{"id":1146,"date":"2026-06-10T12:16:10","date_gmt":"2026-06-10T04:16:10","guid":{"rendered":"https:\/\/imgedits.net\/"},"modified":"2026-06-10T12:17:45","modified_gmt":"2026-06-10T04:17:45","slug":"understanding-ai-image","status":"publish","type":"post","link":"https:\/\/imgedits.net\/pt\/post\/understanding-ai-image\/","title":{"rendered":"Understanding the Foundations of AI Image Generation"},"content":{"rendered":"

A capacidade da intelig\u00eancia artificial de gerar imagens fotorrealistas, obras de arte intrincadas e designs visuais complexos a partir de simples prompts de texto \u00e9 um dos saltos tecnol\u00f3gicos mais not\u00e1veis do s\u00e9culo XXI. Por d\u00e9cadas, a computa\u00e7\u00e3o gr\u00e1fica dependeu estritamente de algoritmos procedimentais, modelagem geom\u00e9trica e manipula\u00e7\u00e3o manual por artistas humanos. Hoje, modelos de IA generativa podem sintetizar visuais inteiramente novos em quest\u00e3o de segundos. Essa mudan\u00e7a de paradigma n\u00e3o surge de uma compreens\u00e3o m\u00e1gica da arte, mas sim de estruturas matem\u00e1ticas avan\u00e7adas, infraestrutura computacional massiva e an\u00e1lise estat\u00edstica profunda de dados visuais. Para entender verdadeiramente como a IA gera uma imagem, \u00e9 preciso olhar al\u00e9m da interface do usu\u00e1rio e explorar a arquitetura subjacente de redes neurais, espa\u00e7os de representa\u00e7\u00e3o e modelagem probabil\u00edstica. No cerne de toda IA generativa reside o conceito de aprendizado de m\u00e1quina a partir de grandes volumes de dados. Antes que um sistema possa criar uma imagem de alta qualidade de um \"golden retriever brincando em um parque ao p\u00f4r do sol\", ele deve primeiro analisar milh\u00f5es, ou at\u00e9 bilh\u00f5es, de imagens existentes e suas descri\u00e7\u00f5es textuais correspondentes. Esta fase \u00e9 conhecida como treinamento. Durante esse processo, uma rede neural \u2014 uma estrutura computacional complexa inspirada nos neur\u00f4nios interconectados do c\u00e9rebro humano \u2014 escaneia o conjunto de dados para identificar padr\u00f5es, texturas, formas e cores. A rede aprende a associar arranjos espec\u00edficos de pixels a conceitos sem\u00e2nticos, como a textura fofa do pelo de um animal, as propriedades reflexivas da \u00e1gua ou os tons quentes distintos caracter\u00edsticos de um c\u00e9u noturno. Com o tempo, o sistema transita de apenas reconhecer objetos para entender as rela\u00e7\u00f5es estat\u00edsticas entre eles.<\/p>\n\n\n\n

\"Uma
Uma obra de arte digital abstrata e colorida criada pelo AARON, um sistema pioneiro de arte em IA desenvolvido pelo artista Harold Cohen, apresentando formas florais e geom\u00e9tricas complexas.<\/figcaption><\/figure>\n\n\n\n

No entanto, um modelo de IA n\u00e3o armazena simplesmente um banco de dados massivo de imagens em sua mem\u00f3ria para copi\u00e1-las e col\u00e1-las mais tarde. Tal abordagem seria extremamente ineficiente e incapaz de produzir obras de arte genuinamente originais. Em vez disso, o processo de treinamento for\u00e7a o modelo a comprimir esse vasto oceano de informa\u00e7\u00f5es visuais em um conceito matematicamente organizado, conhecido como espa\u00e7o latente. O espa\u00e7o latente pode ser conceituado como um sistema de coordenadas invis\u00edvel e multidimensional onde conceitos semelhantes s\u00e3o agrupados. Por exemplo, nesse reino matem\u00e1tico oculto, o vetor que representa um \"cachorro\" reside perto do vetor para um \"gato\" sob um aglomerado mais amplo de \"animais\", enquanto a coordenada para \"p\u00f4r do sol\" est\u00e1 posicionada perto de \"nascer do sol\" e \"crep\u00fasculo\". Quando um usu\u00e1rio insere um prompt, a IA navega por esse espa\u00e7o matem\u00e1tico, encontrando a interse\u00e7\u00e3o exata dos conceitos solicitados para servir como o projeto para a sa\u00edda.<\/p>\n\n\n\n

