador o movimento exato da câmera real para que os elementos virtuais se movam junto com a cena filmada. Sombras de contato, reflexos, oclusão, névoa atmosférica e desfoque costuram os planos. Esses elementos não podem ser acrescentados por hábito; precisam corresponder à geometria e à luz da cena. Uma sombra errada destrói mais a ilusão do que a ausência de um detalhe decorativo.

A lição do VFX para a IA

Imagens geradas por IA muitas vezes parecem compostas, mesmo sem ter sido feitas por camadas. Minha hipótese é que essa sensação surge das mesmas incompatibilidades que denunciam uma composição malfeita: luz que não concorda entre o sujeito e o fundo, foco que não corresponde à distância, granulação diferente em regiões diferentes. A lição do VFX é que não basta gerar cada elemento bem; todos precisam responder ao mesmo conjunto de causas. O exame deve procurar essas incompatibilidades sem presumir conhecer o processo interno que gerou a imagem.

O som também é evidência

O som não é visível, mas muda a forma como interpretamos o que vemos. Todo ambiente tem um ruído de fundo próprio, que os técnicos chamam de room tone, e o silêncio absoluto soa falso. A reverberação diz o tamanho e o material da sala: um banheiro azulejado ecoa, um quarto com cortinas e tapetes absorve. O passo precisa soar como o material do piso. Um objeto pesado faz um impacto diferente de um leve. O som que vem de longe chega com menos agudos, porque o ar atenua mais as frequências altas, e com atraso em relação à imagem quando a distância é grande.

Coerência audiovisual

Um vídeo pode mostrar uma ação visualmente plausível e trazer um som que não corresponde ao material, ao espaço ou ao tempo do contato. O descompasso revela que imagem e som não compartilham a mesma causa. A sincronia entre os lábios e a fala é talvez o caso mais sensível: atrasos pequenos já incomodam.

Este capítulo amplia a coerência para além da imagem, e é aqui que o termo “cross-modal” se aproxima do uso corrente. A integração do som exige métodos, dados e avaliações próprios; não basta aplicar critérios visuais a uma faixa de áudio. Por isso, no estado atual do projeto, o som é um domínio mapeado, mas não implementado.

Ver é interpretar

A percepção não é uma leitura passiva de pixels. O observador combina pistas, expectativas, experiência e contexto para construir uma interpretação, e faz isso rápido e sem perceber. Algumas pistas pesam mais em certas situações; outras só se tornam importantes quando entram em contradição com as demais. É por isso que uma imagem pode passar no primeiro olhar e falhar no segundo.

Voltando ao cardiologista diante do Davi: ele viu a veia porque sabe o que ela significa. O observador leigo sente que algo está errado sem conseguir nomear. O especialista nomeia, mas só dentro do seu domínio. O que ninguém faz sozinho, e o que este ensaio propõe, é cruzar os domínios.

O vale da estranheza

Em 1970, o engenheiro Masahiro Mori descreveu o que chamou de vale da estranheza: a aceitação de figuras parecidas com humanos cresce à medida que a semelhança aumenta, até um ponto em que a figura quase humana, mas não totalmente, passa a provocar desconforto (Mori, 1970). A ideia é muito citada e serve de referência, mas a intensidade do efeito varia conforme a representação e o observador, e ele não explica sozinho todos os casos de artificialidade.

O olho não é universal

Escrevi este ensaio a partir do meu próprio olho treinado, o de quem produz imagem há mais de vinte e cinco anos. Esse olho não é o padrão de ninguém. Um cardiologista nota uma veia; um fotógrafo nota uma lente; um morador de outra região nota uma incoerência ecológica que eu nunca perceberia. Cultura, profissão, idade e familiaridade com imagens geradas mudam o julgamento.

O que precisa ser medido

É nesta disciplina que as duas afirmações do capítulo 1 se separam com mais clareza. Que cenas reais têm relações causais coerentes é física. Que pessoas usam essas relações para julgar o real é psicologia, e precisa ser medido com pessoas. Um algoritmo que avalia a própria saída não substitui isso. Experimentos podem comparar imagens, pedir julgamentos e registrar a confiança de quem julga, desde que controlem a apresentação, a amostra e as instruções. Uma nota de realismo percebido não é uma verdade física; é uma medida de percepção sob condições definidas.

Cada época teve seu real

A história da arte mostra que a representação convincente nunca dependeu de uma única técnica. Cada período definiu seus próprios critérios de verossimilhança. A perspectiva linear foi demonstrada por Filippo Brunelleschi em Florença no início do século XV e sistematizada por Leon Battista Alberti em Da Pintura (1435). O sfumato e o claro-escuro responderam a problemas específicos de volume e luz. O galope voador foi uma convenção aceita até que a fotografia a contestasse (capítulo 8).

Essas soluções não são degraus inevitáveis em direção a uma imagem ideal. Uma obra estilizada pode ser perfeitamente coerente sem imitar uma fotografia; uma fotografia pode ser tecnicamente fiel e ainda assim produzir uma interpretação enganosa.

Um padrão nos saltos

Vistas juntas, as cronologias dos capítulos anteriores sugerem um padrão: muitos saltos de realismo vieram de alguém que entendeu um mecanismo por baixo da superfície. O osso e o músculo, nos escultores. A óptica do espaço, na perspectiva. O comportamento da luz, nos pintores e depois na computação gráfica. A química e a eletrônica da captura, na fotografia. O tempo, em Muybridge. É uma leitura interpretativa da história, e não uma lei; serve para formular a pergunta, não para respondê-la.

A geração por IA chega ao realismo por outro caminho, aprendendo regularidades a partir de dados. Na minha observação, as falhas que persistem se concentram onde o mecanismo manda, e as ferramentas às vezes reproduzem uma convenção visual frequente em vez da relação causal, como os pintores de antes de Muybridge.

Realismo não é qualidade nem verdade

A distinção mais importante que a história da arte oferece ao projeto é esta: realismo percebido, qualidade artística, beleza e verdade documental são dimensões diferentes. O CMRE não deve confundir uma com outra, e cada avaliação precisa declarar qual delas está tentando medir.

Autenticidade como valor

A imagem documental reivindica uma relação com acontecimentos e pessoas do mundo. Sua credibilidade depende da captura, do contexto, da edição e da transparência sobre o que foi alterado. O documentarista não procura a imagem mais bonita; procura o instante em que algo se revela. As marcas da captura real, como grão, faixa dinâmica limitada e um foco que erra, fazem parte dessa linguagem.

Aparência não é origem

O fotojornalismo trabalha sob limites éticos que não se reduzem à qualidade estética. Cortes, legendas, sequência e contexto podem mudar o sentido de uma imagem. Uma fotografia pode ser visualmente plausível e ainda representar falsamente o acontecimento que afirma documentar. E uma imagem sintética pode parecer documental sem ter registrado nada.

Essa fronteira precisa ficar explícita. O CMRE trata de coerência causal e perceptiva, não de detecção de verdade. Uma avaliação de coerência não prova que uma fotografia é autêntica, nem substitui a verificação de origem, os metadados, os testemunhos e a investigação de contexto. Iniciativas de proveniência, como os padrões de credenciais de conteúdo que registram a origem e as edições de um arquivo, atacam o problema da autenticidade por outro lado, e são complementares a qualquer análise visual.

Uma questão ética

Um sistema capaz de tornar imagens sintéticas mais difíceis de distinguir das reais também torna mais difícil detectá-las. A mesma arquitetura, usada no modo crítico, serve à perícia. Essa dupla natureza é, para mim, um argumento para que a pesquisa seja feita às claras, com método e código abertos, e não um motivo para abandoná-la.

