Рисуем летний пейзаж
- Главная
- Блог
- Рисуем летний пейзаж
Отзывы
Анна Тарнавская
Я обучалась на «Базовом курсе акварельной живописи» с Анастасией Кустовой и осталась очень довольна! С акварелью я пытаюсь справиться довольно давно, с переменным успехом. Данный курс мне помог стать более подкованной в теории и более уверенно себя чувствовать на практике. Анастасия поделилась с нами нюансами, которые нужно учитывать при выборе художественных материалов; мы познакомились с различными техниками работы с акварелью и отработали их на упражнениях и на полноценных законченных работах. Анастасия очень подробно и грамотно преподносит материал, быстро проверяет отправленные ей работы и очень подробно комментирует их. Все рекомендации Анастасии были крайне полезны. Отдельно нужно отметить техническую сторону обучения: видеоуроки сняты очень качественно, сайт и личный кабинет удобны в использовании.
Людмила Агеева
Рисовать с педагогами «Арт Причал» – это всегда море позитива и удовольствия! Каждый из них харизматичен, высокопрофессионален, щедро делится своими навыками и неизменно доброжелателен! Очень чувствуется их собственная любовь к акварели и искренняя заинтересованность в результатах учеников. Сюжеты невероятно красивы. А серия новогодних зимних курсов с Дарьей Митта и Юлией Степашиной подарила мне настоящее ощущение зимнего праздника!
Яна Лукина
Я прошла курс «Акварельный Париж» с Юлией Степашкиной. Увидела в ленте красивые, легкие, романтичные картинки из курса и очень захотелось поучаствовать. Мы нарисовали красивые ведра с цветами, я научилась передавать отражения на металле, красиво смешивать цвета, передавая разные рефлексы. Далее была быстрая зарисовка в скетчбуке, никогда до этого не рисовала скетчи, очень понравилось компоновать сюжет из различных вариантов! Познакомились с красивейшими парижскими крышами и узорами на старинной архитектуре.
Елена Чмора
Я проходила курс «Акварельный восток» – впечатления самые замечательные! Всегда думала, что обделена талантом рисовать, все школьные рисунки выполняла мне мама. К 40 годам решила попробовать и поняла, что свою работу трудно испортить – она все равно будет индивидуальной. «Акварельный восток» меня пленил – такое буйство красок и очень смелые сюжеты. Кажется, у меня все получилось! Приятно рисовать с вами!
Алина Пегова
В 2019 году я познакомилась со школой «Арт Причал», и мой акварельный мир уже не был прежним! Юлия Степашкина перевернула всё моё понимание акварельной живописи.
«Акварельный восток» был моим первым курсом. Юлия помогла раскрыть всю суть акварельной техники, дала понять, как она работает. Это было потрясающе! На этом учение не остановилось. «Европейские каникулы» с Дарьей Миттой – мой второй курс. Он был гораздо сложнее, но после Юлиной подготовки и с прекрасным педагогом Дарьей, которая все разложит по полочкам, страхи ушли прочь. Ну и конечно «Морские этюды» с Ольгой Харченко, которая помогла постичь секретные приемы в написании воды. Кстати, приобретя данный курс, я познакомилась с маскировочной жидкостью и сразу побежала её покупать 🙂 Теперь это мой лучший помощник. Очень сложно выбрать лучшего преподавателя, так как каждый даёт что-то своё, и это просто здорово! А самое прекрасное – «Арт Причал» постоянно устраивает акции, делает большие скидки и даже дарит бесплатные уроки! Их даже и не перечислить! Спасибо огромное замечательным преподавателям и всей команде «Арт Причал»!
Ирина Косолапова
Я проходила курс «Русские пейзажи» с Юлией Степашкиной – это был мой первый курс по рисованию акварелью.
Юлия очень подробно и доходчиво объясняла урок. Конечно, не все получалось сразу: например, туман над рекой мне так до конца и не подчинился. Но две работы из курса висят у меня в рамочке: пейзаж «Оттепель» и деревенька. Спасибо огромное вам за возможность рисовать и учиться новому!