A evolu\u00e7\u00e3o da arquitetura: de GANs a autoencoders variacionais<\/h2>\n\n\n\n

Para entender o estado moderno da gera\u00e7\u00e3o de imagens por IA, \u00e9 essencial tra\u00e7ar a linhagem evolutiva de suas arquiteturas centrais. O avan\u00e7o inicial na s\u00edntese convincente de imagens chegou com a introdu\u00e7\u00e3o das Redes Advers\u00e1rias Generativas, comumente chamadas de GANs. Concebida em 2014, uma GAN opera com um princ\u00edpio brilhantemente competitivo envolvendo duas redes neurais distintas que atuam como rivais: o Gerador e o Discriminador. O \u00fanico objetivo do Gerador \u00e9 criar uma imagem a partir de ru\u00eddo matem\u00e1tico aleat\u00f3rio, enquanto o papel do Discriminador \u00e9 avaliar essa imagem em rela\u00e7\u00e3o a um conjunto de dados de fotos reais feitas por humanos e determinar se a imagem gerada \u00e9 \"real\" ou \"falsa\".<\/p>\n\n\n\n

\n\n\n
\n

Fluxo da arquitetura GAN<\/h3>\n \n
\n
Ru\u00eddo aleat\u00f3rio<\/div>\n
<\/div><\/div>\n
Gerador<\/div>\n
<\/div><\/div>\n
Imagem falsa<\/div>\n <\/div>\n
<\/div>\n
\n
Discriminador<\/div>\n
<\/div><\/div>\n
Imagens reais<\/div>\n <\/div>\n
\n \n \ud83d\udd04 Loop de feedback: Real\/Falso\n <\/span>\n <\/div>\n <\/div>\n\n \n<\/article>\n\n\n\n

Essa rela\u00e7\u00e3o advers\u00e1ria desencadeia um loop de feedback altamente eficaz. No in\u00edcio, o Gerador produz apenas est\u00e1tica incoerente. No entanto, \u00e0 medida que o Discriminador detecta facilmente essas falhas e rejeita as sa\u00eddas, o Gerador \u00e9 for\u00e7ado a ajustar seus par\u00e2metros internos para criar estruturas mais convincentes. Inversamente, \u00e0 medida que o Gerador se torna mais habilidoso em imitar a realidade, o Discriminador deve se tornar mais sofisticado para detectar inconsist\u00eancias sutis. Essa corrida armamentista cont\u00ednua permite que as GANs produzam rostos e objetos incrivelmente n\u00edtidos e de alta resolu\u00e7\u00e3o. Apesar do seu sucesso, as GANs sofrem de limita\u00e7\u00f5es not\u00e1veis, como o \"colapso de modo\" (mode collapse) \u2014 um modo de falha onde o gerador encontra uma \u00fanica sa\u00edda que engana o discriminador e produz repetidamente exatamente a mesma imagem, limitando severamente a diversidade criativa.<\/p>\n\n\n\n

Simultaneamente, pesquisadores exploraram outra arquitetura fundamental conhecida como Autoencoders Variacionais (VAEs). Diferente do framework competitivo das GANs, os VAEs focam intensamente na compress\u00e3o e reconstru\u00e7\u00e3o de dados. Um VAE consiste em um codificador que recebe uma imagem de entrada e a comprime em uma representa\u00e7\u00e3o latente de menor dimens\u00e3o altamente eficiente, capturando apenas as caracter\u00edsticas estruturais mais vitais. Um segundo componente, o decodificador, ent\u00e3o pega essa representa\u00e7\u00e3o comprimida e tenta expandi-la de volta para a imagem original o mais precisamente poss\u00edvel. Ao regularizar esse espa\u00e7o comprimido, os VAEs garantem que a paisagem latente seja suave e cont\u00ednua, significando que, se voc\u00ea escolher um ponto aleat\u00f3rio entre as coordenadas para um \"c\u00edrculo\" e um \"quadrado\", o decodificador renderizar\u00e1 suavemente um quadrado arredondado. Embora os VAEs tenham proporcionado excelente estabilidade e diversidade, suas sa\u00eddas finais frequentemente sofriam de um desfoque distinto, falhando em capturar os detalhes n\u00edtidos e intrincados que os espectadores humanos esperam da arte de alta fidelidade.<\/p>\n\n\n\n

