Раньше существовал естественный барьер между «мне интересно» и «я пошёл это делать». Чтобы попробовать написать музыку, нужно было хотя бы немного разобраться в DAW. Чтобы полезть в SEO, требовалось прочитать документацию, собрать инструменты, понять терминологию. Чтобы сделать сайт на WebGL, сначала неплохо было научиться оптимизировать такие сайты.

Теперь этот барьер почти исчез. И неожиданно оказалось, что это не только преимущество…

Пригодится дизайнерам, блогерам, предпринимателям, маркетологам. Более тысячи промтов для генератора картинок. 

Просто копируете, вставляете в нейросеть, если надо правите промт по-своему, и генерируете изображение. В таблице есть пример-картинка для каждого промта.

Нейронке сказали — «разберись как оно работает». Пошевелив гигабайтами матриц, она полезла ковырять список классов в AppleNeuralEngine.framework— и нашла там то, что искала — «40+ private classes, including _ANEInMemoryModel». Код работал. Делал то что от него требовалось — запускал математику на ANE. Но было в этом что‑то… не то.

В 2015 Google выкатила серию изображений, которые выглядели так, словно фотографию отдали на редактуру художнику, а потом забыли вовремя его остановить. На обычном пейзаже появлялись десятки глаз, в облаках начинали угадываться собаки, архитектура покрывалась повторяющимися узорами, а деревья превращались во что-то среднее между растительностью и фантазией художника. Изображения быстро разошлись по интернету, а DeepDream довольно быстро стал отдельным визуальным стилем.

Изначально исследователей интересовали не столько сами картинки, сколько возможность понять, что происходит внутри нейросети. Классификатор снаружи выглядит довольно просто: фотография поступает в модель, а на выходе появляется список вероятностей — собака, кошка, автомобиль, самолет. Между этими двумя точками находится огромное количество вычислений, и по одному ответу модели далеко не всегда понятно, почему она пришла именно к нему.

Можно посмотреть на значения активаций отдельных нейронов и каналов, построить карты признаков, найти изображения, которые вызывают сильный отклик. Есть и более радикальный способ исследования: специально изменить входное изображение так, чтобы какой-то внутренний сигнал модели стал сильнее. Так появился DeepDream.

Словосочетание «Нейросетевая обработка фото» звучит красиво и технологично. А кое-кто от неё уже даже устал, ибо ассоциирует её с потоком нейрослопа.

Но вот проблема. Что вообще значит обработать фото нейронкой? Слово «нейросеть» здесь слишком общее понятие, сродни слову «электромотор». А последний, как известно, работает и в электромобиле, и в зубной щётке.

В предыдущих двух частях мы очень подробно погрузились в теорию и разобрали, как вообще ИИ работает с изображением и какие у этого есть подводные камни. В этой статье мы чуть всплывём из глубины теорий и посмотрим на то, как решаются реальные задачи.

Для иллюстрации всего описанного я буду использовать фото, которые сделал сам в разные года. Кроме того, мне помогут несколько ИИ-инструментов. В моём арсенале примерами послужат Adobe Photoshop и его дополнение Camera Raw, плагины PortraitPro и Retouch4me, а также перспективная разработка Evoto.

Важно! Это не самоучитель по этим инструментам и уж точно не подборка «что нужно молодому нейросетевому художнику». В этой статье мы классифицируем реальные инструменты по принципу их работы. А ПО из списка выше поможет нам проиллюстрировать работу.

Итак. Что общего у шумодава и дорисовки? Почему маску проверить легко, а результат генерации — нет? И что за модель, в которую нужно загрузить пять тысяч ваших кадров, прежде чем она начнёт приносить пользу? Все ответы ниже.