Kandinsky 2.0 — первая мультиязычная диффузия для генерации изображений по тексту / Хабр
Диффузия всё увереннее вытесняет GANы и авторегрессионные модели в ряде задач цифровой обработки изображений. Это не удивительно, ведь диффузия обучается проще, не требует сложного подбора гиперпараметров, min-max оптимизации и не страдает нестабильностью обучения. А главное, диффузионные модели демонстрируют state-of-the-art результаты почти на всех генеративных задачах — генерации картинок по тексту, генерация звуков, видео и даже 3D!
К сожалению, большинство работ в области text-to-something сосредоточены только на английском и китайском языках. Чтобы исправить эту несправедливость, мы решили создать мультиязычную text-to-image диффузионную модель Kandinsky 2.
0, которая понимает запросы более чем на 100 языках! И главное, на русском 😉 Подробности — под катом.
Модель Kandinsky 2.0 уже доступна на HuggingFace и GitHub, а попробовать генерацию можно на сайтах FusionBrain и rudalle.ru. Над этим проектом работали исследователи из SberAI и SberDevices при научной поддержке учёных из Института искусственного интеллекта AIRI.
Обязательно почитайте про наши предыдущие text-to-image модели, если вы не очень знакомы с темой синтеза изображений по текстовым описаниям:
ruDALL-E
Kandinsky
Что такое диффузия?
Существует много подходов к описанию диффузионных моделей, но если опустить некоторые математические тонкости, то диффузия работает следующим образом:
Сначала нужно итеративно испортить изображение, например, с помощью зашумления (прямой диффузионный процесс)
На втором этапе необходимо научиться итеративно восстанавливать изображение (обратный диффузионный процесс)
Впервые диффузионные модели были описаны в статье 2015 года Deep Unsupervised Learning using Nonequilibrium Thermodynamics — и, как видно из названия статьи, тут к её описанию пытались подойти через математический аппарат термодинамики. Отсюда взялось и название.
Диффу́зия — процесс перемешивания вещества, приводящий к выравниванию распределения.
В случае изображений такой процесс может выглядеть как, например, постепенное зашумление картинки до тех пор, пока от неё не останется гауссовский шум.
Впервые превосходство диффузионных моделей над GAN’ами продемонстрировали в 2021 году в статье Diffusion Models Beat GANs on Image Synthesis. Авторы предложили и первый способ управления генерацией (conditioning), который назвали classifier guidance — использование градиентов от дополнительного классификатора для генерации объектов нужного класса (например, собак). Само же управление осуществляется через механизм Adaptive GroupNorm, то есть через предсказание коэффициентов нормализации.
Эту статью можно считать поворотным моментом, после которого многие переключились на исследование диффузии для различных задач генеративного ИИ. Каждые несколько недель начали появляться новые статьи о диффузии для superresolution, image inpainting, audio generation, text-to-video, text-to-3D и даже motion generation! Мы же сосредоточимся на задаче text-to-image — генерации картинок по текстовому описанию.
Text-to-image диффузия
Как мы уже сказали ранее, в случае диффузионного процесса в модальности изображений процесс обычно сводится к зашумлению и устранению шума, поэтому в качестве базовой архитектуры принято использовать UNet и различные её модификации.
Рисунок 3 — Архитектура UNet отлично подходит для задачи устранения шума и, следовательно, для моделирования диффузионного процесса.Чтобы генерировать изображение на основе текста, нужно чтобы этот текст как-то учитывался во время генерации (text-conditioning). В статье OpenAI про модель GLIDE авторы предложили адаптировать метод classifier-free-guidance для текста.
На этом подходе будут основаны все последующие text-to-image диффузионные модели, поэтому расскажем о нём чуть подробнее:
Текст кодируется в список эмбеддингов некоторым заранее определённым энкодером (в GLIDE — это был обучаемый трансформер).
Эмбеддинги проецируются на размерность слоя attention в UNet.
Затем они конкатенируются с контекстом UNet на каждом слое (управление через внимание).
CLS эмбеддинг подаётся на вход Adaptive Group Normalization (управление через нормировку).
