Early Covid GANs

During the early months of COVID lockdown, I began fine-tuning StyleGAN models on a relatively small image set built from op art, optical illusion studies, and high-contrast moire patterns. The process was slow and strangely hypnotic: overnight renders would often yield only a few hundred usable frames, and because the models were still undertrained, the outputs remained visibly unstable. That instability was precisely what made the work interesting. Objects would merge in and out of one another, grids would soften into interference bands, and recognizable forms would briefly cohere before dissolving back into patterned noise.

Rather than treating latent space as a route toward polished image synthesis, I approached it as an exploratory field. By traversing between points in the latent manifold, I was looking for moments where the model revealed its incomplete understanding of the source material: optical motifs folding into one another, figure-ground relationships collapsing, and geometric systems behaving almost like hallucinated memory. In that sense the work was less about photorealism than about watching representation fail productively under constraint.

The experiments were informed by the original StyleGAN paper , the follow-up StyleGAN2 paper , and later thinking around limited-data training in StyleGAN2-ADA . What mattered to me in practice was not only the architecture itself, but the phenomenology of undertraining: the extended render times, the low yield, and the uncanny visual threshold where patterns became images and then immediately unraveled again.

Earlier in summer 2020, before the op-art / moiré fine-tunes, I ran a small portrait series: faces drifting in latent space while the model was still early and undertrained. The walks are not trying to resolve into catalog-perfect heads; they stay in the twitchy regime where identity smears, features trade places, and the network keeps negotiating what a face is allowed to be.