раздеватор без блюра: как диффузия даёт чистый результат

Почему старые методы давали блюр: краткая история проблемы

Чтобы понять, почему современный раздеватор без блюра стал возможен, нужно сначала разобраться, откуда вообще брался размытый результат в ранних системах. До 2022 года доминирующей архитектурой для задач image-to-image были генеративно-состязательные сети — GAN. Генератор и дискриминатор соревновались: первый пытался создать правдоподобное изображение, второй — отличить его от реального.

Проблема GAN-архитектур применительно к инпейнтингу состояла в нескольких фундаментальных ограничениях. Во-первых, GAN плохо справляются с высокочастотными деталями: текстурой кожи, мелкими складками, анатомическими нюансами. Генератор "усредняет" возможные варианты синтеза, что математически эквивалентно операции сглаживания — то есть блюру. Во-вторых, GAN нестабильны при обучении: так называемый mode collapse приводил к тому, что модель генерировала ограниченный набор вариантов, не адаптируясь к конкретному входящему изображению.

Диффузионные модели решили оба этих ограничения принципиально иным способом.

Принцип работы диффузионного инпейнтинга

Диффузионная модель обучается не генерировать изображение напрямую, а поэтапно убирать шум из зашумлённой картины. В процессе обучения к реальным изображениям последовательно добавляется гауссовский шум — от лёгкого до полного превращения в белый шум. Модель учится "обращать" этот процесс: предсказывать, какой шум нужно убрать на каждом шаге, чтобы получить более чистое изображение.

При инпейнтинге — заполнении маскированной области — процесс выглядит так: область под маской инициализируется случайным шумом, а немаскированная часть изображения остаётся нетронутой. Затем модель итеративно убирает шум из маскированной зоны, ориентируясь на контекст вокруг неё. Каждый шаг уточняет синтез, и после N итераций маскированная область заполнена реалистичным контентом, согласованным с остальной частью фотографии.

Ключевое отличие от GAN: диффузионная модель не усредняет варианты, а идёт по стохастической траектории в пространстве изображений, что позволяет синтезировать высокочастотные детали — именно те, которые ответственны за ощущение резкости и чёткости.

Роль семантической сегментации в пайплайне NudeKit

Перед тем как диффузионная модель приступает к работе, входящее изображение проходит через модуль семантической сегментации. В NudeKit 3.4 используется кастомная версия архитектуры SegFormer, дообученная на специализированном датасете. Сегментатор разделяет изображение на следующие классы: кожа открытая, кожа закрытая одеждой, волосы, фон, аксессуары.

На выходе сегментатор формирует пиксельную маску с точностью разметки около 97% на тестовой выборке. Эта маска передаётся в инпейнтер как ограничивающая область. Почему это важно для устранения блюра? Потому что размытие на границах маски — классическая проблема плохо определённых переходов. Когда маска размыта или неточна, модель не знает, какие пиксели обрабатывать, а какие оставить нетронутыми, и "размазывает" переход. Точная пиксельная маска от SegFormer устраняет эту неопределённость.

SDXL + LoRA: почему базовая модель важна

Основой диффузионного пайплайна NudeKit является SDXL — Stable Diffusion XL, архитектура с нативным разрешением 1024×1024 пикселя. По сравнению со Stable Diffusion 1.5, работающим в 512×512, SDXL содержит значительно больше параметров в блоках внимания (attention layers) и способен моделировать более сложные текстурные паттерны.

Поверх базового SDXL в NudeKit применяется набор LoRA-адаптеров (Low-Rank Adaptation). LoRA — это метод дообучения больших моделей без полного изменения весов: вместо этого тренируются небольшие матрицы низкого ранга, которые "смещают" поведение модели в нужную сторону. В контексте раздевателя без блюра LoRA-адаптеры отвечают за несколько специфических вещей: точное воспроизведение тонов кожи, анатомическую корректность синтезированных областей и согласованность освещения между оригинальными и синтезированными зонами.

Комбинация SDXL (высокое нативное разрешение) + LoRA (специализация под задачу) даёт то, что пользователи описывают как "реалистичность": результат выглядит не как нейросетевой артефакт, а как натуральная фотография.

ControlNet: сохранение позы и анатомии

Один из главных вызовов при раздевании фотографий — сохранить позу и пропорции тела. Без дополнительных ограничений диффузионная модель может сгенерировать анатомически некорректный результат: неестественный изгиб, неправильное соотношение частей тела, не соответствующее оригинальному снимку.