Os olhares especializados formam o que, mais adiante, chamo de córtex do sistema. Antes de descrevê-lo, é preciso entender como a inteligência artificial gera imagens.

A ENGENHARIA DA GERAÇÃO POR IA

Até aqui, o ensaio perguntou o que o real é e como os ofícios o registram. Esta parte pergunta como uma inteligência artificial produz uma imagem. Faço isso com uma cautela: os modelos comerciais mudam a cada poucos meses, e muitos detalhes de funcionamento não são públicos. Descrevo os princípios gerais que a literatura documenta e evito atribuir a uma ferramenta específica aquilo que não pode ser verificado.

Das regras aos dados

Durante décadas, imagens sintéticas foram produzidas por regras escritas à mão: modelos de iluminação, texturas procedurais, simulações. A virada da última década foi passar a aprender os padrões a partir de grandes conjuntos de imagens.

Em 2014, Ian Goodfellow e colaboradores propuseram as redes adversárias generativas, as GANs, em que duas redes treinam uma contra a outra: uma gera imagens, a outra tenta distinguir as geradas das reais (Goodfellow et al., 2014). Em poucos anos, variações dessa ideia produziram rostos humanos de alta resolução difíceis de distinguir de fotografias, como os do StyleGAN (Karras, Laine e Aila, 2019).

Em 2020, Jonathan Ho, Ajay Jain e Pieter Abbeel apresentaram os modelos probabilísticos de difusão com remoção de ruído (Ho, Jain e Abbeel, 2020). A ideia é treinar um modelo para desfazer, passo a passo, um processo que adiciona ruído a imagens; na geração, parte-se de ruído puro e remove-se o ruído aos poucos até surgir uma imagem. Pouco depois, a difusão passou a ser feita num espaço comprimido, o espaço latente, o que reduziu muito o custo de gerar imagens grandes (Rombach et al., 2022). Combinada com modelos que relacionam texto e imagem, essa abordagem está na base de boa parte das ferramentas de texto para imagem que se popularizaram a partir de 2022.

A ideia da “média”, corrigida

Nas versões anteriores deste ensaio, eu escrevia que os modelos generativos “tendem à média” das imagens. A frase é imprecisa, e preciso corrigi-la. Um modelo generativo não é treinado para devolver a imagem média de uma categoria; é treinado para aprender uma distribuição e produzir amostras dela. O borramento por média é um fenômeno real, mas de outro tipo de sistema: aparece quando um modelo é treinado para prever uma única resposta minimizando o erro quadrático, e acaba devolvendo a média das respostas possíveis.

O que observo na prática é outra coisa: diante de pedidos curtos, as ferramentas populares tendem a devolver imagens com uma estética reconhecível de banco de imagem, com pele lisa, luz de estúdio, simetria e saturação agradável. Por que isso acontece é uma pergunta aberta. Pode ter relação com a composição dos dados de treino, com ajustes feitos para agradar avaliadores, com as configurações padrão de cada ferramenta ou com a forma como pedidos vagos são interpretados. Trato isso como observação a investigar, não como lei. E não defino realismo como “afastar-se da média”; defino como coerência entre as causas.

O que muda e o que fica

A qualidade aumentou de forma impressionante e continua aumentando. Erros que eram comuns há dois anos, como mãos deformadas e texto ilegível, ficaram menos frequentes. Isso não elimina a pergunta deste ensaio. Uma imagem pode reunir sinais familiares e plausíveis sem preservar todas as relações que um observador espera. Plausibilidade local e coerência global precisam ser avaliadas como propriedades distintas.

Um mercado em movimento

As ferramentas de geração visual se multiplicaram e mudam rapidamente. Midjourney, um laboratório independente, popularizou a geração de imagens de forte apelo estético. Nano Banana é o apelido pelo qual ficou conhecida a família de modelos de geração e edição de imagens do Gemini, do Google, conhecida pela edição conversacional e pela consistência de personagens. Há também os modelos de imagem da OpenAI, o Firefly da Adobe, os modelos abertos que podem ser executados localmente, e geradores de vídeo como Veo e Sora.

Elas diferem em qualidade de síntese, edição, consistência de personagens, leitura de instruções, uso de referências, velocidade, custo e integração com outros fluxos. Recursos, versões e limites devem ser conferidos na documentação oficial vigente no momento em que este texto for lido. Não atribuo capacidades específicas a uma versão sem essa verificação.

Como comparar

Comparar ferramentas exige tarefas definidas, condições semelhantes e critérios transparentes; uma impressão isolada não estabelece ranking. A pergunta que interessa a este projeto também não é qual ferramenta produz a imagem mais bonita numa demonstração. É quais tipos de erro persistem, em que condições, e se um método externo de análise ajuda a identificá-los ou a reduzi-los. Uma comparação útil considera coerência, controle, repetibilidade e adequação ao objetivo.

O que ainda falta

Na minha prática com diferentes ferramentas, os erros de coerência entre domínios aparecem em todas, em proporções diferentes: sombras que não concordam, vento contraditório, reflexos de janelas que não existem na cena, temperaturas de luz unificadas. Isso me sugere que o problema não é de um modelo específico. É uma observação, e não um resultado; a Parte IX descreve como testá-la. O CMRE foi desenhado para funcionar com várias dessas ferramentas, justamente para que a análise não dependa de nenhuma delas.

Contas em paralelo

Gerar uma imagem exige uma quantidade enorme de operações matemáticas simples feitas em paralelo, e é por isso que a GPU, a mesma peça que move os jogos, se tornou o motor da inteligência artificial. A memória da placa, a VRAM, determina quanto do modelo e dos dados pode ficar disponível ao mesmo tempo; a largura de banda determina a velocidade com que esses dados circulam; o consumo de energia e o resfriamento limitam o uso prolongado.

Memória e precisão

A capacidade necessária varia com a arquitetura do modelo, a resolução da imagem, o número de etapas e a precisão numérica usada. A quantização reduz a precisão dos números que formam o modelo para que ele caiba em menos memória e rode mais rápido, ao custo, às vezes, de alguma perda de qualidade que varia de modelo para modelo. Por isso não existe um requisito único de hardware: números específicos só fazem sentido associados a um modelo, uma versão e uma configuração documentados.

O que o hardware decide

A infraestrutura condiciona o método. Um modelo local oferece mais controle sobre os dados e a execução, mas exige máquina e configuração próprias. Um serviço em nuvem transfere essa complexidade para o fornecedor, ao custo de dependência externa, limites de uso, custos e mudanças de versão. No meu caso, o protótipo do CMRE foi pensado para rodar numa máquina modesta, com uma placa de 4 GB de memória de vídeo, e é por isso que ele aceita tanto serviços em nuvem quanto um gerador local (capítulos 28 e 29).

Do texto aos números

Uma instrução textual não é convertida numa fotografia por uma sequência de ordens. O texto é dividido em unidades menores, os tokens, que um codificador transforma em vetores numéricos, chamados embeddings. Esses vetores representam relações aprendidas entre palavras e conceitos visuais.

Do ruído à imagem

Nos modelos de difusão latente, a imagem é construída num espaço comprimido. O processo começa com ruído e, ao longo de várias etapas, o modelo remove esse ruído guiado pela representação do texto, até que uma estrutura coerente emerja; no fim, um decodificador converte o resultado em pixels. Parâmetros como o número de etapas, a força com que o texto guia a geração e a semente aleatória mudam o resultado. Os detalhes variam bastante entre arquiteturas, e muitos sistemas comerciais não os publicam.