Во время обучения текст на вход модели подаётся не всегда, а только с некоторой вероятностью
При сэмплировании на каждом шаге генерируется два варианта апдейта: с учётом текста и без него. При этом финальный апдейт экстраполируется в сторону того, который был получен с учётом текста.
За счёт такого подхода удаётся управлять диффузией не только при помощи меток классов (кот, собака, машина и тд.), но и по полноценным текстам! Причём очень качественно.
В дальнейшем генерацию по тексту удалось значительно улучшить за счёт использования замороженных предобученных текстовых энкодеров и механизма каскадного повышения разрешения (Imagen). Оказалось, что совершенно незачем обучать текстовую часть text-to-image моделей — если взять замороженную T5-xxl, то качество картинок и понимание текста получается намного выше, а ресурсов для обучения требуется сильно меньше. Также в этой статье предложили улучшение сэмплирования — динамический трешхолдинг, который позволил повысить качество генерации при средних и высоких значениях guidance scale (варьируемый параметр, отвечающий за степень близости генерируемых сэмплов к тексту). Трешхолдинг — ограничение значений пикселей на каждом шаге диффузии, и если такое ограничение не использовать, то значения пикселей могут выйти далеко за пределы допустимого диапазона, что негативно скажется на генерации.
В статье про Latent Diffusion авторы показали, что на самом деле и картиночную часть не нужно обучать (по крайней мере не полностью).
Если взять сильный автоэнкодер для картинок (VQ-VAE или KL-VAE) в качестве визуального декодера и пытаться диффузией генерировать эмбеддинги из его латентного пространства, а не само изображение, то обучение пойдёт ещё быстрее. Недавно выпущенная модель Stable Diffusion также основана на этом подходе.
Архитектура Kandinsky 2.0
В основе Kandinsky 2.0 лежит улучшенный подход Latent Diffusion (мы генерируем не изображения, а их латентные векторы) с несколькими существенными отличиями:
Мы используем два мультилингвальных текстовых энкодера, эмбеддинги которых конкатенируются
Больше UNet (1.2 млрд параметров)
Динамический трешхолдинг в процессе сэмплирования
Чтобы модель стала по-настоящему мультиязычной, мы решили использовать мультилингвальный энкодер, причём сразу два: XLMR-clip и mT5-small. Таким образом, модель может понимать не только английский, русский, французский и немецкий, но даже монгольский, иврит и фарси! Всего 101 язык.
Почему было решено использовать сразу две модели для кодирования текста? Потому что у этих моделей разные, но очень важные особенности — XLMR-clip видел картинки и даёт близкие эмбеддинги для разных языков, а mT5-small хорошо понимает сложные тексты. И наши предварительные тесты показали, что такая комбинация работает лучше всего, а так как обе модели имеют не очень много параметров (560M и 146M), то было решено использовать два энкодера сразу.
На рисунке ниже можно увидеть генерацию, полученную по текстовому промту на двух языках. Несмотря на такой формат описания, генерируется структурно правильное изображение.
Рисунок 6 — Генерация Kandinsky 2.0 для запроса «A teddy bear на Красной площади».Как происходило обучение?
Обучение проходило на платформе ML Space c использованием мощностей суперкомпьютеров Christofari. Нам потребовалось 196 карт NVIDIA A100 с 80 Гб памяти на каждой из них. Всё обучение заняло 14 дней или 65 856 GPU-часов. Сначала 5 дней модель училась на разрешении 256х256, затем 6 дней на разрешении 512×512 и 3 дня на максимально чистых данных.
Для обучения использовались следующие гиперпараметры:
Оптимизатор: AdamW с дефолтными параметрами
OneCycleLR: max_iter=500k, max_lr=1e-4, pct_start=0.01
Batch size: 48
Linear noise scheduler: beta_start = 0.0001, beta_end = 0.02
Diffusion steps: 1000
Ограничение длины текстов: 77 токенов
Разрешение: 256 -> 512
В качестве обучающих данных мы использовали комбинацию датасетов, которые мы предварительно отфильтровали по критериям наличия водяных знаков, низкого разрешения, низкого соответствия текстовому описанию по метрике CLIP-score:
LAION-improved-aesthetics — 700 M
LAION-aesthetics-multilang — 46 M
ruDALLE-russian — 44 M
Дополнительные возможности модели
Для решения задач inpainting и outpainting мы обучаем дополнительную модель по аналогии с подходом из GLIDE: в качестве инициализации берём обученную Kandinsky 2.
