Проект посвящён исследованию того, как генеративные нейросети могут воспроизводить и интерпретировать художественный стиль экспрессионизма, в частности визуальный язык, ассоциируемый с эмоциональной напряжённостью, деформацией формы и насыщенной цветовой палитрой.
Исходные изображения — картины Эдварда Мунка
В качестве основы был выбран стиль, вдохновлённый работами Эдварда Мунка, поскольку он ярко выражает внутренние состояния человека — тревогу, одиночество, экзистенциальное напряжение. Цель проекта — не просто воспроизвести этот стиль, а исследовать, как нейросеть трансформирует его и создаёт новые визуальные вариации.
Исходные изображения — картины Эдварда Мунка
Проект ставит вопрос: может ли нейросеть не только копировать стиль, но и развивать его, создавая новые визуальные образы, сохраняющие эмоциональную глубину?
Концепция серии
Результирующие изображения
Серия изображений представляет собой набор вариаций сцен и образов, объединённых общей эмоциональной атмосферой. Это не копии существующих работ, а новые композиции, в которых сохраняются характерные признаки:
— искажённые формы — экспрессивные линии — контрастные, часто тревожные цвета — ощущение внутреннего напряжения
Каждое изображение — это вариация на тему состояния человека в современном мире, переданная через визуальный язык экспрессионизма.
Исходные изображения (датасет)
Для обучения модели был собран датасет из 100 изображений квадратного формата (1:1), соответствующих требованиям проекта.
Изображения были сгенерированы с помощью базовой модели Stable Diffusion с использованием промптов, ориентированных на стиль экспрессионизма. При генерации учитывались следующие параметры:
— выраженная эмоциональность сцены — контрастная цветовая гамма — характерные мазки и текстуры — деформация перспективы
Исходные изображения — картины Эдварда Мунка
Отбор изображений производился вручную. В датасет были включены только те изображения, которые:
— визуально соответствуют выбранной стилистике — обладают достаточным качеством — демонстрируют разнообразие сцен и композиций
Таким образом, датасет представляет собой согласованную, но вариативную выборку, позволяющую модели обучиться ключевым особенностям стиля.
Исходные изображения — картины Эдварда Мунка
Процесс обучения
Обучение генеративной модели проводилось на основе Stable Diffusion с использованием дообучения LoRA.
Основные этапы:
Подготовка датасета — приведение изображений к квадратному формату — проверка качества и стилистической согласованности
Настройка обучения — указание директории с изображениями — задание параметров обучения (batch size, learning rate, количество шагов)
Обучение модели — модель обучалась на выделенном наборе изображений — в процессе обучения формировалось представление о стиле
Генерация изображений — после обучения модель использовалась для создания новой серии изображений — применялись текстовые промпты для управления результатом
В ходе эксперимента было выявлено, что даже при относительно небольшом датасете модель способна уловить ключевые стилистические особенности.
Анализ итоговой серии
Результирующие изображения
Итоговая серия изображений демонстрирует, как нейросеть интерпретирует заданный стиль и создаёт новые визуальные решения.
Что удалось передать
— характерная цветовая палитра (насыщенные, контрастные цвета) — эмоциональная выразительность — деформация пространства и форм — экспрессивные линии
Результирующие изображения
Вариативность изображений
Несмотря на единый стиль, изображения отличаются:
— композицией — уровнем абстракции — интенсивностью цвета — степенью искажения форм
Это показывает, что модель не просто копирует, а варьирует стиль.
Результирующие изображения
Связь с концепцией
Серия визуализирует идею эмоциональных состояний через генеративную графику. Каждое изображение можно рассматривать как отдельное «состояние», объединённое общей эстетикой тревоги и напряжения.
Результирующие изображения
Особенности генерации
— модель иногда усиливает отдельные элементы (например, цвет или текстуру) — возможны неожиданные искажения, которые добавляют художественную ценность — результат зависит от формулировки промпта
Таким образом, генеративная модель выступает не только как инструмент воспроизведения, но и как соавтор.
Результирующие изображения
Описание ноутбука
Ноутбук содержит полный процесс обучения модели:
— загрузка и подготовка датасета — создание директории для изображений — настройка параметров обучения — запуск процесса обучения — генерация изображений
Ноутбук демонстрирует практическое применение генеративных моделей для задач стилизации изображений.
