lightscape

Для части генераций использовались схожие по структуре сюжета исходников промпты, что позволило проверить, как модель воспроизводит и переосмысляет знакомые визуальные сценарии.

prompt = LIGHTSCAPE style, dense fog filling the space, single bright white light source glowing through haze, red laser beam cutting diagonally, minimal scene, overexposed, soft blur, low visibility, high contrast, raw atmosphere

prompt = LIGHTSCAPE style, long exposure light trails in dark forest, white glowing streaks moving through space, motion blur, light flowing like energy, dynamic perspective, high contrast, raw atmosphere

prompt = LIGHTSCAPE style, isolated human figure in an empty space, thin blue laser lines radiating from the center, radial light burst, minimal environment, overexposed glow, quiet tension

prompt = LIGHTSCAPE style, extreme close-up of a human eye, laser reflections on wet skin, blue and green light, glossy texture, dark background, intimate framing, soft blur, noise, low exposure

Далее я стала генерировать новые сюжеты: промты варьировались по степени абстракции от сцен с человеческими фигурами до полностью синтетических световых композиций, что позволило исследовать, как модель переносит усвоенные паттерны в новые контексты.

• контраст между тёмным фоном и яркими линейными источниками света
• холодно-кислотная палитра
• эффект тумана, рассеивания света и частичной потери чёткости
• ощущение сценичности и инсталляционности

Именно это можно считать одним из главных результатов обучения: модель уловила не только точечные сюжеты, но и общую логику визуального языка датасета.

Серия сохраняет связь с исходным датасетом, потому что именно такой тип восприятия пространства присутствовал и в исходных фотографиях. Во многих кадрах человек или объект виден не полностью, а как силуэт, фрагмент тела, лицо, рука или тёмная фигура в окружении света. Эта особенность тоже перешла в генерацию: модель хорошо усвоила не конкретные портретные черты или бытовые детали, а сам принцип присутствия человека внутри световой среды.

Модель усвоила не конкретные сцены, а принципы работы со светом — пересвет, направленные лучи, шум и потерю формы.

В генерациях свет перестаёт быть освещением и становится основой изображения. В отдельных случаях сохраняется сходство с исходными изображениями, что связано с повторяемостью визуальных паттернов в обучении.

Работа над проектом позволила мне увидеть, как нейросеть деконструирует восприятие света на моих кадрах, как дополняет его и модифицирует.

В проекте я использовала модель Stable Diffusion с дообучением методом LoRA на собственном датасете для генерации итоговой серии изображений.

Дополнительно я использовала ChatGPT для улучшения формулировки концепции проекта, подготовки промптов и текстовых описаний.