Генерация изображений на основе покемонов

Задача заключалась не в копировании конкретных персонажей, а в том, чтобы выделить и зафиксировать эти признаки как визуальный «алфавит», который модель сможет использовать для генерации новых существ.

Для обучения был собран датасет из 32 изображений покемонов. Изображения были приведены к единому формату, что позволило модели сфокусироваться на структуре персонажей, а не на различиях в композиции или разрешении.

Для дообучения использовался подход LoRA, позволяющий адаптировать базовую модель Stable Diffusion без изменения её основных весов. Это делает обучение более быстрым и устойчивым даже при небольшом объёме данных.

Подписи к изображениям генерировались автоматически с помощью модели BLIP, после чего к ним добавлялся единый префикс («photo of a TOK character»), задающий концептуальную рамку для обучения.

Обучение и генерация выполнялись в среде Google Colab с использованием библиотек Hugging Face (Diffusers, Transformers, PEFT).

В процессе обучения модели удалось зафиксировать ключевые характеристики визуального языка покемонов.

Сгенерированные изображения демонстрируют: узнаваемую стилизацию персонажей; упрощённые, но выразительные формы; характерную цветовую палитру; акцент на «персонажности» — крупные глаза, эмоциональность, читаемые силуэты.

Модель не воспроизводит конкретных покемонов, но создаёт новых существ, которые воспринимаются как принадлежащие той же вселенной.

Особенно заметно, что нейросеть усвоила принципы: сочетания цветов (контрастные, но гармоничные); построения тела (простые геометрические формы); визуальной иерархии деталей.