Концепция
Проект направлен на обучение нейросети, способной анализировать и воспроизводить визуальные особенности, характерные для художественного стиля.
Нейросеть обучается на специально подобранной базе изображений, анализируя ключевые особенности художественного языка: композицию, цветовую палитру, работу со светом, общее настроение изображений. В данном проекте основой для обучения стали работы Архип Куинджи.
В данном проекте акцент сделан на воспроизведении визуального ощущения света, которое создаёт художник.
Оригинальные работы Архипа Куинджи.
Живопись Куинджи строится не столько на детализации объектов, сколько на восприятии света как самостоятельного явления.
Оригинальные работы Архипа Куинджи.
Готовые изображения
Промты: «Kuindzhi style night», «Kuindzhi style rocky ocean shore with raging waves and a boat», «Kuindzhi style river is bright white because of the moon light, nearby a small village».
Промты: «Kuindzhi style snowy woods with orange spot light by the sunset», «Kuindzhi style orange sunset on steppe».
Картины Архип Куинджи отличаются некоторыми особенностями:
— Контрастная работа со светом (эффект свечения луны, закатов, освещённых участков). — Лаконичная, обобщённая композиция с минимальным количеством деталей. — Ограниченная, но выразительная цветовая палитра. — Часто повторяющиеся мотивы природы (ночные пейзажи, реки, поля, небо).
Промты: «Kuindzhi style river», «Kuindzhi style day nature».
Промты: «Kuindzhi style big cloud and tree», «Kuindzhi style orange sunset on the sea», «Kuindzhi style night city with light».
Промты: «Kuindzhi style Saint-Petersburg», «Kuindzhi style river is bright white because of the moon light, nearby a small village».
Обучение нейросети
- Сбор и подготовка изображений (подбор изображений, приведение к единому формату (1:1), очистка и отбор качественных примеров).
Загрузка базы данных.
- Загрузка и организация данных.
- Выбор модели и метода обучения (использование модели Stable Diffusion и метода обучения LoRA).
Превью базы данных.
- Настройка параметров обучения (подбор параметров (learning rate, количество эпох, batch size)).
- Обучение модели (обучение нейросети на выбранном датасете с учётом заданных параметров).
Настройка параметров обучения.
- Визуальный анализ сгенерированных изображений и корректировка параметров при необходимости.
Генерация изображения.
Вывод
В ходе проекта была обучена генеративная модель на основе работ Архипа Куинджи. Полученные результаты показывают, что нейросеть способна воспроизводить ключевые особенности живописи художника: работу со светом, контрастность и характерную атмосферу пейзажей.
Сгенерированные изображения демонстрируют как успешную передачу визуального языка, так и варианты, не существующие в оригинальном наследии. При этом в некоторых случаях наблюдаются упрощения форм и потеря деталей, что связано с ограничениями датасета и особенностями обучения модели.
Таким образом, проект подтверждает, что генеративные нейросети могут выступать не только инструментом копирования, но и средством интерпретации художественного стиля, открывая новые возможности для визуальных экспериментов и анализа искусства.
Применение генеративной модели
— Для уточнения и/или исправления отдельных нюансов работы кода в проекте использовалась нейросеть DeepSeek.
