Концепция проекта
Пауль Клее — немецкий художник, теоретик авангардного искусства, участник художественного объединения «Синий всадник», преподаватель знаменитой школы Баухауз
Пауль Клее «Место двойняшек» (1929)
Будучи участником крупных художественных течений, Пауль Клее всегда оставался уникальным художником, чьи живописные поиски невозможно вписать в рамки одного направления. Эксперименты с различными техниками, изобретение собственного пуантилизма, мечта вырастить картину как растение, стремление передать максимальное движение минимумом изобразительных средств. Его художественный поиск — взгляд на нечто осязаемое и определенное изнутри и сразу со всех сторон, поиск исчерпывающей сути.
Именно эта вариативность стиля художника и стала для меня ключевой в проекте. Мне было интересно обучить модель на множестве стилистических направлений внутри одного автора, чтобы посмотреть, как модель будет выделять повторяющиеся элементы, формировать собственное представление о «ядре» стиля и обобщать визуальный язык.
По сути, я воспринимала обучение как эксперимент: что нейросеть посчитает главным в работах Клее?
Пауль Клее «Шоссе и переулки» (1929) | Пауль Клее «Прозрачная перспектива» (1921)
Исходные изображения для обучения
В качестве обучающей выборки был собран датасет из огромного разнообразия работ Пауля Клее
Все цифровые репродукции работ для исследования были взяты из открытого архива Wikimedia Commons.
Описание датасета
Объём: 122 вручную отобранных изображения Формат: приведен к квадратному (1:1) Разрешение: от 512×512 px Содержание: абстрактные композиции, графические структуры, цветовые и линейные эксперименты художника Предобработка: кадрирование, приведение к единому формату
Результирующая серия изображений
В результате обучения модели была сгенерирована серия изображений на тему «иллюстрации в стиле Клее». Генерации осуществлялись с использованием кастомного текстового промпта «in the style of KLEE», который закреплял за моделью визуальные характеристики обучающего датасета.
Мне было важно не просто добиться стилистического сходства, а попробовать смоделировать сам принцип построения изображения: ритм, цветовые отношения, композиционную логику и условность формы.
Отдельный интерес для меня представлял вопрос продолжения художественной логики: можно ли рассматривать результат как гипотетическое «продолжение» практики художника — как если бы он продолжал работать сегодня, но уже в цифровой среде?
В результате серии генераций сформировалась небольшая коллекция иллюстраций, объединённых общим стилистическим и концептуальным подходом:
Серия изображений целиком
Развёрнутый комментарий и визуальный анализ результатов
Результаты этого проекта для меня интересны не только как удачные генерации, но и как способ увидеть, каким образом нейросеть считывает и переосмысляет художественный язык автора. Поскольку для обучения я выбрала Пауля Клее — художника с очень большим количеством работ и с чрезвычайно разнообразной визуальной системой, мне было важно понять, сможет ли модель выделить в этом множестве нечто структурно устойчивое. То есть не просто повторить отдельные формальные признаки, а уловить внутреннюю логику: как в его работах строится композиция, как взаимодействуют цветовые плоскости, как работает линия, насколько условной может быть форма и при этом всё ещё сохранять выразительность.
Для меня особенно важно, что нейросеть не воспроизводит работы буквально. Она скорее формирует некий усреднённый, но при этом достаточно выразительный образ художественного языка Клее. В этом смысле результат оказывается ближе к визуальному продолжению метода, чем к подражанию конкретным произведениям.
При этом в результатах хорошо заметно, что нейросеть выделяет не всё одинаково. Одни черты оказываются для неё более приоритетными, чем другие. Например, она уверенно удерживает общую декоративно-абстрактную структуру, цветовые отношения и графическую условность, но может упрощать более тонкие интонации, сложные нюансы фактуры или композиционную хрупкость, которая присутствует в оригинальных работах. Это тоже важное наблюдение: машина выявляет в художественном языке прежде всего наиболее устойчивые, повторяемые и статистически «читаемые» элементы.
Если смотреть на результаты как на серию, можно выделить несколько признаков, которые модель распознаёт как основные для данного художественного языка:
- плоскостная композиция;
- модульное распределение элементов;
- сочетание геометрических и свободных форм;
- мягкая, но сложная цветовая палитра;
- знаковость линии.
Именно повторяемость этих признаков показывает, что модель действительно усвоила некоторый стилевой каркас.
Проект демонстрирует, что современные генеративные модели могут быть использованы не только как инструмент копирования, но и как средство интерпретации художественного стиля.
Разработанная система может применяться для создания иллюстраций в графическом дизайне, исследований визуальных концепций и образовательных проектах.
Процесс обучения
Для реализации проекта использовался Google Colab для обучения модели SDXL DreamBooth LoRA.
Процесс обучения включал следующие этапы:
- Подготовка среды в Google Colab: подключение GPU, установка необходимых библиотек;
- Формирование датасета: загрузка отобранных и обрезанных под квадратный формат изображений в рабочую директорию;
- Генерация изображений общего класса для стабилизации обучения, чтобы сохранить баланс между оригинальными знаниями модели новым стилевым слоем;
- Обучение LoRA: позволило внедрить новый стиль как дополнительное параметрическое пространство, не изменяя полностью исходную модель. Я увеличила количество шагов обучения, чтобы добиться более плотной и выразительной стилизации — это позволило избежать поверхностного копирования и приблизиться к более «системному» воспроизведению языка;
- Экспорт и загрузка обученной LoRA на платформу Hugging Face;
- Тестирование и использование обученной модели для генерации новых изображений.
В результате я получила генеративную систему, которая воспроизводит не отдельные формы, а принципы построения изображения, работает с абстракцией как с языком и может быть использована в современном визуальном контексте.
Для меня важно, что итоговые изображения находятся в «пограничной зоне» — они не являются ни копиями оригинальных работ, ни полностью автономными изображениями. Это скорее интерпретации внутри заданной системы.
Описание применения генеративной модели
В рамках проекта были использованы следующие инструменты генеративного ИИ:
- Обученная нейросеть на основе Stable Diffusion XL DreamBooth LoRA — основной инструмент генерации изображений;
- Mistral AI — для решения технических проблем, возникающих в процессе работы с кодом;
- Chat GPT — разработка концепции;
- Upscayl — для повышения разрешения и детализации итоговых работ.