0 и добавляем к первой конволюции дополнительный канал для маски. После этого продолжаем обучение модели, но случайным образом закрашиваем часть каждой картинки и конкатенируем к ней соответствующую маску.
Мультиязычная генерация
Kandinsky 2.0 — это первая мультилингвальная модель для генерации изображений по тексту, поэтому впервые появилась возможность оценить лингво-визуальные смещения в языковых культурах, что мы первым делом и сделали.
Ниже приведены результаты генерации одного и того же запроса на разных языках. Например, для запроса на русском «человек с высшим образованием» в результатах генерации присутствуют исключительно белые мужчины, а для французского варианта “Photo d’une personne diplômée de l’enseignement supérieur” результаты более разнообразные. Хочется отметить, что только в русскоязычном варианте присутствуют грустные люди с высшим образованием.
А ещё с помощью этого подхода можно составить средний портрет «опасного человека» или «грабителя» для разных языковых культур и образ национальной кухни.
Заключение
Впереди у нас запланировано ещё много экспериментов с крупными языковыми моделями и другими подходами к процессу диффузии, но уже сейчас можно смело заявить, что Kandinsky 2.0 — это первая по-настоящему мультиязычная диффузионная модель! Генерацию и инпеинтинг, можно попробовать на сайтах FusionBrain и rudalle.ru, а также при помощи команды «Запусти художника» на умных устройствах Sber и в мобильном приложении Салют.
Железный человек on the Moon 背景中的烟花Авторы
Если вам интересно следить за новинками в DL, то обязательно подписывайтесь на каналы авторов Kandinsky 2.0 в Telegram:
Градиентное погружение
AbstractDL
Коллектив авторов: Арсений Шахматов, Антон Разжигаев, Владимир Архипкин, Александр Николич, Игорь Павлов, Андрей Кузнецов, Денис Димитров, Татьяна Шаврина, Сергей Марков.
Полезные ссылки
Kandinsky 2.0 демо
ruDALL-E демо
Большая версия ruDALL-E, или Как отличить Кандинского от Малевича
ruDALL-E: генерируем изображения по текстовому описанию, или Самый большой вычислительный проект в России
Deep Unsupervised Learning using Nonequilibrium Thermodynamics
Diffusion Models Beat GANs on Image Synthesis
GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models
Classifier-Free-Guidance
Imagen: Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding
High-Resolution Image Synthesis with Latent Diffusion Models
Stable Diffusion
The Illustrated Stable Diffusion
XLMR-clip
mT5-small
Результаты для картин «Лето -пейзаж»
Canal du Midi
картин, 27,6 W x 19,7 H x 0 D в
$ 1 730
A Спокойный день
, 31,5 Вт x 31,5 ч x 0,8 D в
$ 2 410, 31,5 Вт x 31,5 ч x 0,8 D.
В
$ 2 410.
Джун День
Картины, 22,8 Вт X 31,5 ч x 0,8 D в
$ 2,110
Отпечатки от 142
Лавандовые поле
картины, 19,7 Вт X 19,7 H x 0,8 D в
$ 1 000 3
Lavender Field
3.картины, 39,4 Вт x 39,4 ч x 0,8 дня в
$ 7 450
на Северном море
, 19,7 Вт X 19,7 H x 1,6 D в
$ 1 410
Summertime II
, 19,7 W X 19,7 H.7. x 0,8 D в
1 460 $
Августовский полдень — XXL абстрактный пейзаж
Картины, 76,8 Ш x 47,2 В x 1,6 Г в
5 950 $
Просто хочется гулять на солнце — Летний пейзаж
3. 7 x 5 Картины 90 0003 90 003.
