Обучение генеративной нейросети под стиль Роберта Хайнделя
концепция
Проект направлен на обучение генеративной нейросети Stable Diffusion в визуальном стиле Роберта Хайнделя — художника, известного работами на тему балета и танца. После обучения модель будет использоваться для создания изображений, изображающих разные стили танцев в стилистике Хайнделя. Идея проекта — исследовать, как можно перенести характерный художественный язык одного автора на новые сюжеты с помощью нейросетевых технологий.
особенности стиля
Стиль Роберта Хайнделя отличается реалистичным подходом к изображению человеческого тела, особенно в движении. Он внимательно передаёт анатомию, позу и выражение, делая акцент на физическом напряжении и положении фигуры. Основные средства выразительности в его работах — мягкие цветовые переходы, приглушённая палитра, часто в теплых и нейтральных тонах, а также техника пастели, гуаши и графики. Хайндель практически не использует проработанные фоны, сосредотачивая внимание на фигуре танцора, за счёт чего создаётся эффект сцены, выхваченной из реального движения. Его стиль сочетает документальность с эмоциональной вовлечённостью, при этом оставаясь сдержанным и лаконичным.
исходные изображения
процесс
Работы была выполнена в Google Colab.
После установки всех необходимых библиотек я вручную отобрала 22 работы Роберта Хайнделя, представляющие разные ракурсы, позы и сцены с танцорами. Эти изображения были приведены к нужному формату и использованы в качестве основного датасета для обучения нейросети.
После загрузки датасета и других данных я начала обучение модели изображения танца в стилистики художника.
Закончив обучение, перешла к генерации.
готовые изображения
танго
русский народный танец
зумба
восточный танец
ча-ча-ча
брейк данс
выводы
Модель уверенно передаёт стилистику Роберта Хайнделя: мягкие цвета, акцент на фигурах и общее визуальное настроение узнаваемы. Отдельно стоит отметить, что стиль художника успешно адаптируется под разные танцевальные направления, включая как классические, так и современные формы танца.
В то же время есть аспекты, которые можно улучшить. В некоторых изображениях заметны неточности в анатомии и пластике тел, что может быть связано с ограниченным и однотипным датасетом. Также ощущается нехватка разнообразия в позах и ракурсах — особенно в случае с более динамичными стилями танца, где движения предполагают резкость и амплитуду. Некоторые фигуры визуально повторяются, что может указывать на переобучение модели на определённых визуальных шаблонах.
В целом, результат показывает хороший потенциал и даёт основу для дальнейших экспериментов с нейросетевым перенесением авторского стиля.