O superpoder moderno: Modelos de difus\u00e3o e a mec\u00e2nica do ru\u00eddo<\/h2>\n\n\n\n

O panorama contempor\u00e2neo da gera\u00e7\u00e3o de imagens por IA \u2014 dominado por sistemas l\u00edderes do setor como Midjourney, DALL-E e Stable Diffusion \u2014 \u00e9 impulsionado por um avan\u00e7o completamente diferente conhecido como Modelos de Difus\u00e3o. Inspirados em conceitos da termodin\u00e2mica de n\u00e3o equil\u00edbrio, os modelos de difus\u00e3o mudaram completamente os paradigmas anteriores de s\u00edntese de imagens. Em vez de tentar construir uma imagem do zero de uma s\u00f3 vez, esses modelos enquadram o problema como um processo gradual de purifica\u00e7\u00e3o, aprendendo a gerar visuais complexos ao dominar a arte da destrui\u00e7\u00e3o controlada e da reconstru\u00e7\u00e3o sistem\u00e1tica.<\/p>\n\n\n\n

A mec\u00e2nica de um modelo de difus\u00e3o \u00e9 dividida em duas fases principais: o processo de difus\u00e3o direta e o processo de difus\u00e3o reversa. No processo direto, o sistema pega uma imagem de treinamento perfeitamente clara e injeta deliberadamente pequenos incrementos de ru\u00eddo gaussiano ao longo de uma s\u00e9rie de centenas de etapas. \u00c0 medida que as etapas progridem, a estrutura original da imagem se degrada lentamente. Ao final da cadeia direta, a imagem \u00e9 completamente obliterada, transformada em um mar sem sentido de est\u00e1tica de pixels aleat\u00f3rios, semelhante ao ru\u00eddo branco de uma tela de televis\u00e3o antiga sem sinal.<\/p>\n\n\n\n

\n

Processo de difus\u00e3o<\/h3>\n\n \n
\n

Difus\u00e3o direta<\/h4>\n
\n
Imagem clara<\/div>\n
<\/div><\/div>\n
Ru\u00eddo parcial<\/div>\n
<\/div><\/div>\n
Est\u00e1tica total<\/div>\n <\/div>\n <\/div>\n\n \n
\n

Difus\u00e3o reversa<\/h4>\n
\n
Est\u00e1tica total<\/div>\n
<\/div><\/div>\n
Fase de remo\u00e7\u00e3o de ru\u00eddo<\/div>\n
<\/div><\/div>\n
Imagem final<\/div>\n <\/div>\n <\/div>\n<\/div>\n\n\n\n

A verdadeira magia ocorre durante o processo de difus\u00e3o reversa, onde a gera\u00e7\u00e3o real da imagem acontece. A rede neural, que normalmente utiliza uma arquitetura chamada U-Net, \u00e9 treinada para observar uma imagem contendo um n\u00edvel espec\u00edfico de ru\u00eddo e prever exatamente quanto ru\u00eddo foi adicionado na etapa anterior. Ao treinar a rede com bilh\u00f5es de exemplos, ela aprende a subtrair esse ru\u00eddo previsto com uma precis\u00e3o incr\u00edvel. Portanto, quando um usu\u00e1rio solicita uma nova imagem, a IA come\u00e7a com uma tela de est\u00e1tica matem\u00e1tica pura e aleat\u00f3ria. Em seguida, aplica sua U-Net treinada iterativamente, removendo camadas de ru\u00eddo passo a passo. A cada itera\u00e7\u00e3o, formas vagas come\u00e7am a se cristalizar a partir do caos, transformando manchas abstratas em bordas distintas, texturas e, finalmente, uma imagem final altamente detalhada e coerente.<\/p>\n\n\n\n