11,8 В x 0,6 Г в$ 730
Отпечатки от $ 61
Лето в вашей душе — XXL Abstract Painting
картины, 70,9 W x 47,2 H x 0 D в
$ 10,700
Летние обли in
$1,910
Depth of nature 235
Paintings, 39.4 W x 47.2 H x 1.2 D in
$1,040
Lost in Aruba
Paintings, 55.1 W x 47.2 H x 1.6 D in
$5,450
Summer коктейль — большой красочный абстрактный
Картины, 47,2 Ш x 35,4 В x 0 Г,
2 950 долл. США
Буря над восточным болотом
Картины, 14,2 Ш x 9,8 В x 0,3 Г,
Вы заслуживаете лучшего
3
Картины 1,5 Вт x 553,
3 H x 0,8 D в
$ 3 280
Солнце только что исчезло
картины, 6,1 W X 10,8 H x 0 D в
$ 330
Отпечатки от 65
Solaris Dreamfields XIV
.
0.7 D in
Солнечное пшеничное поле — Пейзаж
Картины, 19,7 Ш x 23,6 В x 0,7 Г
1140 $
Репродукции от 65 $
Маки на берегу моря.
Картины, 60 Ш x 40 В x 2 Г в
3 270 $
Катящееся Солнце — XXL абстрактный пейзаж
Картины, 74,8 Ш x 57,1 В x 0 Г в
Сикота, лимон и абрикос
3
нет?Картины, 39,4 Ш x 39,4 В x 0,6 Г в
1310 долл. США
Репродукции от 73 долл. США
Листья пруда
картины, 35,4 Вт x 23,6 H x 0,8 D в
$ 2,010
Джунские прогулки
картины, 23,6 W x 31,5 H x 0,8 D в
$ 1 263
Artist Garden
, 12 W x 9 H.
1,5 D в
$ 340
Отпечатки от 40 долларов
Лето
картины, 60 Вт x 36 H x 1,5 D в
$ 2 010
Отпечатки от 40
Мирный день
, 47,2 W x 35,4 H. D in
4 070 долл. США
Пшеничное поле с маками
картины, 19,7 Вт X 19,7 H x 0 D в
$ 1 430
Саванна Рагня
, 49,2 Вт x 49,2 H x 1,6 D в
$ 4000
Старые деревья. Картины, 25,2 W x 18,9 H x 0,8 D в
$ 1,400
Отпечатки от 45
Лето в деревне
картины, 24 Вт x 18 ч. X 0,7 D в
$ 535
Припечатки из 40
Woodlands Magic
Картины, 58 Ш x 42 В x 1 Г в
2 610 $
Репродукции от 40 $
Ранний вечер
Картины, 15,7 Ш x 15,7 В x 0,8 Г в
Очень раннее утро 90,6 W 90,4 W 90,1 W 90,1 90,4 утром x 10,8 H x 0 D в
$ 330
Отпечатки от 65 долларов США
Dusk Red River
, 23,5 W x 33 H x 0,3 D в
$ 1,167
Ландшафт: летние впечатления XL 2
.
x 41,3 В x 1,5 Г, дюйм
3 740 долл. США
Лето лето лето на реке
картин, 15,7 Вт x 11,8 ч x 0,6 дня в
$ 700
Отпечатки от 66
Саванна Heat
, 39,4 Вт x 31,5 ч x 0,8 D.
Summertime
картины, 19,7 Вт X 19,7 H x 0,8 D в
$ 610
Отпечатки от 40
Pink Tuscany Hills
картины, 5,1 Вт x 7,1 H x 0,1 D в
$ 200
Пюра
Field of Suntlowers
картины, 19,7 Вт X 19,7 H x 0,8 D в
$ 1 430
Деревья в парке
, 39,3 Вт X 19,7 H x 1 D в
август, 2018
, 16 W. X 12 H x 0,2 D в
$ 1 450
Отпечатки от 40
Water Lilies
картины, 35,4 W x 23,6 H x 0,8 D в
$ 2,060
Сладкие воспоминания
, 27,6 W x 39,4 H.
D in
1 780 долл. США
Life changes — large colorful abstract painting
Paintings, 51.2 W x 31.5 H x 0.8 D in
$3,470
Koufonisi, finikas beach
Paintings, 57.5 W x 35.4 H x 1.6 D in
$1,670
Strange summerlight — Ландшафт
картины, 19,7 Вт x 15,7 ч x 0,8 дня в
$ 1000
Отпечатки от 66
‘Летний день’
, 8,3 Вт x 5,8 ч. X 0,1 D в
$ 2703
Пюльни из 100 долларов.