Por que o prompt não é um painel de controle

A relação entre palavras e pixels é estatística. Uma descrição pode especificar sujeito, ambiente, lente, luz e estilo, mas esses elementos não funcionam como botões independentes. Reforçar um atributo pode deslocar outros; atributos podem “vazar” de um objeto para outro; uma instrução longa pode introduzir ambiguidades; uma imagem de referência pode ajudar num aspecto e limitar outro. Foi exatamente o que vivi ao escrever prompts cada vez maiores, como contei no capítulo 1.

Por isso o prompt não deve ser tratado como o método inteiro. Ele é uma interface de intenção. Um fluxo robusto também precisa definir critérios de avaliação, detectar conflitos, guardar referências, comparar resultados e orientar revisões. O CMRE é proposto como essa camada externa de planejamento e análise, sem fazer nenhuma alegação sobre o funcionamento interno de cada modelo.

Duas formas de produzir uma imagem

Na renderização tradicional, a cena existe antes da imagem. Há geometria, materiais, luzes e uma câmera, e o motor calcula a imagem a partir deles, por rasterização, que projeta os objetos na tela, ou por ray tracing, que acompanha o caminho da luz. Se o artista move a luz, todas as sombras mudam juntas, porque todas derivam da mesma causa.

Na geração neural, uma rede produz a imagem a partir do que aprendeu, sem que exista necessariamente uma cena tridimensional explícita por trás dela. Há ainda técnicas neurais que reconstroem cenas reais a partir de fotografias, como os campos de radiância neurais (Mildenhall et al., 2020) e o Gaussian Splatting (Kerbl et al., 2023); elas aprendem uma representação de um lugar específico, o que é diferente de gerar uma cena nova a partir de texto. As fronteiras entre essas técnicas mudam com a pesquisa, e os termos precisam ser definidos conforme o método em discussão.

A distinção que importa

Processo …………. O que acontece

Treinamento ………. O modelo aprende padrões a partir de dados ajustando seus parâmetros.

Inferência ……….. O modelo usa os parâmetros aprendidos para gerar ou editar uma imagem.

Renderização 3D …… Geometria, materiais, luz e câmera são calculados por um pipeline gráfico.

Geração neural ……. A imagem é sintetizada por um modelo aprendido, sem cena 3D explícita obrigatória.

Pós-processamento …. A imagem recebe correção, composição ou ampliação.

Validação CMRE ……. O sistema proposto verifica a coerência entre domínios da representação.

Gerar uma imagem por IA não é a mesma coisa que renderizar uma cena 3D. Os processos podem se combinar, e cada vez mais se combinam, mas são tecnicamente diferentes.

A diferença útil para o CMRE não é declarar um vencedor. É reconhecer que cada abordagem oferece um tipo diferente de controle e de observabilidade. Um motor tradicional expõe os parâmetros físicos; um modelo neural pode produzir resultados ricos sem tornar visíveis as decisões que os originaram. Um sistema externo de avaliação pode ajudar a examinar o resultado, desde que não presuma acesso a variáveis que não conhece.

Rodar em casa

Executar um modelo no próprio computador envolve mais do que baixar um arquivo de pesos. É preciso considerar dependências, memória, compatibilidade da placa, formatos, precisão, interface e parâmetros de geração. Interfaces baseadas em nós, como o ComfyUI, permitem montar fluxos visuais em que cada etapa é um bloco; interfaces simplificadas, como o Fooocus, escondem a maior parte dessa complexidade. O Fooocus é, aliás, o gerador local que o CMRE já aceita.

Sobre o modelo-base, é possível acrescentar controles. O ControlNet permite condicionar a geração a uma pose, a um mapa de profundidade ou a contornos (Zhang, Rao e Agrawala, 2023). O LoRA permite adaptar um modelo a um estilo ou personagem treinando apenas uma pequena fração de parâmetros adicionais (Hu et al., 2022). Etapas de ampliação e de pós-processamento completam o fluxo.

O que muda quando o modelo é local

O fluxo local favorece a experimentação, a privacidade dos dados e a reprodutibilidade, desde que versões e configurações sejam registradas. Sem registro, duas execuções aparentemente iguais podem produzir resultados diferentes porque usaram versões, sementes ou componentes diferentes.

Para uma investigação séria, cada geração deveria guardar, no mínimo, o identificador e a versão do modelo, o prompt, as referências usadas, os parâmetros relevantes, a semente, a data e o arquivo de saída. É esse registro que permite descobrir se uma melhora veio do método, da ferramenta ou de uma mudança que ninguém anotou.

Pedir a imagem a outro computador

Uma API permite que um sistema envie instruções a um serviço externo e receba o resultado de forma programática. Serviços em nuvem dão acesso a modelos difíceis de rodar localmente, mas trazem dependência de rede, custos, limites de requisição, mudanças de versão e políticas do fornecedor. Credenciais de acesso precisam ficar fora do código e fora dos registros.

Orquestrar

A orquestração organiza várias etapas num fluxo: preparar o pedido, escolher o modelo, enviar, tratar erros, armazenar, avaliar e, se for o caso, tentar de novo. É essa camada que transforma chamadas isoladas num processo de trabalho.

No CMRE, a orquestração separa planejamento, geração e avaliação. Um conjunto de agentes descreve a cena; outro verifica as relações; um serviço externo ou local gera a imagem; uma etapa crítica compara a saída com os critérios. A implementação atual aceita três geradores, dois em nuvem (Gemini e DALL·E) e um local (Fooocus), e foi construída de forma modular para que um gerador possa ser trocado sem reconstruir o sistema. Cada resultado precisa registrar qual serviço o produziu.

Com isso, a engenharia da geração está descrita. A próxima parte mostra o sistema que estou construindo sobre ela.

A CONSTRUÇÃO DO SISTEMA CMRE

Até aqui, o ensaio organizou uma pergunta. Esta parte descreve o instrumento que estou construindo para investigá-la. Uso três marcadores ao longo dela: o que já existe e pode ser demonstrado, o que existe em protótipo mas não foi validado, e o que é plano. A descrição do que existe se baseia no repositório público do projeto, na versão de 26 de setembro de 2026.

Um instrumento, não uma prova

O CMRE, Cross-Modal Realism Engine, é o instrumento que estou construindo para tentar colocar a hipótese à prova. Ele não é a prova. É o que permite que a pergunta saia do campo das ideias e entre no campo dos testes. Se o sistema funcionar bem, isso não demonstrará que a hipótese é verdadeira; demonstrará apenas que agora é possível testá-la.

Duas direções

O CMRE foi concebido para trabalhar em duas direções.

Na primeira, que chamo de Lado A, fotografias reais são observadas por agentes especializados. O sistema não carimba essas fotos como “realistas”; tenta decompor cada cena e registrar relações observáveis entre domínios: anatomia e postura, postura e distribuição de peso, roupa e movimento, luz e sombra, ambiente e perspectiva. O objetivo é construir, aos poucos, um banco estruturado de como as coisas se relacionam em imagens reais.

Na segunda, o Lado B, um pedido simples é decomposto em domínios, referências compatíveis são consultadas e os agentes estruturam uma descrição coerente da cena antes da geração. A imagem gerada pode então ser avaliada, por pessoas ou pelo próprio sistema, e o ciclo recomeça.

Como o sistema está organizado hoje

A implementação atual é escrita em Python e organiza trinta agentes numerados em camadas, coordenados por um orquestrador:

Camada 1 (agentes 01 e 02) …….. interpretam o pedido e classificam o tipo de cena.

Camada 2 (agentes 03 a 18) …….. um agente por bloco da ficha técnica (16 blocos).

Camada 3 (agentes 19 a 25) …….. sete validadores cruzados, cada um responsável por um par de domínios.

Camada 4 (agentes 26 a 30) …….. calculam o índice, resolvem conflitos, sintetizam o prompt

e o prompt negativo e enviam ao gerador.