Unindo palavras e pixels: O papel do pr\u00e9-treinamento contrastivo de linguagem e imagem (CLIP)<\/h2>\n\n\n\n

Embora os modelos de difus\u00e3o sejam excepcionalmente habilidosos em transformar ru\u00eddo aleat\u00f3rio em visuais estruturados, eles inerentemente carecem da capacidade de entender a fala humana ou o texto escrito. Para preencher a lacuna entre a linguagem humana e os pixels visuais, os sistemas generativos modernos dependem de uma camada de tradu\u00e7\u00e3o crucial, exemplificada de forma mais famosa pelo CLIP (Contrastive Language-Image Pre-training) da OpenAI. Sem um mecanismo como o CLIP, um modelo de difus\u00e3o geraria paisagens ou objetos bonitos, por\u00e9m aleat\u00f3rios, mas n\u00e3o teria como saber como alinhar essas cria\u00e7\u00f5es aos comandos escritos expl\u00edcitos do usu\u00e1rio.<\/p>\n\n\n\n

O CLIP \u00e9 treinado em um imenso conjunto de dados de pares imagem-texto coletados em toda a internet. Seu objetivo principal \u00e9 aprender um espa\u00e7o de embutimento compartilhado (shared embedding space) onde uma descri\u00e7\u00e3o de texto e sua imagem correspondente s\u00e3o mapeadas exatamente para o mesmo vetor matem\u00e1tico. Por exemplo, a frase \"um horizonte de cidade cyberpunk futurista\" e uma pintura digital real de uma \u00e1rea metropolitana neon brilhante s\u00e3o guiadas para a mesma coordenada dentro deste espa\u00e7o multidimensional. O modelo consegue isso por meio de aprendizado contrastivo, maximizando o alinhamento matem\u00e1tico entre pares correspondentes, enquanto minimiza agressivamente o alinhamento entre textos e imagens n\u00e3o relacionados.<\/p>\n\n\n\n

\"Uma
Uma cena de fantasia vibrante, gerada por IA, apresentando uma f\u00eanix brilhante abrindo suas asas sobre um guerreiro solit\u00e1rio em uma floresta m\u00edstica, exibindo as capacidades da IA generativa moderna.<\/figcaption><\/figure>\n\n\n\n

Quando um usu\u00e1rio digita um prompt em um gerador de IA, o texto \u00e9 imediatamente enviado para o componente codificador de texto da rede CLIP. Esse codificador converte as sequ\u00eancias de palavras em um vetor num\u00e9rico denso que encapsula o significado sem\u00e2ntico da solicita\u00e7\u00e3o. Esse vetor de texto \u00e9 ent\u00e3o injetado no processo de difus\u00e3o reversa como uma for\u00e7a orientadora, frequentemente por meio de um mecanismo chamado aten\u00e7\u00e3o cruzada (cross-attention). \u00c0 medida que a arquitetura U-Net trabalha para remover o ru\u00eddo da tela est\u00e1tica inicial, ela verifica constantemente seu progresso em rela\u00e7\u00e3o ao vetor de texto CLIP. Os mecanismos de aten\u00e7\u00e3o guiam o processo de remo\u00e7\u00e3o de ru\u00eddo, garantindo que as estruturas que emergem da est\u00e1tica se alinhem precisamente aos conceitos, estilos e objetos solicitados no prompt do usu\u00e1rio.<\/p>\n\n\n\n

Difus\u00e3o latente e otimiza\u00e7\u00e3o: Tornando a alta resolu\u00e7\u00e3o acess\u00edvel<\/h2>\n\n\n\n

