SHUM — мутации объекта

Проект исследует, как характерные элементы исторических платьев — сложные силуэты, драпировки, объёмы и декоративные фактуры — могут преобразовываться в современный визуальный язык. В основе работы лежит обучение генеративной модели на архивных фотографиях платьев House of Worth из коллекции The Metropolitan Museum of Art.

Главный исследовательский вопрос: какие особенности исторической высокой моды сохраняются при генеративной трансформации, а какие изменяются или исчезают?

Гипотеза проекта заключается в том, что генеративная модель, дообученная на изображениях одного авторского объекта, сможет выделить его устойчивые визуальные характеристики и воспроизводить их в новых вариациях. Предполагается, что нейросеть усвоит не только общий силуэт жилетки, но и принципы расположения декоративных элементов: неоднородность бусин, сочетание материалов, систему подвесов, цветовые контрасты и характерную визуальную перегруженность.

В проекте использовалась генеративная модель Stable Diffusion XL Base 1.0, дообученная методом DreamBooth LoRA на авторском датасете. Целью дообучения было формирование модели, способной интерпретировать визуальные признаки объекта SHUM и переносить их в новую типологию — платья высокой моды. После обучения модель использовалась для генерации итоговой серии изображений. Дополнительно ChatGPT применялся как вспомогательный инструмент для разработки концепции проекта, формулирования промптов, структурирования материала и подготовки текстового описания.

В процессе генерации исследовалось, насколько модель способна преобразовывать исходный объект, сохраняя его узнаваемые характеристики. Изменение промптов позволяло экспериментировать со степенью декоративной насыщенности, расположением подвесов и общей пластикой платьев. Итоговая серия задумана как исследование перехода от конкретного предмета к самостоятельному визуальному языку высокой моды.

Для обучения был собран датасет из авторских изображений объектов SHUM. В выборку вошли фотографии предметов с бусинами, подвесами, декоративными креплениями и фактурными элементами. При отборе особое внимание уделялось повторяющимся визуальным признакам: ритму подвесов, контрасту материалов, плотности декора, цветовым сочетаниям и характеру силуэта. Все изображения были приведены к квадратному формату и использованы как основа для дообучения модели Stable Diffusion XL методом LoRA.

Обучение модели проводилось в Google Colab с использованием видеокарты NVIDIA T4. Сначала подключался Google Drive для сохранения всех материалов проекта. Затем создавалось отдельное окружение Python, в котором устанавливались необходимые библиотеки с зафиксированными версиями. Это позволило избежать конфликтов между пакетами и подготовить среду для обучения Stable Diffusion XL.

Для обучения использовались 20 фотографий исторических платьев House of Worth из коллекции The Metropolitan Museum of Art. Код обращался к API музея, проверял статус Public Domain и скачивал доступные изображения. Фотографии автоматически приводились к квадратному формату 512 × 512 пикселей. Подготовленный датасет сохранялся на Google Drive.

Для дообучения Stable Diffusion XL использовался метод DreamBooth LoRA. Были заданы 200 шагов обучения, ранг LoRA 16 и скорость обучения 0.00005. Обучение выполнялось с использованием смешанной точности FP16 и оптимизатора 8-bit Adam для снижения потребления видеопамяти. Промежуточные контрольные точки сохранялись каждые 50 шагов.В процессе обучения модель адаптировалась к особенностям исторической высокой моды: объёмным силуэтам, драпировкам, декоративным элементам и фактурам тканей. После завершения 200 шагов обученные веса LoRA были сохранены для дальнейшего использования.

После обучения была создана серия из шести экспериментальных платьев SHUM. Для каждого образа использовались одинаковые промпты и начальные значения генерации, но разные коэффициенты LoRA: 0.0 и 0.8.Из-за ограничений памяти GPU первоначальная генерация прервалась, поэтому код был адаптирован для последовательного создания изображений. В результате удалось получить все 12 изображений для сравнения базовой и дообученной моделей.Такой подход позволил проанализировать влияние обучения на форму платьев, характер драпировок, распределение декоративных элементов и общую стилистику полученных образов.

Итоговая серия SHUM состоит из шести экспериментальных платьев высокой моды, созданных с помощью дообученной Stable Diffusion XL. Каждый образ исследует отдельный принцип формообразования: декоративное насыщение, каскадность, объём, жёсткую конструкцию, прозрачность и асимметрию.Для проверки результатов каждое платье было сгенерировано дважды — с использованием базовой модели и с подключением LoRA с коэффициентом 0.8. Сравнение показало, что дообучение влияет на распределение декора, характер драпировок, пропорции и конструкцию силуэтов.Наиболее заметные изменения проявились в образах Volume и Finale, где модель по-разному интерпретировала крупные скульптурные формы. В Cascade и Suspension сохранились вытянутые линии и лёгкие фактуры, однако изменились плотность и расположение декоративных элементов.

При этом модель не полностью переняла визуальную избыточность исходного датасета. Вместо сложной исторической вышивки, насыщенных цветов и обилия украшений она чаще воспроизводила лаконичные современные силуэты.Таким образом, эксперимент показал не буквальное копирование исторической высокой моды, а её частичную интерпретацию. Модель преобразовала исходные декоративные и конструктивные признаки в новые образы, сохранив отдельные особенности формы, но значительно упростив материальность и отделку.