Исходный размер 1240x1750

Лица, которых не было // Обучение генеративной нейросети

Идея проекта

Константин Лекка, «Портрет бородача», 1851 // Василий Перов, «Портрет Ф. М. Достоевского», 1872

Этот стиль я выбрала не случайно. Мне всегда было интересно понять атмосферу старых портретов. Для меня они воспринимаются иначе, чем современные портреты. В портретах XVIII-XIX века нет живых эмоций, но при этом они кажутся более "сильными" и описывающими. Человек на таких картинах как будто существует вне времени - он не просто изображён, а зафиксирован как образ.

Мне стало интересно, можно ли научить нейросеть воспроизводить данный стиль с использованием каких-либо деталей. Для меня было важно не просто скопировать стиль, а передать сам принцип спокойствия, статичности, передать внимание к деталям, ощущение значимости фигуры. В какой-то момент я заметила, что все эти портреты построены очень схожим образом. В них используется одинаковый свет, похожая композиция, сдержанная цветовая гамма.

Так и появилась идея моего проекта. Я взяла классическую академическую портретную живопись и попробовала перенести её в цифровую среду через обучение модели.

0

Примеры портретов, на которых я обучала нейросеть

Процесс обучения нейросети

В данном проекте процесс обучения нейросети был реализован поэтапно в авторском ноутбуке на платформе Google Colab с использованием библиотеки diffusers и модели Stable Diffusion XL.

Было сделано 8 ключевых шагов в коде для выполнения задания.

  1. Установка библиотек и настройка среды;
  2. Импорт необходимых модулей и проверка GPU;
  3. Подключение Google Drive и создание структуры проекта;
  4. Загрузка и обработка исходного датасета;
  5. Формирование текстовых описаний (metadata.jsonl);
  6. Настройка параметров обучения;
  7. Обучение модели с использованием LoRA;
  8. Генерация изображений.

1. Установка библиотек и настройка среды

Исходный размер 979x114

2. Импорт необходимых модулей и проверка GPU

Исходный размер 604x390

3. Подключение Google Drive и создание структуры проекта

Исходный размер 1066x597

4. Загрузка и обработка исходного датасета

Исходный размер 618x638

5. Формирование текстовых описаний

Исходный размер 850x420

6. Настройка параметров обучения

7. Обучение модели с использованием LoRA

8. Генерация изображений

Исходный размер 1358x421
Исходный размер 1024x1024

Тест прошел успешно! Повторим успех?

1 и 2 генерация

Использованные промты:

  1. "VARENASTYLE academic oil portrait of a young noblewoman, european portrait painting, 19th century, dark background, soft light, elegant white dress, museum painting",

  2. "VARENASTYLE academic oil portrait of an aristocratic man, european portrait painting, 19th century, black formal suit, dark background, soft light, museum painting"

На первых двух генерациях хорошо читаются ключевые черты выбранного стиля. Фигуры показаны в поясном или поколенном формате, позы спокойные, уравновешенные. Лицо и корпус становятся главным центром изображения, а фон не перетягивает внимание на себя. Это очень важно, потому что в академическом портрете акцент делается не на действии, а на самой фигуре человека, его статусе, характере и визуальном образе. В итоговых генерациях это ощущение действительно сохраняется.

3 и 4 генерация

  1. "VARENASTYLE academic oil portrait of a woman in a red velvet dress, european classical portrait painting, 19th century, dark background, refined posture, museum painting"

  2. "VARENASTYLE academic oil portrait of a gentleman with folded hands, european portrait painting, 19th century, deep brown background, soft light, museum painting"

  3. "VARENASTYLE academic oil portrait of a noble lady with jewelry, european portrait painting, 19th century, elegant hairstyle, dark background, museum painting"

  4. "VARENASTYLE academic oil portrait of a seated aristocrat, european classical oil painting, 19th century, formal clothing, soft dramatic light, museum painting"

Лица, которых не было // Обучение генеративной нейросети
Проект создан 23.03.2026