Теплые дни — диптих
Картины, 39,4 Ш x 27,6 В x 0,2 Г в
угол-левый
12345
угол-правый1 — 50 из 558 картин
50 результатов на 1 страницу 02331 90 результатов на 1 страницу 90 результатов На странице100 результатов на странице
25 результатов на странице50 результатов на странице100 результатов на странице
ГлавнаяPaintingssummer-landscape
10 Spring & Summer Landscape Images!
Сегодня у нас есть привлекательная коллекция весенних и летних пейзажей! Красочные иллюстрации, представленные ниже, очень красивы.
У нас есть красивые пейзажи в сельской местности и на берегу озера. Разнообразие цветов, настроек и стилей делает этот набор прекрасным. Есть великолепная иллюстрация дома Теннисона в Олдворте, Суррей, и архитектурная иллюстрация Аккермана для печати со структурой Граден. Все это хорошие фотографии для использования в ваших проектах DIY на даче или ферме. Они также подойдут для ваших цветочных тематических ремесленных проектов.
Пейзажи сельской местности
На фото выше веселый цветочный пейзаж! Представлена прекрасная сцена Весеннего Пейзажа, обрамленная красивыми розовыми и белыми цветами. В одном углу есть даже милая желтая бабочка! Какая сказочная обстановка для дома, так как он выходит на красивый водоем. Любить это!
Здесь у нас есть прекрасное изображение старинного деревенского каменного коттеджа! Разве это не красиво? Это такая красивая пейзажная сцена с уютным коттеджем в сельской местности и цветочным садом рядом с проселочной дорогой.
Женщина идет к дому под зонтиком. На заднем плане виден город, если присмотреться. Хотел бы я когда-нибудь побывать в подобном месте!
Иллюстрации архитектурных пейзажей
Выше приведена замечательная иллюстрация старинного поместья! Согласно тексту на карточке, этот красивый английский дом на самом деле был домом Теннисона в Олдворт-Суррей. Так живописно! Дом кажется довольно большим, с красивыми окнами в готическом стиле и огромными дымоходами. Перед домом прекрасный сад с красивыми бетонными перилами и лестницей. На иллюстрации едва можно разглядеть несколько человек, в том числе даму с красным зонтиком.
Нажмите ЗДЕСЬ, чтобы открыть PDF-файл архитектурной печати 1816 года в полном размере. У этого принта такое прекрасное ощущение садового стиля! Маленькое сооружение, по-видимому, является входом в парк. Разве вы не видите дамочек в стиле Джейн Остин, прогуливающихся перед этим маленьким зданием?
Весенние и летние пейзажи
Разве это не прекрасно?! Представлен винтажный цветочный пейзаж в рамке на открытке! Это такая красивая сцена с прекрасным прудом.
Есть низколетящие птицы и корова у кромки воды, а также другие вдалеке. За пейзажем желтые цветы с оранжевыми центрами. Это выглядит как очень очаровательное место, чтобы провести день!
Это такой красивый винтажный пейзаж с прудом! В этом произведении в центре карты открыта книга. На странице есть картина, на которой изображена пара в весельной лодке на восхитительном пруду или озере. На заднем плане церковь. Я могу представить себя там. За открытой книгой кувшинки, птицы и рогозы.
Это восхитительное изображение пейзажа! Выше показан прекрасный весенний пейзаж с множеством цветущих деревьев! Посередине протекает небольшой ручей. Изображение обрамлено красивой декоративной овальной рамкой. Такие красивые цвета на этой!
Какая красивая весенняя картинка. Здесь представлено очаровательное античное изображение двух женщин и маленькой девочки, наслаждающихся прекрасным весенним днем в саду! Сад наполнен розовыми цветами на деревьях, возможно, вишневыми цветами? Мне нравятся красивые платья, которые носят дамы, одна одета в синее, а другая в розовое, у обеих изящные кружевные воротники.