Os agentes são componentes de software especializados, não trinta modelos de inteligência artificial. Hoje, os validadores cruzados funcionam com regras explícitas aplicadas às descrições em texto de cada bloco. Por exemplo, uma luz descrita como fria combinada com uma gradação descrita como quente é marcada como conflito.

Estado do projeto

Este quadro é a referência para todo o resto do ensaio. Quando um capítulo descreve uma função, ela está em uma destas três colunas:

JÁ EXISTE E PODE SER DEMONSTRADO

· Repositório público com o código do motor (biraribeiros/cmre-engine).

· Orquestrador e trinta agentes em quatro camadas, como descrito acima.

· Ficha técnica de 16 blocos usada como estrutura de dados central.

· Sete validadores cruzados baseados em regras: luz × sombra, clima × corpo, câmera × física,

anatomia × física, materiais × cor, entropia × contexto, escala × proporção.

· Cálculo do CCI como média ponderada desses sete pares, com pesos iniciais definidos por mim

e um limiar operacional de aprovação de 0,75.

· Analisador de fotografias reais (Lado A), que pede a um modelo multimodal externo a leitura

dos 16 blocos, aplica os validadores e registra o resultado num banco de referências.

· Geração por três serviços: Gemini e DALL·E, em nuvem, e Fooocus, local.

· Interface web, API e linha de comando.

· Coleta de avaliações humanas de 1 a 5 em cinco dimensões, feita pela interface.

EXISTE EM PROTÓTIPO, SEM VALIDAÇÃO

· A precisão das leituras visuais do Lado A, que dependem de um modelo externo e não foram medidas.

· A recalibração automática dos pesos do CCI a partir das avaliações dos usuários: o código existe,

mas não houve ainda uma calibração feita com protocolo experimental.

· Uma pequena rede neural experimental para estimar o CCI a partir dos blocos.

· A coleta automática de fotografias de bancos de imagem para alimentar o banco de referências,

cujas condições de licença ainda precisam ser verificadas para esse uso.

PLANEJADO

· O modo crítico, que analisa uma imagem gerada e aponta incoerências por ordem de peso perceptivo.

· O ciclo automático gerar, analisar, corrigir e gerar de novo.

· A extensão do índice para além dos sete pares, com tratamento explícito de incerteza.

· Os domínios de movimento e de som, necessários para vídeo.

· O experimento com observadores descrito na Parte IX.

Onde esta proposta se situa

Antes de propor, procurei o que já foi publicado, porque não quero reivindicar terreno que pertence a outros. A detecção de imagens sintéticas e a análise de plausibilidade física são campos ativos, e vários trabalhos se aproximam de partes desta proposta. Os trabalhos de Hany Farid sobre sombras, iluminação e perspectiva já foram apresentados no capítulo 13. Bianchi e colaboradores avaliaram especificamente a consistência de sombras e reflexos em imagens geradas por IA (Bianchi et al., 2024). O conjunto de dados AnomReason, acompanhado do sistema AnomAgent, reúne mais de 21 mil imagens geradas com mais de 127 mil anomalias anotadas, semânticas, físicas e anatômicas, e usa agentes que raciocinam sobre elas (AnomReason, 2026). O PhyTrace investiga inconsistências físicas em imagens geradas emulando o processamento interno da câmera (PhyTrace, 2026), e o GeoPhys estuda a plausibilidade física pela geometria, em vídeo (GeoPhys, 2026). Há também revisões recentes que organizam os métodos de detecção de imagens geradas (Mahara e Rishe, 2026).

Esses estudos medem tarefas diferentes entre si e diferentes da proposta deste ensaio; nenhum deles valida o CCI. Na minha leitura, a maior parte examina uma classe de sinal por vez, ou se dedica a detectar se uma imagem é gerada. O que este ensaio tenta acrescentar está em três pontos. O objeto: a compatibilidade causal entre domínios, e não a plausibilidade dentro de um domínio. A organização: uma taxonomia explícita, fundamentada nas disciplinas que historicamente resolveram cada parte do problema. E a direção: um sistema pensado tanto para analisar quanto para orientar a criação de imagens coerentes. Onde os trabalhos existentes se sobrepõem a partes desta proposta, eles são tratados como componentes que o sistema pode incorporar, e não como concorrentes.

Duas frases das versões anteriores deste ensaio precisam ser atualizadas à luz desse quadro. Eu escrevia que o protótipo “não faz análise visual automática”; hoje ele faz uma leitura visual, mas delegada a um modelo externo cuja precisão não foi avaliada. E eu escrevia que os pesos do CCI “não são arbitrários”; na verdade, os pesos atuais são escolhas minhas, informadas pela prática, e devem ser tratados como hipóteses provisórias até serem calibrados com dados.

Do pedido à imagem

Um fluxo comum de geração começa com uma intenção, transforma essa intenção em prompt, chama um modelo e entrega uma imagem. O CMRE acrescenta etapas de planejamento antes e de crítica depois. Conceitualmente, o fluxo completo tem sete etapas:

1. Briefing e referências …….. o que precisa ser representado, para quem, em que meio.

2. Análise CMRE ………………. domínios, relações e restrições de coerência.

3. Orquestração ……………… prompt, modelo, parâmetros e ferramentas.

4. Geração ………………….. modelo em nuvem ou local.

5. Acabamento ……………….. decodificação, composição, ampliação.

6. Crítica e validação ……….. verificação das relações e identificação de incoerências.

7. Nova iteração …………….. correções orientadas pela análise.

Hoje, as etapas 1 a 4 estão implementadas, a etapa 5 depende do gerador escolhido, a etapa 6 é feita por avaliação humana na interface, e a etapa 7 é manual. Este é um fluxo proposto para explicar como o CMRE se integra ao trabalho, não uma afirmação de que todas as etapas já são automáticas.

O que a crítica precisa entregar

A crítica não pode se limitar a dizer que algo parece errado. Precisa apontar a região ou a relação suspeita, explicar o motivo provável, declarar o grau de confiança e sugerir uma alteração que possa ser verificada. “A pele está artificial” não ajuda ninguém. “A luz principal vem da esquerda, mas a sombra do nariz cai para a esquerda; confiança média; tente mover a sombra ou declarar uma segunda fonte” ajuda.

Esse desenho evita depender de um prompt cada vez mais longo. Em vez de empilhar adjetivos, o sistema tenta identificar qual relação precisa mudar. Se essa estratégia é melhor do que simplesmente escrever prompts mais detalhados é algo que precisa ser comparado em tarefas e critérios equivalentes.

Uma linguagem comum: a ficha técnica

Se o realismo depende da coerência entre domínios, a primeira ferramenta necessária é uma linguagem comum para descrever todos eles. Proponho uma ficha técnica: a descrição de uma imagem por parâmetros verificáveis, que permita a qualquer pessoa ou sistema entendê-la e reproduzi-la. A regra de corte é simples. Se um item não tem unidade, valor ou estado verificável, ele sai da ficha. “Atmosfera acolhedora” sai; “luz de 3.200 K vinda da esquerda, razão de 2 para 1 entre luz principal e preenchimento” fica.