Nos est\u00e1gios iniciais do desenvolvimento de modelos de difus\u00e3o, os recursos computacionais necess\u00e1rios para gerar imagens de alta resolu\u00e7\u00e3o eram impressionantes. Processar cada pixel de uma imagem de 1024\u00d71024 atrav\u00e9s de centenas de etapas de uma rede neural profunda exigia quantidades massivas de VRAM e um poder de processamento imenso, tornando-o totalmente impratic\u00e1vel para hardware de consumo ou implanta\u00e7\u00e3o p\u00fablica generalizada. Esse gargalo levou \u00e0 inven\u00e7\u00e3o dos Modelos de Difus\u00e3o Latente (LDMs), uma t\u00e9cnica de otimiza\u00e7\u00e3o revolucion\u00e1ria que forma a espinha dorsal de modelos de c\u00f3digo aberto como o Stable Diffusion. A inova\u00e7\u00e3o central da difus\u00e3o latente \u00e9 que todo o processo de remo\u00e7\u00e3o de ru\u00eddo n\u00e3o ocorre no espa\u00e7o massivo e de alta dimens\u00e3o dos pixels reais. Em vez disso, o sistema utiliza um poderoso Autoencoder para comprimir a imagem inicial em um espa\u00e7o latente muito menor e de dimens\u00e3o inferior antes que qualquer difus\u00e3o ocorra. Por exemplo, uma imagem que normalmente consistiria em milh\u00f5es de valores de pixels vermelhos, verdes e azuis \u00e9 comprimida em uma representa\u00e7\u00e3o matem\u00e1tica compacta que \u00e9 uma fra\u00e7\u00e3o do seu tamanho original, mas que ret\u00e9m todos os dados sem\u00e2nticos e estruturais essenciais.<\/p>\n\n\n\n

Assim que a imagem \u00e9 armazenada com seguran\u00e7a nesse eficiente espa\u00e7o latente, os processos de difus\u00e3o direta e reversa s\u00e3o realizados. Como a rede neural manipula apenas uma abstra\u00e7\u00e3o matem\u00e1tica altamente condensada, em vez de milh\u00f5es de pixels individuais, a carga de trabalho computacional cai drasticamente. Isso permite que o modelo seja executado de forma eficiente em placas gr\u00e1ficas de consumo padr\u00e3o. Quando o processo de difus\u00e3o reversa \u00e9 conclu\u00eddo e o ru\u00eddo \u00e9 removido com sucesso dentro do espa\u00e7o latente, o vetor latente otimizado final \u00e9 passado pelo componente decodificador do Autoencoder. O decodificador traduz os n\u00fameros abstratos de volta para o dom\u00ednio dos pixels, inflando instantaneamente o vetor compacto em uma imagem ampla, n\u00edtida e de alta resolu\u00e7\u00e3o para o usu\u00e1rio visualizar.<\/p>\n\n\n\n

\u00c9tica, realismo e o futuro da m\u00eddia sint\u00e9tica<\/h2>\n\n\n\n

\u00c0 medida que as estruturas matem\u00e1ticas e arquitet\u00f4nicas da intelig\u00eancia artificial generativa continuam a amadurecer, a fronteira que separa a m\u00eddia sint\u00e9tica da realidade genu\u00edna est\u00e1 se dissolvendo rapidamente. Os princ\u00edpios subjacentes de difus\u00e3o, espa\u00e7os latentes e alinhamento de texto por aten\u00e7\u00e3o cruzada evolu\u00edram a ponto de os modelos de IA poderem agora reproduzir fielmente fen\u00f4menos de ilumina\u00e7\u00e3o complexos, como espalhamento subsuperficial, ilumina\u00e7\u00e3o global e profundidade de campo intrincada. O que come\u00e7ou como uma s\u00e9rie de experimentos de baixa resolu\u00e7\u00e3o em laborat\u00f3rios acad\u00eamicos floresceu em uma revolu\u00e7\u00e3o industrial que impacta o design gr\u00e1fico, o cinema, a arquitetura e o desenvolvimento de jogos de v\u00eddeo.<\/p>\n\n\n\n

