Original size 2481x3501

Цифровая тревога: интерпретация экспрессионизма в генеративной графике

PROTECT STATUS: not protected

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.

0
1/2

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.

Цифровая тревога: интерпретация экспрессионизма в генеративной графике
Project created at 20.03.2026
adcr.dafes
The Art Directors Club of Russia sets the benchmark for creative excellence in design and advertising, serving as a central hub where industry professionals connect. Since 2004, the Club has hosted the ADCR Awards—a premier national competition celebrating creativity, design, and advertising. The core mission of the awards is to champion agencies and independent creators making their mark in the local market. By presenting this honor on behalf of the professional community, the Club reaffirms its endur... Show more
adcr advertising
adcr design
adcr students and young creators