A ficha tem dezesseis blocos:

Bloco ……………………. O que descreve

Saída ……………………. resolução, proporção, profundidade de cor, espaço de cor, formato

Enquadramento …………….. plano, altura e inclinação da câmera, posição do sujeito

Sensor ou meio ……………. tamanho do sensor ou tipo de filme, emulação

Óptica …………………… distância focal, abertura, ponto de foco, profundidade de campo, artefatos

Exposição ………………… sensibilidade, velocidade, compensação; o que estoura e o que empasta

Luz, por fonte ……………. tipo, direção, altura, dureza, temperatura, razão de contraste, sombras

Cor ……………………… balanço de branco, saturação, curva, paleta

Sujeito ………………….. idade aparente, biotipo, pose e peso, contatos, olhar, expressão, pele, cabelo, mãos

Materiais ………………… rugosidade, reflexão, translucidez, estado

Ambiente …………………. local, hora, clima, vento (escala Beaufort), solo, visibilidade, partículas

Planos de profundidade …….. o que há na frente, no meio e no fundo, e a que distância

Textura de imagem …………. grão, nitidez, compressão

Imperfeições deliberadas …… lista objetiva do que está fora do ideal, e por quê

Entropia do ambiente ………. desgaste, sujeira, oxidação, com localização

Movimento (vídeo) …………. cadência, obturador, duração, câmera, sequência de ações com tempos

Destino e exclusões ……….. meio de exibição ou impressão; o que não pode aparecer

O teste do supermercado

Volto ao exemplo do capítulo 1. O pedido que qualquer pessoa digitaria é: “crie uma imagem de uma mulher em um supermercado”. Processado pelo protocolo, ele se torna, em resumo:

Mulher de cerca de 32 anos, biotipo comum, cabelo castanho ondulado preso num rabo de cavalo

baixo, com fios soltos na testa e na nuca e raiz levemente mais escura que o comprimento. No

corredor de hortifrúti de um supermercado de bairro, segura um saco de maçãs com a mão direita,

peso apoiado na perna esquerda, olhando para a prateleira, não para a câmera; expressão

concentrada, sobrancelha levemente franzida. Pele com poros visíveis e leve oleosidade na testa e

no nariz, pequena mancha de sol na bochecha. Blusa de algodão amarrotada nas costas, jeans com

leve desgaste na coxa. Luz de teto em LED branco-frio, entre 5.000 e 6.500 K, misturada ao

reflexo colorido das embalagens; sombra de contato entre o queixo e o pescoço; reflexo colorido

das embalagens no antebraço. Prateleiras com organização imperfeita, uma etiqueta torta, um

produto fora do lugar; chão com reflexo sutil e marcas de rodas de carrinho. Aspecto de

smartphone moderno, distância focal equivalente a 26 mm, sem flash, ruído leve nas sombras,

HDR moderado. Outro cliente desfocado ao fundo. Evitar: pele lisa e uniforme, simetria facial

perfeita, iluminação de estúdio, saturação alta, rótulos ilegíveis, mãos deformadas.

A diferença entre os dois pedidos não é de adjetivos. É de causas. Há uma fonte de luz definida, com temperatura, e as consequências dela aparecem na pele, no chão e no braço. Há um corpo com peso e um ponto de apoio. Há um meio de captura com assinatura. Há imperfeições que têm motivo.

Preciso registrar com honestidade o estatuto desse exemplo. Ele é uma comparação ilustrativa entre um pedido simples e um pedido estruturado, e não um experimento controlado: não houve controle de modelo, versão, semente ou número de tentativas. Uma imagem gerada a partir do pedido estruturado pode mostrar a mudança de direção sem comprovar todos os requisitos; rótulos ao fundo, por exemplo, ainda costumam sair ilegíveis. E os parâmetros de câmera escritos no pedido descrevem uma intenção; não se tornam metadados da imagem gerada.

Dos domínios aos agentes

A investigação das Partes II a V resultou em trinta e três especialidades mapeadas teoricamente. Cada especialidade, no desenho conceitual, tem três componentes: uma base de conhecimento, que são as referências deste ensaio; uma lista de verificação, que são os parâmetros da ficha pelos quais responde; e um formato de saída padronizado, que declara o que foi observado e qual causa o explica.

Ao virar software, essas especialidades foram reorganizadas nos trinta agentes descritos no capítulo 30. Dezesseis deles correspondem aos blocos da ficha; sete fazem a validação cruzada; os demais interpretam o pedido e produzem a saída. Algumas especialidades teóricas, como som e movimento, ainda não têm agente correspondente.

O valor está nas conexões

O valor do sistema não está nos especialistas isolados, que em grande parte reproduzem conhecimento que já existe. Está nas conexões. Para cada par de domínios que compartilham causas, a pergunta é a mesma: as duas leituras podem ser explicadas pelas mesmas causas?

Para isso, o sistema precisa representar dependências. A sombra depende da luz, da geometria e da posição entre objeto e superfície. O desfoque depende de lente, foco, distância e abertura. O desgaste depende do material, do uso e do ambiente. Sem esse mapa de relações, os agentes correm o risco de emitir diagnósticos independentes que se contradizem. É a essa camada de comparação que chamo de córtex de coerência.

O que o índice pretende

O CCI, Índice de Coerência Cross-Modal, é proposto como uma forma de resumir, num número, a coerência entre pistas de domínios diferentes. A ideia é transformar uma avaliação dispersa numa medida que possa ser comparada entre imagens e, sobretudo, confrontada com julgamentos humanos de realismo percebido. Neste estágio, é uma métrica experimental proposta. Seus pesos, seus limiares e sua capacidade de prever julgamentos humanos não foram validados.

A forma geral

Para uma imagem analisada por um conjunto de domínios, a forma geral proposta é uma média ponderada:

CCI = Σ wᵢⱼ · c(dᵢ, dⱼ) / Σ wᵢⱼ , para os pares i ≠ j cujos domínios compartilham causas

Nela, c(dᵢ, dⱼ) é um valor entre 0 e 1 que expressa a compatibilidade causal entre as leituras de dois domínios, e wᵢⱼ é o peso atribuído àquele par. A hipótese por trás dos pesos é que algumas incoerências pesam mais na percepção humana do que outras: uma sombra invertida, provavelmente, pesa mais que um reflexo imperfeito numa superfície secundária. Essa hipótese precisa ser testada.

O que está implementado

A versão implementada é um caso particular dessa forma geral. Ela usa sete pares de domínios, avaliados pelos validadores da camada 3, com estes pesos iniciais:

Luz × sombra …………. 0,22

Anatomia × física …….. 0,20

Câmera × física ………. 0,15

Materiais × cor ………. 0,13

Clima × corpo ………… 0,12

Entropia × contexto …… 0,10

Escala × proporção ……. 0,08

Esses pesos foram escolhidos por mim, a partir da prática. São hipóteses provisórias, não resultados. O limiar de 0,75, usado pelo sistema para decidir quando tentar corrigir conflitos, é um parâmetro operacional, não um limite entre “real” e “falso”. Por esse motivo, este ensaio não apresenta nenhum valor de CCI como resultado.

O que falta decidir

Para que o CCI deixe de ser uma intenção bem formalizada e se torne um instrumento de medição, faltam decisões que ainda não tomei:

· como cada domínio produz sua leitura a partir de uma imagem;

· como se calcula a compatibilidade causal entre duas leituras;

· quais pares entram no cálculo e por quê;

· como tratar incerteza e falta de informação, para que o sistema não force um valor quando a

direção da luz ou o peso não puderem ser inferidos com segurança;

· quem define os pesos, com que dados e por qual procedimento;

· como evitar contar duas vezes sinais que estão correlacionados;

· qual é a unidade de análise: a imagem, uma região, um objeto, uma relação ou uma sequência;

· como o índice se comporta diante de uma incoerência grave versus muitas pequenas;

· como comparar imagens de estilos, meios e intenções diferentes.

Além disso, será preciso testar se o índice acrescenta informação além do que métricas já existentes de qualidade de imagem capturam. Se não acrescentar, ele não terá função.

Três funções

A arquitetura prevê três modos de uso, com funções distintas.

