🎬 Как нейросети помогли поздравить девушек с 8 марта (и немного замучили нас)

К 8 марта мы решили оживить известные культурные и исторические сюжеты при помощи нейросетей. Сразу предупреждаем: волшебной кнопки, которая всё сделает сама, так и не нашли — а искали долго!

📚 Сцена 1: Арина Родионовна читает Пушкину сказку

С помощью нейросети Kling мы оживили статичное изображение. Звучит просто, но на деле пришлось вручную «нарезать» фото по крупностям. Kling, кстати, решил проявить инициативу и заметно омолодил Арину Родионовну.

---

🍑 Сцена 2: Серов рисует «Девушку с персиками»

Самая жесть! Серов почему-то не оставил фотографий процесса работы. В 1887 году с фототехникой было, мягко говоря, не очень. Пришлось выкручиваться:

- нашли современное фото оригинальной комнаты,
- «усадили» за стол ту самую девушку, забрав ее пряма с картины и поколдовав в PS
- дорисовали художника через нейросеть FLUX (Krea).

После этого Kling всё оживил. Получилось здорово, но несколько бессонных ночей у нас было.

---

🗽 Сцена 3: Вера Мухина и её знаменитая скульптура

Казалось бы, простая задача — попросить Kling, чтобы архитектор Вера Мухина повернулась через плечо в сторону своей знаменитой скульптуры. Но в итоге пришлось сделать больше десяти генераций, прежде чем нейросеть поняла, как выглядит обычный человеческий поворот.

---

💔 Сцена 4: Зоя Космодемьянская

Эта сцена — одна из самых драматичных. Kling хорошо передал эмоции и напряжение момента. Правда, с надписью на табличке нейросеть так и не справилась — вместо текста снова написала что-то своими любимыми «макаронами».

---

🚀 Вывод: нейросети и ожившая история

Несмотря на «макароны», десятки попыток объяснить нейросети, что же именно нам нужно, возможность оживить историю и искусство впечатляет по-настоящему.

С помощью разных нейронок мы показали моменты, которые нельзя снять, но можно создать. Это не магия и точно не «одна кнопка». Просто новый способ посмотреть на привычные вещи.

👨‍🚀 Две фотографии, нейросети и немного упрямства

Иногда достаточно двух фотографий, чтобы собрать целую сцену.
Примерно так я вижу правильное использование нейросетей в ТВ-производстве.

Ниже — поэтапный разбор.
📽 Видео сделано из двух фото и одной текстуры. Все исходники — под видео.

1. В первом кадре заменил отражение в шлеме на космос. Обычный фотошоп.
2. В Kling анимировал, как звёзды «проплывают» в отражении.
3. Для второго ракурса — снова ручная сборка: добавил визор с отражением.
4. Самое сложное — открыть визор. Нужно было превратить кадр с закрытым стеклом в кадр с открытым шлемом и лицом Гагарина. Почти никто не справился:
— Kling, Hailulu, Pika, Runway — мимо;
— Pixverse справилась, хотя и считается самой простой. Вот тут и разберись, кто на самом деле круче.
5. Переход между двумя сценами сделал через Pika Frames — плавный морфинг.
6. Всё собрал в монтажке, как обычно.

📌 Нейросети — это не магия, а просто ещё один инструмент. Полезный — если знаешь, что хочешь получить.

🎬 Как нейросети «собирают» видео и фото — заглянем под юбку визуальных моделей

Одна из ключевых технологий в нейросетевых видео/фото генераторах — это диффузионные модели. Они постепенно снижают энтропию, то есть уменьшают уровень случайности в изображении, шаг за шагом выделяя и упорядочивая значимые элементы. Процесс начинается с полного шума, который нейросеть воспринимает как абсолютно случайный набор пикселей. Затем модель использует обученные на большом количестве изображений алгоритмы, чтобы распознать и усилить признаки знакомых объектов (лица, текстуры, предметы). На каждом этапе модель постепенно "очищает" изображение, убирая шум и усиливая детали, которые соответствуют поставленной задаче или описанию. В итоге картинка становится всё более чёткой и реалистичной, так как нейросеть «узнаёт» и детализирует объекты, исходя из накопленного ранее опыта.

Вот как поэтапно работает диффузионная модель (на простом примере запроса «котик»): Если конкретные параметры (цвет шерсти, порода или поза) явно не заданы, нейросеть выбирает их исходя из наиболее часто встречавшихся вариантов в обучающем наборе данных. Например, типичный котик может быть полосатым или серым, сидеть или лежать в естественной позе — просто потому, что таких примеров было много при обучении модели.

Алгоритм работы

1. Начало (полный шум): Запрашиваете нейросеть создать котика. Модель начинает с хаотичного, случайного набора пикселей — полная абстракция, без малейшего намёка на кота.

2. Первый этап (грубое очертание): Модель начинает распознавать общие черты котов, с которыми она ранее сталкивалась. Появляются очертания: круглое туловище, намёк на уши, хвост.

3. Второй этап (уточнение форм): Картинка уже становится похожа на кота. Модель уточняет положение лап, головы, хвоста. Начинают прорисовываться глаза и нос.

4. Третий этап (детализация): Появляются текстуры шерсти, глаза приобретают чёткую форму, появляются усы. Изображение становится отчётливым и узнаваемым.

5. Финал (реализм): Модель устраняет последние шумы и неровности, прорисовывая реалистичные детали. Картинка становится чёт/кой, завершённой и максимально похожей на реального котика.

Теперь мы точно знаем, каких котиков больше всего любит Sora (ChatGPT)

🚗 Как видео-нейросети помогают сделать кадры более кинематографичными и не потратить бюджет Парагвая

Мы уже более 8 лет снимаем автомобильные ралли-рейды. Лучше нас это, кажется, никто не делает, даже крупнейший марафон "Silk Way" работает с нами. Но в этом году я решил попробовать кое-что новое прямо на трассе ралли "Северный Лес": из фотки в видео при помощи нейросети.

📸 Фото вместо камеры

Смысл простой: когда нет лишних рук, фоллоу-фокуса и времени, ты просто делаешь фото. А дальше — запускаешь генерацию.

Вместо 30 минут на постановку, слайдер и ожидание идеального света — у тебя уже готов динамичный кадр, причем при наличие сети прямо на телефоне. Плавный облет, блики в объектив, dolly - все что вы хотели но боялись тащить ))))

Все сцены, которые вы видите в этом посте, были созданы именно так.

🙋‍♂️ Когда зрители становятся операторами

Один из самых интересных кейсов — фото, присланные зрителями. Ты не можешь быть везде. Но если кто-то снял аварию, прыжок или эффектный момент — ты можешь оживить этот кадр и вставить его в сюжет.

⚠️ Что важно помнить

Нет, не всё выходит идеально. Иногда нейросеть выдаёт что-то странное. Иногда анимация не туда. Но даже если не получилось с первого раза — попробуешь снова, или пойдёшь другим путём. Главное — это возможность сделать "план Б".

💡 Вывод

Нейросеть растормаживает фантазию. Сколько раз я думал: «Вот бы сейчас сделать тот или иной кадр», — но техники нет, времени нет, через 30 минут закат и конец съёмочного дня. Нейронки дают ощущение, что всё возможно, жалко что только ощущение (пока). В любом случае, это прекрасный инструмент нового времени.

Посмотрим, что будет дальше. А пока — используем то, что работает здесь и сейчас.