Идея проекта
Проект посвящён исследованию возможности генеративной нейросети воспроизводить и трансформировать традиционный художественный стиль тибетской тханки.
Тханка — это не просто изображение, а строго структурированная визуальная система, включающая симметрию, сакральную геометрию, канонические позы и орнаменты.
В рамках проекта я обучила модель Stable Diffusion (LoRA) на наборе изображений тханки, чтобы проверить: — насколько нейросеть способна воспроизводить сложный декоративный стиль — может ли она выходить за пределы канона, создавая новые композиции — какие визуальные элементы сохраняются, а какие трансформируются
Исходные данные
Для обучения был собран датасет изображений тибетской тханки (≈70 изображений).
Все изображения приведены к квадратному формату и отражают ключевые элементы стиля: — симметричные композиции — центральная фигура — насыщенный орнамент — ограниченная цветовая палитра (красный, золотой, синий)
Использовались изображения из открытых источников. В датасет включались только материалы, находящиеся в общественном достоянии или не защищённые авторским правом.
Процесс обучения
Модель: Stable Diffusion XL Метод: LoRA (DreamBooth-подход)
Основные параметры: — resolution: 512 — batch size: 1 — max steps: 500 — mixed precision: fp16
Для описания изображений использовался единый префикс: «tibetan thangka painting»
Это позволило модели воспринимать стиль как визуальную категорию, а не как набор конкретных объектов.
Результаты
Классические композиции
Модель успешно воспроизводит классическую структуру тханки: центральная фигура, симметрия, орнаментальные рамки.
Динамика и вариации поз
В ряде генераций появляются более динамичные позы и композиции.
Абстракции и мандалы
Нейросеть активно воспроизводит сакральную геометрию и орнамент.
Экспериментальные
Появляются пейзажи, глубина и нестандартные цветовые решения (тёмные фигуры). Модель сохраняет стиль, но свободно интерпретирует композицию.
Визуальный анализ
В результате обучения удалось передать следующие характеристики стиля: — сложный орнамент и декоративность — симметричную композицию — ограниченную, но насыщенную цветовую палитру — наличие центральной фигуры или мандалы
При этом наблюдаются отклонения: — искажение пропорций фигур — упрощение деталей в некоторых генерациях — смешение иконографии
Вывод
Проект показал, что генеративная модель способна воспроизводить сложный художественный стиль даже при ограниченном датасете.
При этом нейросеть не просто копирует стиль, а трансформирует его, создавая новые визуальные вариации, находящиеся между традицией и генеративной интерпретацией.
Использование ИИ:
— Stable Diffusion (обученная модель) — ChatGPT (для формулирования описаний и анализа)