Эту проблему решает ControlNet — вспомогательная нейросеть, которая предоставляет диффузионной модели структурные подсказки. В пайплайне NudeKit 3.4 используются два типа ControlNet-сигналов одновременно: OpenPose для скелетной структуры тела (положение суставов, угол конечностей) и Depth для карты глубины (пространственные отношения между частями тела). Эти сигналы подаются в U-Net диффузионной модели через специальные блоки zero-convolution, которые не мешают основному процессу синтеза, но направляют его в анатомически корректное русло.

Практический эффект ControlNet для пользователя: позиция тела в результирующем изображении точно соответствует оригинальному снимку, даже в нетривиальных позах. Это устраняет ещё один класс "размытий" — размытий геометрических, когда форма тела была неправильной и мозг воспринимал это как нечёткость.

DPM++ 2M Karras: почему семплер решает всё

Семплер — это алгоритм, управляющий тем, как именно диффузионная модель "убирает шум" на каждом шаге. Выбор семплера критически влияет на баланс между скоростью, детализацией и стабильностью результата.

DPM++ 2M Karras — один из наиболее эффективных семплеров для задач инпейнтинга по следующим причинам. DPM++ означает "улучшенный решатель дифференциальных уравнений второго порядка": алгоритм использует информацию о предыдущем шаге для более точного предсказания следующего. Это аналогично разнице между методом Эйлера и методом Рунге-Кутты в численном анализе — более высокий порядок точности при том же числе шагов. Суффикс Karras означает применение специального расписания шагов, описанного в статье Karras et al. (2022): шаги распределены неравномерно, с более мелким шагом на высоких уровнях шума (ранние итерации) и более крупным на низких (финальные итерации). Это позволяет модели сначала определить глобальную структуру, а затем уточнять детали.

В NudeKit используется 50 шагов DPM++ 2M Karras для режима HD. Сравнительное тестирование показало, что именно этот семплер при данном числе шагов даёт минимальное количество артефактов на границах маски и максимальную детализацию текстуры кожи.

Апскейлинг как финальный слой детализации

После завершения диффузионного инпейнтинга результирующее изображение проходит через модуль апскейлинга. В NudeKit 3.4 применяется двухэтапный процесс: сначала модель Real-ESRGAN увеличивает разрешение в 2 раза с одновременным шарпенингом, затем применяется финальный проход через лёгкую диффузионную модель (img2img с низкой силой денойзинга — 0.2–0.3), которая "довыращивает" мелкие детали, не ломая уже синтезированную структуру.

Real-ESRGAN — это нейросетевой апскейлер, обученный специально на фотореалистичных изображениях с реальными артефактами сжатия и шумом сенсора. В отличие от бикубической интерполяции, которая математически усредняет пиксели (и тем самым создаёт мыльность), Real-ESRGAN синтезирует новые детали, опираясь на высокочастотную статистику из обучающей выборки. Результат — чёткость, которая воспринимается как естественная, а не как пересточенная.

Параллельная обработка и серверная инфраструктура

Пайплайн, описанный выше, требует значительных вычислительных ресурсов. Запуск полного цикла (сегментация + ControlNet + SDXL инпейнтинг 50 шагов + Real-ESRGAN) на потребительском GPU занял бы несколько минут. В NudeKit используется кластер серверных GPU (NVIDIA A100 80GB), что сокращает время обработки HD-генерации до 15–40 секунд.

Ещё один важный аспект — батчевая обработка с динамическим разбиением на тайлы. Для изображений с разрешением выше 1024×1024 пайплайн разбивает их на перекрывающиеся тайлы, обрабатывает каждый независимо, а затем сшивает обратно с использованием взвешенного усреднения по зонам перекрытия. Это позволяет корректно обрабатывать фотографии вплоть до 4K без артефактов склейки.

Итог: почему диффузия побеждает блюр

Подведём технический итог. Раздеватор без блюра стал возможен благодаря совокупности архитектурных решений: точная пиксельная сегментация устраняет размытые границы маски; нативная работа SDXL в высоком разрешении исключает артефакты масштабирования; LoRA-адаптеры обеспечивают реалистичность текстур; ControlNet сохраняет анатомически корректную форму; DPM++ 2M Karras максимизирует детализацию за разумное число шагов; Real-ESRGAN финально усиливает чёткость без мыльности.

Ни один из этих компонентов в одиночку не решает задачу полностью. Именно их интеграция в единый пайплайн, реализованная в NudeKit 3.4, даёт тот результат, который пользователи описывают одним словом: "чисто".