Город Пост-Лучизма

Лучизм — это направление в искусстве, чей визуальный код невозможно спутать ни с чем другим. Основанный на пересечении отраженных лучей, этот стиль стирает границы между предметом и пространством, превращая твердые формы в чистую энергию света. Глядя на работы в этом стиле, мы не просто видим городскую улицу или интерьер — мы ощущаем динамику световых потоков, которые пронизывают материю, создавая уникальное визуальное переживание на стыке живописи и цифровой архитектуры.

Меня всегда завораживала эта способность лучизма превращать статичную реальность в бесконечную экспрессию линий. В моем проекте архитектура мегаполиса перестает быть набором бетонных коробок: высотные здания, уходящие в небо, напоминают вибрирующие световые столбы, а узкие проспекты превращаются в каньоны, наполненные сиянием. Фасады домов, изгибающиеся и дробящиеся под воздействием световых векторов, пульсирующие витрины магазинов и улицы, словно дышащие золотистым маревом, — всё это создает ощущение, что город вокруг нас — это живой, энергетический объект, находящийся в состоянии постоянного квантового движения.

Научить генеративную нейросеть воспроизводить уникальную эстетику пост-лучизма, чтобы создавать новые визуальные образы, сохраняющие ключевые черты этого стиля: дробление формы на световые векторы, вертикальную динамику «световых столбов» и специфическую охристо-бирюзовую палитру мегаполиса будущего.

Основная гипотеза заключалась в том, что модель Stable Diffusion, дообученная с помощью техники LoRA (Low-Rank Adaptation) на компактном, но стилистически выверенном датасете из 20 изображений, сможет не просто копировать отдельные линии, а уловить и воспроизвести сложную структуру «лучистого» пространства. Технология LoRA является оптимальным решением для данной задачи: она позволяет эффективно внедрить специфический художественный код в веса нейросети, не перегружая её вычислительно и сохраняя при этом базовые знания модели о геометрии и объектах реального мира. Это дает возможность генерировать не только абстрактные лучи, но и узнаваемые архитектурные формы и интерьеры, пропущенные через призму лучистой экспрессии.

Из общего массива изображений были отобраны 20 эталонных образцов, которые наиболее ярко представляют визуальный язык проекта.

Критерий отбора: наличие четких «лучистых» векторов, дробление формы и специфическая цветовая палитра (доминирование охристых, терракотовых и глубоких синих оттенков).

Разнообразие планов: датасет был сбалансирован таким образом, чтобы модель видела как общие планы (панорамы города, улицы), так и детальные фрагменты (витрины, абстрактные пересечения линий). Это позволило избежать «переобучения» на одном типе объектов.

Для того чтобы алгоритмы Stable Diffusion корректно обработали мазки и текстуру, изображения прошли техническую очистку:

Кадрирование и разрешение: Все исходники были приведены к единому квадратному формату.

Работа с артефактами: Изображения были очищены от лишних шумов, чтобы нейросеть сфокусировалась именно на характере «мазка», а не на дефектах сжатия.

Важным этапом подготовки стала генерация глубоких текстовых описаний для каждого изображения с помощью модели BLIP. В контексте обучения LoRA, этот процесс позволил создать высокоточную семантическую связь между визуальными элементами пост-лучизма и текстовыми токенами.

Вместо простого перечисления объектов, подписи были структурированы так, чтобы нейросеть могла четко разделить содержание и стиль. Это позволило избежать «смешивания» понятий: модель научилась понимать, что «дом» остается «домом», но его визуальное воплощение в данном проекте подчинено законам пересекающихся векторов света. Использование уникального триггер-токена в связке с описаниями от BLIP обеспечило гибкость будущей генерации, позволяя применять эстетику лучизма к любым новым объектам и сценам.

Прежде чем запустить процесс, в коде определяются переменные, которые задают «интенсивность» обучения.

В Colab обучение обычно запускается через системную команду! accelerate launch. Этот фрагмент — «сердце» проекта, именно здесь данные датасета начинают менять веса нейросети.

Блок кода для финальной генерации. Мы загружаем обученные веса LoRA в базовую модель Stable Diffusion и создаем серию изображений по нашему запросу, чтобы проверить, как нейросеть усвоила стиль.

Итоговая серия изображений демонстрирует успешную адаптацию принципов лучизма к визуализации современной архитектуры и интерьеров. Нейросети удалось уловить ключевую особенность стиля — дробление твердых объектов на динамичные световые векторы, что превращает привычные городские пространства в вибрирующие энергетические потоки. Особенно выразительно передана специфическая охристо-бирюзовая палитра, создающая атмосферу футуристического мегаполиса, наполненного светом. Сгенерированные образы сохраняют консистентность: вертикальные «световые столбы» и диагональные лучи органично вписываются в геометрию зданий и витрин. В результате проект подтверждает гипотезу о том, что технология LoRA способна эффективно переносить сложный художественный код на новые объекты, сохраняя баланс между узнаваемостью формы и абстрактной экспрессией.

Stable Diffusion XL — базовая модель для генерации изображений. BLIP — генерация текстовых описаний для обучающих изображений. LoRA — техника эффективной дообучения модели на новом стиле. DreamBooth — метод обучения, позволяющий внедрить новое понятие в модель с сохранением prior preservation loss Google Gemini — помогал в исправлении ошибок кода