ИДЕЯ
Мне захотелось обучить генеративную нейросеть Stable Diffusion на собственных изображениях с макияжем, чтобы использовать её как инструмент для создания fashion и beauty образов. Основой датасета стали мои фотографии с разными типами макияжа, снятые в едином визуальном ключе.
Главная цель проекта — проверить, насколько точно нейросеть сможет воспроизводить мой стиль макияжа, а также исследовать, как с её помощью можно создавать новые образы в рамках разных эстетик.
В процессе генерации я работаю с разными визуальными направлениями, от чистых коммерческих до более экспериментальных и концептуальных образов. Это позволяет увидеть, где модель лучше всего передаёт стиль, а где начинает интерпретировать его по-своему.
Для обучения модели был собран датасет из 51 фотографии. Все изображения были приведены к формату 1:1 (1500×1500 px) и использовались как основной обучающий материал.
Список использованных в проекте инструментов:
— Stable Diffusion — обучение генеративной нейросети под свой стиль; — Google Colab — выполнение кода и генераций; — Hugging Face — получение токена для обучения нейросети, загрузка полученной модели на сайт.
ПРОЦЕСС ОБУЧЕНИЯ
РЕЗУЛЬТАТ
В полученных генерациях заметно, что модель смогла уловить не только базовые черты внешности, но и общее направление проекта. В серии присутствуют как более реалистичные портреты, так и стилизованные изображения, в которых усиливаются декоративность, глянцевость, цветовые контрасты и эффектность визуального решения.
Если рассматривать характеристики изображений подробнее, можно заметить, что нейросеть достаточно хорошо передаёт тип лица, форму глаз, губ, общую мягкость и при этом графичность черт. Особенно хорошо модели удалось воспроизвести блестящие текстуры, металлические и неоновые оттенки, контрастные акценты на губах и веках, и графические элементы вокруг глаз. Это показывает, что нейросеть усвоила не просто внешность человека, но и то, что персонаж существует внутри конкретной визуальной среды.
Полученные результаты хорошо соответствуют первоначальной идее проекта, поскольку главная задача заключалась не только в том, чтобы добиться портретного сходства, но и в том, чтобы проверить, сможет ли нейросеть воспроизвести авторский визуальный стиль и предложить его вариации. Судя по итоговой серии, это удалось, генерации не выглядят случайным набором портретов, а воспринимаются как единая система образов, собранная вокруг одного персонажа. При этом внутри этой системы появляются разные состояния и интерпретации. Таким образом, нейросеть не только копирует исходный материал, но и расширяет его, создавая новые версии персонажа в рамках заданной эстетики.
В этой серии хорошо видно, что нейросеть сильнее всего опирается на те визуальные паттерны, которые повторялись в обучающем наборе, крупные планы лица, акцент на макияже, чистая композиция, портретная подача, бьюти-свет и цветовые эксперименты. Дополнительным методом улучшения результата здесь выступает сама работа с промтами, а именно текстовые запросы задают вариативность внутри уже обученного образа.
В целом итоговая серия показывает, что обучение нейросети прошло успешно. Модель смогла зафиксировать идентичность персонажа, освоить ключевые признаки авторского визуального языка и на этой основе сгенерировать серию новых образов, которые одновременно узнаваемы и вариативны. Именно это и подтверждает основную идею проекта, генеративная нейросеть может использоваться не только как инструмент копирования, но и как средство развития визуальной концепции, позволяющее расширять границы образа и создавать новые художественные интерпретации внутри заданного стиля.
