Живые сказания: машина, которая верит в сказки
Живые сказания: машина, которая верит в сказки
С самого начала мне было важно не просто обучить нейросеть воспроизводить стиль художника. Я стремилась к чему-то большему — к тому, чтобы в цифровом теле возникло дыхание, чтобы образ стал живым, как на театральной сцене. Так родилась идея проекта «Живые сказания», в котором я дообучаю нейросеть генерировать изображения в духе Клайв Хикс-Дженкинс — художника, чьи работы давно меня притягивают.
В его произведениях меня очаровывает всё: живая бархатистость цвета, шероховатые текстуры, гибкие, почти танцующие формы. Его персонажи словно знают свой сюжет, свою судьбу, своё место в сказке.
Клайв Хикс-Дженкинс, 2025 год
Клайв Хикс-Дженкинс. Иллюстрация к театру игрушек «Красавица и чудовище», изданному Design for Today. Текст — Оливия Маккеннон
Современные нейросети часто создают «правильные» изображения, но в них нет той эмоциональности, той «божественной ошибки», которую я ищу. Мне стало интересно: а что, если художник сможет стать не просто набором картинок для машины, а наставником, воспитателем нейросети? Что, если я научу алгоритм видеть так, как вижу я? Или, точнее, — так, как чувствует Клайв Хикс-Дженкинс?
Этот проект — о том, как технология может не разрушать магию, а пробуждать её. О том, как машина может поверить в сказки.
серия работ
Промпты: 1. «surreal portrait of a man» 2. «The portrait of a young man is surreal with blue hair, he is located on a black background with flowers»
Промпт: «Surreal portrait of a young girl with yellow hair, flowers in her hair and she is positioned on a black background»
Промпт: «Surreal portrait of a young girl with yellow hair, a crown on her head and she is positioned on a black empty background»
Портреты получались особенно удачными — живые черты лица, сохранённая текстура и хорошо переданный стиль художника. Нейросеть почти справилась с непростой задачей, однако иногда генерировала изображения с искаженными или отсутствующими глазами. В итоге она как будто приняла решение просто закрыть их вовсе.
Промпты: «A small house on a blue background with trees»
Также получились неплохие генерации с пейзажами домов и деревьев — в них ощущается коллажность и текстурность, характерные для стиля художника. Однако нейросеть нередко перегружала изображения лишними элементами, такими как цветы, листья и другие декоративные детали.
Промпты: «a girl dancing on a black background»
Промпты: 1. «a girl dancing on a black background» 2. «a horse on a black background»
Промпт: «The man on the horse is the most cherished»
С изображениями лошадей и танцующей девушки пришлось поработать немного дольше, несмотря на то, что в обучающей выборке уже были примеры с конями и несколько изображений девушек в платьях. Тем не менее, даже в этом случае удалось сохранить общее настроение проекта.
ход работы
Для обучения нейросети я использовала 25 работ Клайва Хиксa-Дженкинса. Предварительно все изображения были приведены к разрешению 1024×1024 пикселей.
примеры работ Клайва Хикса-Дженкинса для обучения модели
Первым этапом работы была проверка наличия GPU, установка необходимых зависимостей, создание локальной директории для хранения изображений и загрузка самих изображений на платформу Kaggle.
С помощью модели BLIP для каждого изображения были сгенерированы описания, к которым добавлялся префикс «photo collage in ALISHAM style». Эти текстовые подсказки впоследствии использовались для обучения модели.
После этого запускался процесс обучения с использованием метода LoRA. При заданных параметрах обучение заняло примерно 40 минут. По завершении модель была сохранена и загружена на платформу Hugging Face Hub, где теперь доступна для использования. После этого можно приступать к генерации изображений.
малая часть не вошедшая в исходную подборку
Подводя итоги проекта, могу сказать, что нейросеть почти справилась с поставленной задачей. Для меня было важно передать живость, текстурность и ту особую атмосферу, о которой говорит художник. Да, в некоторых изображениях отсутствуют конечности — но и в оригинальных работах нет точной анатомической формы. Здесь мы играем не в реализм, а в ощущение.
Иногда нейросеть некорректно интерпретировала запросы, а платформа Kaggle пять раз прекращала работу, из-за чего мне пришлось пересоздавать модели. Поэтому в итоговом документе несколько версий файлов. К сожалению, часть изображений и промтов была утеряна. Тем не менее, в представленной подборке сохранилась малая, но выразительная часть работ, которые, на мой взгляд, точно передают настроение и суть проекта.
описание применения генеративной модели
Модель для до-обучения и создания изображений — Stable Diffusion. При генерации большинства промптов и формулировки идеи был использован GPT-4o mini. Помощь в составлении кода для повторной загрузки с Hugging Face уже обученной модели — DeepSeek Chat.
