Художественная концепция проекта
Какова эстетика отвратительного? Проект посвящён исследованию того, как визуальная эстетизация может изменять восприятие заведомо отталкивающих и табуированных образов. В качестве исходного визуального языка были выбраны мотивы кала и мух — символы разложения, грязи и того, что обычно исключается из поля «приемлемого» изображения.
Ключевым художественным приёмом становится использование розового цвета. Традиционно связанный с инфантильностью, мягкостью и визуальной безопасностью, он вступает в конфликт с выбранными объектами. В результате возникает напряжение между формой и содержанием: отвратительное не скрывается, но намеренно подаётся в эстетизированном, почти декоративном виде.
Мои условия для выполнения проекта: 1.Используя пример кода из курса 2. Обучить генеративную нейросеть Stable Diffusion рисовать картины в авторском специфическом стиле 3. Собрать датасет на основе авторских картин в объеме от 10 квадратных изображений хорошего качества в формате 1:1
Моей целью проекта является перевод минималистичных образов кала и мух из фигуративного и табуированного контекста в область абстрактных узоров и красивых визуальных паттернов. Проект исследует, как повторение, ритм и декоративная организация формы способны нейтрализовать или, наоборот, усилить восприятие отталкивающих образов. Используя розовый цвет как основной визуальный код, проект стремится показать, как эстетизация и орнаментализация превращают «неприемлемое» в визуально безопасное, почти фоновое. В этом процессе кал и мухи перестают быть объектами и становятся элементами структуры — частью повторяющегося визуального языка.
Задачи проекта: 1.Разработать авторский визуальный язык, основанный на абстрактных формах, ритмах и цветовых пятнах, ассоциирующихся с образами кала и мух, но не воспроизводящих их напрямую. 2.Создать обучающий датасет из серии авторских изображений, в которых мотивы кала и мух сведены к узорам, текстурам и паттернам, объединённым общей розовой цветовой палитрой. 3.Обучить генеративную нейросеть Stable Diffusion воспроизводить выявленные визуальные закономерности: характерные формы, плотность элементов, ритмику повторений и цветовые соотношения. 4.Получить серию сгенерированных изображений, в которых нейросеть самостоятельно формирует новые вариации паттернов, сохраняя заданное состояние между декоративностью и тревожностью. 5.Проанализировать результаты генерации, выявив, каким образом автоматическое воспроизведение узоров усиливает ощущение обезличенности, серийности и «нормализации» образов, изначально связанных с грязью и разложением.
Авторский стиль и сборка датасета
Авторский стиль проекта основан на осознанном снижении визуальной иерархии и отказе от традиционных композиционных центров. Изображение не предлагает зрителю точки фокуса и воспринимается как непрерывная поверхность — узор или текстура.
Ключевыми характеристиками авторского стиля являются: 1.Использование розового цвета как основного носителя напряжения между эстетикой и отталкивающим содержанием; 2.Превращение табуированных образов (кал и мухи) в абстрактные элементы, лишённые прямой иллюстративности; 3. Работа с повторением и вариацией как основным композиционным приёмом;
Для обучения генеративной модели был сформирован авторский датасет, состоящий из серии вручную созданных изображений. Все работы выполнены специально для проекта и не основаны на заимствовании или переработке чужих художественных произведений.
Исходные изображения создавались в квадратном формате 1:1 (1024X1024 пикселей) для корректного обучения модели.
При формировании датасета сознательно не ставилась задача технического или иллюстративного качества: важным являлось сохранение визуальных закономерностей, а не аккуратность исполнения.
В датасет вошли изображения, объединённые следующими принципами:
- Доминирующая розовая цветовая палитра с вариациями оттенков;
- Аморфные формы и пятна, лишённые чётких контуров;
- Повторяющиеся мелкие элементы, отсылающие к образу мух и формирующие ритм изображения; отсутствие перспективы и фигуративной композиции, изображения строятся как плоскостные структуры.
Такой подход позволил создать набор данных, в котором ключевыми становятся не отдельные объекты, а отношения между цветом, плотностью формы и ритмом повторений. Датасет был использован исключительно для обучения модели Stable Diffusion и не применялся для иных целей.