O analisador recebe uma imagem e devolve a ficha técnica preenchida, as relações entre domínios, o índice e as incoerências encontradas. É o Lado A do sistema, e hoje existe para fotografias reais, com a leitura visual feita por um modelo externo.

O gerador recebe uma intenção simples e devolve uma ficha técnica coerente, pronta para virar instrução para um modelo de imagem. É o Lado B, e é a parte mais desenvolvida do sistema. Nas versões anteriores, eu chamava o resultado desse modo de “prompt perfeito”. Abandonei a expressão: não há perfeição garantida. O que o gerador busca é uma instrução coerente, em que todas as partes descendem das mesmas causas.

O crítico recebe uma imagem gerada e aponta, em ordem de peso perceptivo, o que denuncia sua origem artificial e como corrigir. Esse modo está planejado, não implementado.

Por que separar

Separar as funções reduz o risco de um único componente planejar, avaliar e aprovar a própria saída sem nenhuma crítica independente. Mas módulos separados podem compartilhar os mesmos vieses, os mesmos modelos e os mesmos dados; a separação na arquitetura não garante independência real, e essa independência precisa ser examinada. É também por isso que a avaliação humana continua sendo a referência.

Dois sistemas, duas perguntas

O sistema de validação começa com imagens de referência. Seu trabalho é registrar características observáveis, relações plausíveis, limitações da evidência e explicações alternativas. Ele não deve guardar apenas exemplos considerados bons; precisa incluir casos ambíguos, contraexemplos e situações em que os próprios critérios falham.

O sistema de geração usa o conhecimento organizado para preparar a cena e orientar a produção, e depois devolve o resultado à análise. Essa conexão cria um ciclo de melhoria, mas não pode permitir que a geração redefina silenciosamente os critérios para aprovar as próprias imagens.

Os dois lados precisam ser medidos separadamente. O analisador pode produzir fichas úteis sem que o gerador consiga melhorar as imagens. O gerador pode melhorar as imagens em algumas tarefas sem que o CCI seja uma boa métrica. Cada uma dessas afirmações exige um experimento próprio.

O ciclo pretendido

O projeto inteiro pode ser resumido numa sequência: pergunta, observação e revisão da literatura, hipótese, taxonomia, protocolo, arquitetura, análise de fotografias reais, banco estruturado, geração, verificação, métrica, avaliação humana, comparação estatística e revisão da hipótese. Cada etapa produz um resultado que pode apoiar, modificar ou enfraquecer a anterior. O ciclo é deliberadamente aberto à refutação. O sistema não substitui o olho humano; tenta instrumentá-lo.

Mais que uma pasta de fotos

O banco de referências não deve ser apenas uma coleção de fotografias. Ele precisa guardar, para cada imagem, a origem, os direitos de uso, o contexto, as condições de captura quando conhecidas, os parâmetros observados, as relações anotadas, as incertezas e as decisões tomadas. Sem proveniência, uma referência perde valor de investigação.

O banco pode incluir fotografias reais, imagens sintéticas, pares de imagens em que só uma variável muda, exemplos de falhas e resultados de avaliação humana. A seleção de referências influencia o que o sistema aprende a considerar normal, e por isso ela própria é parte da pesquisa: precisa enfrentar questões de licenciamento, direito autoral, privacidade, representatividade, vieses de amostragem e confiabilidade das leituras feitas pelos agentes.

Relações, não imagens

Tomei uma decisão de desenho que considero importante: o sistema não deve aprender copiando fotografias de autores, mas registrando relações. O que entra no banco, e o que eventualmente alimenta qualquer modelo treinado pelo projeto, são vetores que descrevem como os domínios se relacionam numa cena, e não as imagens originais. Isso reduz, mas não elimina, as questões de direito autoral, e precisa ser confirmado com orientação jurídica antes de qualquer uso em escala. A coleta automática a partir de bancos de imagem gratuitos, que já existe em protótipo, precisa ter suas condições de licença verificadas para esse fim específico.

A memória também precisa de revisão

A memória do sistema permite aprender com os casos anteriores e, no futuro, calibrar os pesos do índice. Mas padrões errados também se consolidam quando são repetidos sem verificação. O sistema precisa registrar mudanças na taxonomia, versões das fichas e motivos de cada correção. Uma memória com pretensão científica deve permitir reconstruir o caminho que levou a uma conclusão, inclusive quando a conclusão for abandonada.

FERRAMENTAS E IMPLEMENTAÇÃO

Uma arquitetura só serve à investigação se puder ser usada, inspecionada e corrigida. Esta parte descreve as ferramentas pelas quais o CMRE existe hoje e as que estão sendo preparadas, sempre com o mesmo cuidado de separar o que funciona do que é plano.

O que o usuário vê

A ferramenta CMRE é a forma de usar o motor sem programar. A interface web guia o trabalho em quatro etapas: o usuário escreve o pedido, o sistema o processa e mostra a ficha técnica e o índice, a imagem é gerada pelo serviço escolhido e, por fim, o usuário avalia o resultado com notas de 1 a 5 em cinco dimensões. O índice aparece numa barra colorida, verde a partir de 0,75, e essa cor indica apenas a decisão operacional do sistema, não um veredito sobre o realismo da imagem. A mesma lógica pode ser acionada por linha de comando ou por uma API, para quem quiser integrar o motor a outros fluxos.

O que já faz e o que ainda não faz

Hoje, a ferramenta transforma um pedido simples numa ficha técnica de dezesseis blocos, verifica sete relações entre domínios, calcula o índice, tenta resolver conflitos, escreve o prompt e o prompt negativo e envia tudo ao gerador. Também analisa fotografias reais e as registra no banco de referências.

Ela ainda não critica automaticamente a imagem que acabou de gerar, não trabalha com movimento nem com som e não fecha sozinha o ciclo de correção. As leituras visuais que faz, por meio de um modelo externo, não tiveram a precisão medida.

Rastrear antes de automatizar

O objetivo da primeira versão não é automatizar todas as decisões. Uma ferramenta de pesquisa pode ter etapas manuais, desde que registre o processo e permita avaliar se cada componente é útil. Automatizar uma etapa antes de entender sua função apenas faz os erros acontecerem mais depressa. Por isso, a prioridade é rastreabilidade: cada execução precisa guardar o que é necessário para reconstruir o que aconteceu.

Código à vista

O código do motor está publicado num repositório aberto, biraribeiros/cmre-engine, com instruções de instalação, configuração e uso. Ali ficam a estrutura das camadas, os validadores, o cálculo do índice, os conectores com os geradores, a interface e os módulos de aprendizado descritos no capítulo 30.

Para ser útil a outras pessoas, o repositório ainda precisa de testes automatizados, de uma descrição do estado de cada módulo e de um registro das decisões tomadas e dos motivos de cada mudança. O histórico de versões já permite ver como o sistema evoluiu; o registro de decisões permitiria entender por quê.

O que um repositório público prova

Publicar o código antes de o sistema estar completo é uma escolha. O objetivo é tornar a arquitetura examinável e, quando possível, reproduzível. Mas um repositório público não prova a validade científica do método. Ele aumenta a possibilidade de inspeção, desde que o código, os dados, os modelos e as condições de execução estejam descritos com detalhe suficiente. Dependências de serviços externos e credenciais precisam ser documentadas sem expor segredos.

Procedimentos empacotados

Uma skill é um conjunto de instruções, procedimentos e critérios que um assistente de inteligência artificial pode carregar para executar uma tarefa especializada de forma consistente. Já existe uma skill do CMRE para o Claude, que aplica o protocolo deste ensaio para escrever, analisar, criticar e refinar prompts, imagens e vídeos com o apoio do assistente. É hoje a forma mais acessível de usar o método no dia a dia, inclusive a função de crítica que o motor ainda não automatizou.