No entanto, o imenso poder desses princ\u00edpios subjacentes tamb\u00e9m traz considera\u00e7\u00f5es sociais e \u00e9ticas substanciais. Como essas redes aprendem encontrando padr\u00f5es estat\u00edsticos em conjuntos de dados criados por humanos, elas s\u00e3o propensas a absorver e amplificar quaisquer preconceitos sociais, estere\u00f3tipos ou imprecis\u00f5es hist\u00f3ricas presentes em seus dados de treinamento. Al\u00e9m disso, a facilidade com que esses modelos podem manipular o processo de difus\u00e3o reversa para gerar representa\u00e7\u00f5es sint\u00e9ticas impec\u00e1veis de seres humanos reais levanta profundas preocupa\u00e7\u00f5es em rela\u00e7\u00e3o \u00e0 autenticidade digital, desinforma\u00e7\u00e3o, direitos de propriedade intelectual e a eros\u00e3o geral da confian\u00e7a na m\u00eddia visual. Olhando para o futuro, o desenvolvimento da gera\u00e7\u00e3o de imagens por IA est\u00e1 se afastando de imagens 2D est\u00e1ticas e se expandindo dinamicamente para espa\u00e7os multidimensionais. Os mesmos princ\u00edpios fundamentais da s\u00edntese de texto para imagem est\u00e3o sendo adaptados atualmente para impulsionar arquiteturas avan\u00e7adas de texto para v\u00eddeo, gera\u00e7\u00e3o automatizada de ativos 3D e ambientes virtuais interativos. Ao tratar o tempo e a profundidade como dimens\u00f5es matem\u00e1ticas adicionais dentro do espa\u00e7o latente, as redes neurais est\u00e3o aprendendo a manter a consist\u00eancia estrutural e temporal entre os quadros. \u00c0 medida que a efici\u00eancia computacional aumenta e as arquiteturas algor\u00edtmicas se tornam mais refinadas, a jornada de uma simples fa\u00edsca da imagina\u00e7\u00e3o humana at\u00e9 uma realidade digital hiper-realista totalmente realizada continuar\u00e1 a diminuir, alterando para sempre o panorama da criatividade humana e da express\u00e3o tecnol\u00f3gica.<\/p>\n\n\n\n

<\/p>","protected":false},"excerpt":{"rendered":"

The ability of artificial intelligence to generate photorealistic imagery, intricate artwork, and complex visual designs from simple textual prompts stands as one of the most remarkable technological leaps of the twenty-first century. For decades, computer graphics relied strictly on procedural algorithms, geometric modeling, and manual manipulation by human artists. Today, generative AI models can synthesize […]<\/p>\n","protected":false},"author":1,"featured_media":1148,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_seopress_titles_title":"How Does AI Create Images? A Simple Guide to Generative Art","_seopress_titles_desc":"Curious about how AI turns text into stunning images? Learn how diffusion models, latent space, and AI \"translators\" work together to turn your prompts into reality.","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"","_seopress_social_fb_title":"","_seopress_social_fb_desc":"","_seopress_social_fb_img":"","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"","_seopress_social_twitter_desc":"","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"","_seopress_redirections_param":"","_seopress_redirections_type":0,"_seopress_analysis_target_kw":"","footnotes":""},"categories":[1],"tags":[],"class_list":["post-1146","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-post"],"_links":{"self":[{"href":"https:\/\/imgedits.net\/pt\/wp-json\/wp\/v2\/posts\/1146","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/imgedits.net\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/imgedits.net\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/imgedits.net\/pt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/imgedits.net\/pt\/wp-json\/wp\/v2\/comments?post=1146"}],"version-history":[{"count":4,"href":"https:\/\/imgedits.net\/pt\/wp-json\/wp\/v2\/posts\/1146\/revisions"}],"predecessor-version":[{"id":1153,"href":"https:\/\/imgedits.net\/pt\/wp-json\/wp\/v2\/posts\/1146\/revisions\/1153"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/imgedits.net\/pt\/wp-json\/wp\/v2\/media\/1148"}],"wp:attachment":[{"href":"https:\/\/imgedits.net\/pt\/wp-json\/wp\/v2\/media?parent=1146"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/imgedits.net\/pt\/wp-json\/wp\/v2\/categories?post=1146"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/imgedits.net\/pt\/wp-json\/wp\/v2\/tags?post=1146"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}