фотографии из архива
Цианотипия реагирует на свет и время, она оставляет след — и в этом есть что-то очень живое.
Иногда изображение получается не таким, как задумывалось, или не выходит вовсе — как и в жизни: не всё сохраняется, не всё происходит.
Концепция
В этом проекте я продолжаю работать с темой памяти и цианотипии, но уже через генеративные изображения. Мне было интересно попробовать перенести это ощущение случайности и нестабильности в цифровую среду — где вроде всё можно контролировать, но на самом деле результат всё равно немного ускользает.
Как и раньше, я убираю фигуры людей, оставляя пустые силуэты. Для меня это не про исчезновение, а про пространство — место, куда можно мысленно поставить себя. В итоге получается не архив в прямом смысле, а что-то более хрупкое: ощущение памяти, которое нельзя ни проверить, ни повторить.
фотографии из архива
Датасет сформирован на основе моих собственных фотографий, предварительно обработанных в технике цианотипии.
Обучении генеративной модели
Обучение модели проводилось в среде Google Colab с использованием GPU, что позволило развернуть полноценный пайплайн для дообучения генеративной модели. На первом этапе была подготовлена техническая среда: установлены библиотеки diffusers, transformers, accelerate, peft и bitsandbytes, а также загружен обучающий скрипт для DreamBooth с поддержкой LoRA. Это обеспечило основу для работы со Stable Diffusion XL и последующей адаптации модели под авторский стиль.
Датасет был сформирован из моих собственных изображений, предварительно обработанных в технике цианотипии. Фотографии были загружены в рабочую среду, структурированы в отдельную директорию и проверены визуально с помощью grid-превью. Таким образом, была подготовлена единая обучающая выборка, отражающая ключевые визуальные характеристики проекта.
На следующем этапе для каждого изображения автоматически генерировались текстовые описания с использованием модели BLIP. Полученные подписи дополнялись единым стилевым префиксом «cyanotype memory archive style» и сохранялись в формате metadata.jsonl. Это позволило связать визуальные особенности изображений с текстовыми описаниями и задать основу для обучения модели через текстовое условие.
В качестве базовой модели использовалась Stable Diffusion XL с дополнительным VAE, обеспечивающим стабильность генерации. Обучение проводилось с помощью метода LoRA, при котором адаптируются только отдельные веса модели. Были заданы ключевые параметры обучения, включая разрешение 512, небольшой batch size, ограниченное количество шагов и оптимизацию через 8-bit Adam. В процессе модель обучалась на парах «изображение — текст», постепенно перенимая особенности визуального языка цианотипии.
После завершения обучения веса модели были сохранены и могли быть использованы повторно или опубликованы. На финальном этапе модель применялась для генерации новых изображений: к базовой модели подключались LoRA-веса, и по заданному текстовому запросу создавались новые визуальные вариации. Управление параметром lora_scale позволяло регулировать степень влияния обученного стиля, делая возможным гибкое воспроизведение эстетики проекта.
Итоговые генерации
cyanotype memory archive style, balcony railing framing distant water, void where person stood, faded exposure marks
cyanotype memory archive style, courtyard with pool reflections and palm shadows, absent figure imprint, worn edges
cyanotype memory archive style, geometric architecture and open square, erased visitors, low detail, washed tones
cyanotype memory archive style, long walkway leading into water, missing figure shape in center, grain and scratches
cyanotype memory archive style, monumental building façade, centered empty silhouette, soft blur and light bleed
cyanotype memory archive style, photogram objects scattered across surface, glowing white forms, deep blue gradients
cyanotype memory archive style, photogram objects scattered across surface, glowing white forms, deep blue gradients
cyanotype memory archive style, quiet café scene with empty seating, human absence emphasized by negative space
cyanotype memory archive style, sea horizon split in two tones, erased figure space near waterline, rough paper texture
cyanotype memory archive style, terrace with scattered chairs and table, human silhouette cut out, uneven chemical stains
cyanotype memory archive style, travel snapshot with figures removed, silhouettes replaced by blank light, fragile image surface
В результате генерации были получены визуально выразительные и атмосферные изображения, которые хорошо передают общее ощущение цианотипии — её цвет, фактуру и настроение. Работы выглядят цельными и интересными с точки зрения композиции и создают эффект хрупкой, «скользящей» памяти.
При этом в некоторых случаях модель неточно передаёт формы объектов: силуэты могут размываться или терять читаемость. Вместо конкретных деталей чаще возникает ощущение абстрактности и сумбурности, что, с одной стороны, снижает точность изображения, а с другой — усиливает эффект неопределённости, важный для концепции проекта.
Использование генеративной модели
GigaChat — инструмент, который использовался для решения задач, связанных с программированием, а также для разработки и оптимизации промптов. Stable Diffusion XL (SDXL) — генеративная модель, применяемая для синтеза изображений по текстовым запросам. DreamBooth — метод дообучения, позволяющий адаптировать модель под собственный датасет и воспроизводить заданный стиль или визуальные особенности. LoRA — подход к обучению, снижающий вычислительные затраты и позволяющий эффективно настраивать модель под конкретные задачи стилизации. https://huggingface.co/docs/diffusers/training/lora https://giga.chat/ https://huggingface.co/docs/diffusers/training/dreambooth https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0
