Идея проекта заключается в обучении генеративной нейросети Stable Diffusion на визуальных особенностях живописи Поля Сезанна и создании серии новых изображений в этом стиле. В качестве основы выбрано направление постимпрессионизма, в котором Сезанн сыграл ключевую роль. Его работы отличаются особым подходом к форме, цвету и композиции: предметы в них воспринимаются как устойчивые цветовые массы, а пространство строится через сочетание плоскостей и оттенков.
Основная цель проекта — показать, как нейросеть может перенести художественные принципы Сезанна на новые сюжеты, сохраняя характерные черты его живописи. В итоговой серии делается акцент на повседневных сценах: натюрмортах, пейзажах, интерьерах и портретах. Такой выбор позволяет проверить, насколько хорошо модель усваивает особенности стиля и может применять их к разным типам изображений.
Проект соединяет классическое искусство и современные технологии генерации изображений. В результате создаётся серия работ, в которых привычные объекты представлены через живописный язык, близкий к манере Сезанна.
Исходные изображения для обучения
Результирующая серия изображений
Протестируем модель на обычном сюжете натюрморта. Стиль Поль Сезанна явно просматривается.
Для создания изображения был использован промпт: Moscow in the style of Paul Cezanne
Попробуем создать изображение собак на улицах города в стиле Поль Сезанна. Для создания изображения использовался промпт: russian dogs on the streets in the style of Paul Cezanne
Изображение парусника в спокойном океане. Для получения изображения использовался промпт: sailing boat in the ocean, calm sea, in the style of Paul Cezanne
Пейзаж леса в стиле Поль Сезанна. Для создания изображения использоваля промпт: forest landscape with trees and soft light, in the style of Paul Cezanne
Портрет девушки с розовыми волосами. Для генирации использовался промпт: portrait of a young woman with soft pink hair, in the style of Paul Cezanne.
В итоговой серии удалось передать несколько ключевых особенностей стиля Поля Сезанна. Прежде всего это касается построения формы через цвет: объекты выглядят не как фотографически точные, а как собранные из цветовых масс и плоскостей. Также заметна характерная для Сезанна работа с пространством: глубина передаётся не линейной перспективой, а отношением тонов, направлением мазков и расположением цветовых пятен.
Особенно хорошо стиль проявился в натюрмортах. В них нейросеть смогла передать устойчивость предметов, простоту композиции и мягкую живописную деформацию формы. Фрукты, керамика, ткань и столешницы выглядят как единая пластическая система, а не как набор отдельных предметов.
В пейзажах заметны спокойные цветовые переходы, приглушённые зелёные, охристые и голубые оттенки, а также характерная «собранность» композиции. Пространство изображений выглядит немного условным, но именно это делает их ближе к живописной логике Сезанна.
Портретные изображения получились более вариативными: в некоторых случаях нейросеть хорошо передаёт мягкость цвета и статичность композиции, а в некоторых — стиль проявляется скорее в палитре и фактуре, чем в структуре лица. Это показывает, что обученная модель лучше всего справляется с теми сюжетами, которые чаще представлены в датасете.
Если сравнивать изображения между собой, можно заметить, что все они объединены общей живописной атмосферой, но различаются по степени детализации, плотности цвета и композиционной сложности. Одни работы ближе к классическому натюрморту, другие — к условному пейзажу или современной интерпретации сезанновского подхода. Благодаря этому серия выглядит цельной, но не однообразной.
Таким образом, результаты в целом соответствуют первоначальной идее проекта. Нейросеть не просто копирует отдельные произведения, а воспроизводит характерные признаки художественного языка и применяет их к новым сюжетам.
Описание применения генеративной модели
Для проекта использовалась модель Stable Diffusion, которая была дообучена на специально собранном датасете в стиле Поля Сезанна. Перед обучением изображения были подготовлены: приведены к квадратному формату, отфильтрованы по качеству и собраны в единый набор. https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0
В процессе обучения модель адаптировалась к особенностям выбранного художественного языка: цветовой палитре, характеру мазка, построению формы и композиции. После завершения обучения с помощью текстовых запросов была сгенерирована серия новых изображений. Для генерации использовались разные сюжеты, чтобы проверить, насколько стабильно модель переносит изученный стиль на новые сцены.
