«Один день» в стиле Julie Guillem
«Один день» в стиле Julie Guillem — проект, посвященный дообучению нейросети Stable Diffusion под создание работ в стиле художницы Julie Guillem
Концепция
Работы Julie Guilem отличаются простыми, немного геометричными формами и стилизованной подачей. Художница активно использует градиентные заливки, особенно в изображении неба, что придаёт сценам мягкость и глубину. Одной из характерных черт её стиля является имитация ручной печати, такой как линогравюра — это видно на границах цветовых пятен, где создаётся эффект живой текстуры.
Такой подход позволяет создавать лаконичные, но выразительные и легко читаемые образы, близкие по характеру к плакатной или журнальной иллюстрации.
Также важно отметить, что подобный стиль идеально подходит для создания атмосферы — будь то спокойствие, мечтательность или ощущение свободы.
В композициях автора часто повторяются мотивы воздушных шаров, самолётов, птиц и гор — эти элементы придают работам лёгкость, ощущение пространства и путешествия
Цель проекта — обучить генеративную нейросеть Stable Diffusion воспроизводить стиль Julie Guillem и создать серию изображений, сохранивших эстетику художницы
Серия работ
Название проекта: Один день в разных уголках мира
Концепция: Проект представляет собой серию из 8 картин, каждая из которых показывает одно и то же время суток, но в разных уголках планеты, отражая особенности природы, климата, животных, архитектуры и жизни людей.
Как будто весь мир просыпается или засыпает одновременно, но в каждом месте этот момент ощущается по-своему. Серия создаёт ощущение единства и разнообразия мира одновременно.
Горы — рассвет над вершинами, летит орёл | Пустыня — тени дюн, верблюды на горизонте
Лес — солнечные лучи пробиваются сквозь туман и кроны деревьев | Север — лёд, небо, белый медведь у воды
Город — улица с машинами, фасады домов, спешащие люди | Тропики — попугаи в листве, яркое небо, сочная зелень
Ферма — лошадь у забора, золотой свет солнца | Горы — Швейцарский дом у подножия Альп
После анализа получившихся работ могу сказать, что нейросети удалось уловить и передать ключевые особенности стиля художницы. Особенно впечатляет то, что в обучающей выборке отсутствовали такие образы, как белый медведь, лоси, орлы и лошади, однако нейросеть справилась с их стилизацией в духе Julie Guillem очень достойно.
Из замеченных минусов — цветовая палитра. В оригинальных работах автора она, как правило, светлая и воздушная, в то время как сгенерированные изображения выполнены в более тёмных, сложных и даже «грязноватых» оттенках. Тем не менее, это не критично, так как палитру легко скорректировать в Adobe Photoshop (пример приведён ниже), поэтому я не считаю это серьёзным недостатком.
оригинал и обработка в Photoshop
Генерации, не вошедшие в итоговую серию
Лучше всего нейросеть справляется с изображением гор — каждый раз они предстают в новой цветовой палитре, с уникальным узором и композицией, что придаёт работам разнообразие и динамичность. Также стоит отметить, как точно передана суть градиентов в небе: нейросеть использует их не повсеместно, а будто интуитивно чувствует, где нужно добавить ощущение лёгкости, а где — тонкий сумрак или атмосферную глубину.
Особенно хочу выделить стилизацию цветов в поле — это стало настоящим открытием. Интересно, что таких форм цветов не было в обучающей выборке, однако паттерн с тонкой линией цветов у нижнего края кадра был замечен моделью в работах автора. Примерно три изображения с такой композицией использовались при обучении, и нейросеть смогла обобщить и творчески переосмыслить этот приём, адаптировав его в новом, узнаваемом ключе.
Ход работы
Для обучения нейросети я взяла 77 работ Julie Guillem. Предварительно было необходимо привести все изображения к разрешению 1024×1024 и убрать лишние детали, которые могли помешать нейросети.
Первым этапом в коде была проверка GPU
Создаем датасет «guillem-illust» через интерфейс kaggle после чего перемещаем файлы из датасета в новую папку guillem
Процесс создания промптов через BLIP. Они позволят нашей генеративной нейросети знать, что изображено на картинках
Подготовка к обучению и генерация токена для сохранения нейросети в Hugging Face
Обучение нейронной сети. Использовалось разрешение 1024, количество шагов 1000, шаг чекпоинта = 250
сохранение нейросети на Hugging Face
После загрузки модели на Hugging Face Hub, она доступна для использования. Можно приступать к генерации изображений.
Исходный код
Описание применения генеративной модели
Для дообучения и генерации изображений использовалась модель Stable Diffusion. При этом на этапе формулировки идей и составления большинства промптов активно применялся GPT-4o mini, который помогал уточнять стилистические акценты, выстраивать композиционные приёмы и находить интересные художественные решения.