É preciso dizer o que isso é e o que não é. A skill é um procedimento guiado, executado por um modelo de linguagem com a supervisão de quem a usa. Ela não é um componente validado, e a qualidade do resultado depende do modelo, da imagem e da pessoa.

Uma skill por função

No desenho do sistema, cada skill deve ter uma função delimitada, entradas claras e um formato de saída consistente: uma skill de iluminação, uma de materiais, uma de anatomia, uma de continuidade temporal. Uma skill de iluminação, por exemplo, deve declarar quais sinais examina, o que não consegue inferir e como representa a incerteza, e nunca transformar uma impressão subjetiva numa afirmação física sem mostrar o caminho. Essa modularidade facilita revisar e substituir partes do sistema sem mexer no resto.

Assistentes configurados

Os Gems, assistentes personalizáveis do Gemini, e recursos equivalentes em outras plataformas permitem guardar instruções e contexto para tarefas recorrentes. No projeto, eles podem servir como interfaces de pesquisa, de crítica ou de produção, desde que suas funções e limites estejam descritos.

A configuração precisa separar a voz editorial das regras de análise técnica. Um assistente pode manter o tom deste ensaio sem alterar critérios de validação; outro pode executar uma crítica técnica sem reescrever o texto autoral. Misturar as duas coisas faz o estilo contaminar a avaliação.

Como os recursos dessas plataformas mudam com frequência, a documentação do projeto deve registrar a ferramenta e a versão efetivamente usadas. A existência de uma configuração não comprova que ela produza avaliações consistentes; isso, também, precisa ser testado.

Conectar ferramentas

Integrações permitem ligar modelos de linguagem, como o ChatGPT, o Gemini ou o Claude, a ferramentas externas: geradores de imagem, armazenamento, bancos de dados e processamento. No meu próprio fluxo, uso integrações desse tipo para que o assistente envie pedidos diretamente aos geradores de imagem. Essa ligação reduz trabalho manual, mas cria dependências novas: autenticação, limites de uso, disponibilidade, formatos de dados e mudanças nas interfaces dos fornecedores.

O que cada integração precisa declarar

Cada integração deve especificar o que recebe, o que devolve, onde os dados ficam armazenados e como as falhas são tratadas. Credenciais não podem estar no código nem nos registros. Imagens de referência precisam respeitar direitos de uso e condições de privacidade.

Uma integração não é prova de inteligência do sistema; é uma ligação operacional. O valor do CMRE continua dependendo da qualidade dos critérios, dos dados, dos diagnósticos e dos experimentos que essa infraestrutura permite fazer.

Antes, durante e depois

Num fluxo de produção, o CMRE pode atuar em três momentos. Antes da geração, organiza os requisitos e explicita as relações que a cena precisa respeitar. Durante, ajuda a escolher o gerador e os parâmetros. Depois, apoia a avaliação e a próxima iteração.

O profissional continua definindo a finalidade da imagem, o público, o meio de destino e as restrições. Uma saída útil do sistema nem sempre é uma imagem aprovada; pode ser um relatório que aponta problemas prioritários, riscos de interpretação ou pontos que pedem revisão manual. O sistema também precisa saber dizer quando não tem evidência suficiente para sugerir uma correção.

O que o CMRE não substitui

O CMRE não substitui a decisão estética, a intenção narrativa nem o julgamento de quem cria. Ele é uma ferramenta, não um autor. Na prática, a adoção deve começar por tarefas delimitadas, como retratos em ambientes com luz identificável, cenas de produto ou comparações em que só uma variável muda. Resultados obtidos num tipo de imagem não devem ser generalizados para todos os outros sem novos testes.

VALIDAÇÃO E FUTURO

O próximo passo não é crescer

O próximo salto de qualidade deste projeto não é adicionar mais domínios ou mais agentes. É desenhar um experimento menor, controlado e replicável, com poucas relações bem definidas, e verificar se elas carregam informação que a qualidade visual geral não carrega.

Definir o que se mede

Antes de calcular qualquer índice, é preciso decidir que variável se quer prever. Perguntar apenas “real ou gerada?” mistura as cinco dimensões do capítulo 1. Uma avaliação mais informativa mede, separadamente: naturalidade, plausibilidade física, coerência global, aparência fotográfica, autenticidade percebida, confiança no próprio julgamento e preferência estética.

Montar um conjunto de imagens controlado

O conjunto mínimo precisa conter fotografias reais com condições de captura conhecidas; imagens geradas por diferentes famílias de modelos; fotografias reais editadas para inserir uma única incoerência; imagens sintéticas corrigidas em um único domínio; cenas 3D com parâmetros físicos conhecidos; e imagens de estilos não fotográficos, para testar o limite da própria teoria. Idealmente, cada cena teria versões pareadas em que só uma relação muda por vez, como a direção da sombra, o reflexo, o ponto de contato, o peso aparente ou a temperatura de cor, para isolar o que de fato move o julgamento.

Medir a confiabilidade das anotações

Cada variável anotada por especialistas precisa de definição operacional, unidade ou escala, uma regra explícita para “não é possível saber”, pelo menos dois anotadores independentes e uma medida de concordância entre eles. A incerteza precisa entrar no cálculo, e não desaparecer dele.

Calibrar com dados

Os pesos do índice devem ser calibrados a partir de julgamentos humanos reais, e não escolhidos por mim. Um desenho possível: apresentar pares de imagens a observadores, registrar qual parece mais realista e com que confiança, identificar quais incoerências mais alteraram o julgamento, ajustar os pesos numa parte dos dados e testar em outra, separada, para que o índice não seja ajustado ao próprio material usado para criá-lo.

Comparar com explicações mais simples

O projeto só terá uma contribuição defensável se superar, de forma replicável, explicações alternativas simples: que a qualidade visual geral explica quase tudo; que defeitos locais explicam a maior parte dos julgamentos; que a aparência de câmera pesa mais que a coerência física; que a familiaridade com o contexto é o fator dominante. A pergunta não é “o CCI prevê o realismo?”, e sim “o CCI prevê algo que medidas de qualidade de imagem, detectores de defeitos e avaliações de naturalidade já não preveem?”.

Remover para entender

Retirar blocos do sistema um a um, como luz, anatomia, materiais, captura, contexto, entropia e movimento, e medir o que se perde, é a forma honesta de responder a uma pergunta que este projeto ainda não respondeu: quantos dos trinta agentes contribuem de fato para o resultado, e quantos são redundantes.

Avaliar as correções

Prever uma nota não basta. É preciso verificar se as explicações do sistema estão corretas, se são úteis para quem opera a ferramenta, se podem ser aplicadas num prompt ou num fluxo real, se não se contradizem e se melhoram a imagem sem criar novos conflitos.

Controlar o experimento

As imagens precisam ser apresentadas em condições comparáveis, de tela, tamanho e tempo; a ordem de apresentação deve reduzir efeitos de sequência; os participantes e os critérios de seleção precisam ser descritos, incluindo profissão, idade, experiência com fotografia e familiaridade com imagens geradas; e a análise precisa prever, antes da coleta, como serão tratados desacordos e respostas incompletas.

Um experimento assim pode contrariar a hipótese. Se o CCI não acompanhar a percepção humana, será preciso rever os pesos, os domínios ausentes, a qualidade das anotações ou a própria premissa. A possibilidade de falhar é parte do método, não um problema a esconder.

O que este ensaio não prova

Seria desonesto encerrar sem dizer claramente o que este trabalho não demonstra.

A coerência entre domínios é, por enquanto, uma hipótese. Ela é sustentada por exemplos históricos, por observação prática e pela convergência de disciplinas independentes, mas não por um experimento controlado.

