ASGLYPH — буквенные абстракции
Идея проекта
Всё началось задолго до этого курса. У меня был проект, с которым я поступал, — он был про стрит-арт. Чтобы плакаты выглядели живыми и непохожими на всё остальное, я рисовал шрифты вручную: сам придумывал начертания, тянул буквы кистью, специальными маркерами и тушью. Получалось здорово, но это отнимало кучу времени — на один хороший набор знаков мог уйти вечер.
С этим проектом я поймал себя на мысли: а что, если бы у меня был генератор, который выдаёт такие формы сам? Не готовый шрифт, а поток причудливых кистевых пятен, в которых можно разглядеть графему — и уже на её основе дорисовать букву в моём стиле. По сути, машина-соавтор, которая подкидывает идеи начертаний, а решаю и довожу до ума по-прежнему я.
Так и родился проект: обучить генеративную нейросеть моей манере письма, чтобы она изобретала новые буквы — выразительные, ломаные, живые формы, в которых прячется знак.
Исходный data-set
Датасет я собирал руками, и он получился приличный — больше двухсот отсканированных букв, каждую я нарисовал сам кистью и тушью. Это не готовый шрифт: одни знаки узнаваемые, другие — почти абстрактные мазки, и в этом вся суть манеры.
Дальше я подготовил их к обучению: вырезал каждую букву из фона, поставил по центру на чистый белый квадрат, привёл к единому размеру, но при этом сохранил фактуру кисти — сухой мазок, рваный край, неровную заливку. Для обучения отобрал самые чистые и разнообразные — около двухсот.
Подготовка и процесс обучения
Основа — Stable Diffusion XL и дообучал её методом DreamBooth + LoRA, подкручивая под свой небольшой датасет.
Environment поднимал на Kaggle. Сначала подготовил окружение и подписи к картинкам: каждую букву прогнал через модель-кэпшенер и добавил к описанию свой стилевой токен — ASGLYPH, чтобы сеть связала этот «ярлык» именно с моей манерой. После этого запустил обучение.
Из параметров: разрешение 768, около 1200 шагов, чтобы не сжечь бесплатную сессию. На обучение ушло 2 часа 14 минут.
Результат первой генерации, ещё с простым промптом, меня обрадовал: графема получилась отличная. А вот фон подкачал — в силу особенностей диффузионной генерации он выходил серым и фотографичным, так что требовал очистки уже на постпродакшене.Тогда я расширил промпт и добавил негативный — и это заметно улучшило результат: фон стал чистым, а живая фактура кисти при этом сохранилась.
Результат
Результат — чистый кайф. Большой датасет, который я собирал руками, себя полностью оправдал: модель обучилась действительно хорошо и выдаёт живые, характерные глифы. И это не просто красивые пятна — в них реально можно находить неожиданные решения, отталкиваясь от графемы и дорисовывая знак уже по-своему.
Я люблю рисовать буквы, но обычно самое трудоёмкое — это поиск: сидишь и от руки перебираешь сотни начертаний, пока не нащупаешь нужное. Теперь этот этап сильно ускоряется — модель подкидывает варианты, а я выбираю и довожу до ума. Так что дальше я точно буду использовать её в работе: она облегчает и ускоряет именно ту творческую, поисковую часть, ради которой всё и затевалось.