A primeira limitação é conceitual: coerência física e realismo percebido não são a mesma coisa. Uma imagem estilizada pode convencer sem reproduzir a física; uma imagem fisicamente plausível pode parecer artificial por convenção, contexto ou expectativa de quem a vê.

A segunda é técnica. Sistemas de visão podem errar ao identificar materiais, estimar a luz, inferir profundidade ou reconhecer causas. Se vários módulos erram da mesma forma, combinar suas saídas pode amplificar o erro em vez de corrigi-lo. Extrair de uma imagem plana a direção da luz ou a força do vento é um problema difícil de visão computacional.

A terceira é experimental. Um índice pode funcionar numa coleção limitada de imagens e falhar em outras categorias, culturas ou condições de visualização. Mesmo que o CCI um dia se correlacione com julgamentos humanos, isso não provará que a coerência é a causa do realismo percebido; ele pode estar capturando, indiretamente, qualidade geral, composição ou resolução.

A quarta é o próprio nome. Mantenho “cross-modal” por continuidade, mas, como expliquei no capítulo 1, “coerência entre domínios” descreve melhor o objeto, e o nome precisará ser revisto antes de qualquer submissão acadêmica.

Há ainda uma frase que repeti nas versões anteriores e que era forte demais: a de que os modelos generativos “aprendem a superfície, sem o mecanismo”. Como retórica, ela resume a intuição. Como afirmação técnica, é ampla demais. A formulação defensável é outra: os modelos generativos frequentemente reproduzem regularidades visuais sem garantir uma representação explícita, completa, estável e controlável das causas físicas por trás delas.

Resultados que ainda não existem

Não há, neste momento, nenhum resultado experimental do CCI. Os pesos não foram calibrados. A precisão das leituras visuais não foi medida. O modo crítico não foi implementado. Movimento e som não foram implementados.

Próximos passos

Em ordem: definir o construto antes de calcular o índice; montar o conjunto de imagens controlado; medir a confiabilidade das anotações; calibrar os pesos com dados; comparar o índice com explicações mais simples; testar quais agentes são necessários; e avaliar se as correções do sistema ajudam de verdade.

Esse programa depende de recursos que o projeto ainda não tem por inteiro: dados licenciados e curados, desenvolvimento dos agentes, avaliação humana, especialistas de cada domínio, infraestrutura computacional e documentação. Publicar este ensaio antes de o sistema estar completo é intencional. O objetivo é tornar a hipótese examinável por outras pessoas enquanto ainda é barato corrigir o rumo, e encontrar pesquisadores, instituições e parceiros técnicos que possam confirmá-la, refutá-la ou ampliá-la.

As dez perguntas que ainda preciso responder

1. O CCI mede realismo percebido, plausibilidade física, autenticidade de origem ou uma combinação

desses construtos?

2. O nome “coerência cross-modal” deve mudar, e para qual?

3. Como calcular uma compatibilidade causal quando a imagem não contém informação suficiente?

4. Contra quais explicações alternativas e medidas existentes o CCI precisa ser testado?

5. Quais relações entre domínios devem ser testadas primeiro?

6. Como definir e calibrar os pesos, e com quais dados?

7. Como o sistema deve lidar com estilos artísticos, surrealismo, publicidade e imagens

deliberadamente impossíveis?

8. Como controlar cultura, profissão, idade, familiaridade com IA e experiência fotográfica de

quem avalia?

9. Como demonstrar que as correções do CMRE melhoram a percepção humana, e não apenas o índice?

10. Qual é o menor conjunto de agentes capaz de produzir um ganho mensurável?

Um projeto vivo

Este documento registra o estado do projeto em outubro de 2026. O CMRE, o banco de referências, o CCI, os agentes e o desenho experimental vão mudar à medida que surgirem evidências. Essas mudanças não serão falhas de consistência, mas parte normal de um programa de investigação. O compromisso é manter rastreável o que mudou, por que mudou e que evidência motivou a mudança.

Conclusão

Comecei com uma imagem que parecia correta e, ainda assim, não me convencia. A primeira reação foi tentar consertar o resultado. A investigação começou quando passei a perguntar por que ele falhava.

As disciplinas reunidas aqui não oferecem uma fórmula do realismo. Oferecem formas de observar partes do problema. A escultura mostra peso e estrutura. A medicina relaciona sinais e estados do corpo. A ecologia e a física explicam as causas que atuam sobre tudo ao mesmo tempo. A fotografia revela as escolhas e os limites da captura. O cinema acrescenta o tempo. A computação gráfica mostra o que foi preciso calcular para a luz parecer física. A arquitetura examina o espaço. A investigação forense ensina a confrontar vestígios. A psicologia lembra que o realismo é, no fim, uma experiência de quem olha.

Michelangelo registrou na pedra um sinal de corpo vivo que a fisiologia só explicaria mais tarde. Muybridge mostrou que os melhores pintores do mundo estavam errados sobre um cavalo. Locard ensinou a desconfiar do vestígio que não tem causa. Nenhum desses exemplos prova a hipótese deste ensaio, mas todos apontam na mesma direção: o que convence é a concordância entre as partes.

As ferramentas generativas de hoje reproduzem a superfície do mundo como nenhuma técnica anterior. O que elas ainda não garantem é essa concordância. Minha proposta é tratá-la primeiro como pergunta, depois como protocolo e, por fim, como sistema. O CMRE é uma primeira tentativa de transformar a pergunta em instrumento; o CCI, de transformá-la em medida. Nenhum dos dois deve ser confundido com a comprovação da hipótese.

O próximo passo é testar, separadamente, as duas afirmações deste trabalho: a de que cenas reais têm relações causais coerentes e a de que as pessoas usam essas relações para julgar o que é real. Se a hipótese explicar parte do realismo percebido, os experimentos devem mostrar em que condições. Se não explicar, o mesmo processo deve mostrar onde ela falha.

Trago este ensaio a professores e pesquisadores antes de qualquer outra instância porque o teste mais valioso para uma ideia nova é a objeção de quem sabe mais do que quem a teve. Se a pergunta resistir, o próximo passo é o trabalho formal e o experimento. Se não resistir, terei aprendido onde ela falha, o que, depois de mais de vinte e cinco anos olhando imagens, também é uma forma de avançar.

Uma imagem convence quando suas pistas formam um mundo possível para quem a observa. Entender como isso acontece continua sendo uma pergunta aberta. Este ensaio não a encerra. Organiza uma maneira de investigá-la.

Comentários, objeções e correções são bem-vindos.

FECHAMENTO

SOBRE O AUTOR

Bira Ribeiro é publicitário e bacharel em Sistemas de Informação. Trabalha com publicidade e produção audiovisual desde 1999 e é cofundador, com Juliana Oliveira, da Via Multimídia, agência de marketing e multimídia em Patos de Minas, Minas Gerais. A prática diária com imagem, vídeo, edição e, mais recentemente, ferramentas generativas motivou a investigação apresentada neste ensaio. O projeto CMRE nasce da tentativa de transformar observações do trabalho audiovisual em perguntas estruturadas, hipóteses e ferramentas que possam ser examinadas por outras pessoas.

Este ensaio é assinado por uma pessoa, mas nasce de um trabalho coletivo: da sociedade com Juliana Oliveira e da equipe da Via Multimídia.

Este documento registra uma proposta editorial e técnica em desenvolvimento, no estado de outubro de 2026. Afirmações que dependem de versões específicas de ferramentas devem ser conferidas na documentação vigente. Na edição diagramada, toda imagem deve ter autoria, origem, licença e função editorial registradas, e toda ilustração conceitual ou imagem gerada por IA deve ser identificada como tal, nunca como fotografia documental.