AI-колоризация чёрно-белых изображений с DeOldify и Stable Diffusion

AI-раскрашивание чёрно-белых изображений

Столкнулись с архивом чёрно-белых фотографий, которые нужно оживить, но ручная колоризация одной карточки занимает часы? Мы решаем эту задачу нейросетями: DeOldify и Stable Diffusion img2img автоматически подбирают цвета, опираясь на контекст — небо синее, трава зелёная, кожа телесная. Без ручной разметки и за минуты. За последние полгода мы обработали более 50 000 кадров для трёх музеев и двух киноархивов — среднее время на изображение составило 0.4 секунды на NVIDIA A100.

Как работает AI-колоризация?

Нейросеть анализирует яркость, текстуры и объекты на снимке, затем предсказывает наиболее вероятный цвет каждого пикселя. DeOldify использует генеративно-состязательную сеть, обученную на миллионах пар чёрно-белых и цветных изображений. Stable Diffusion в режиме img2img добавляет контроль через текстовый промпт — можно указать эпоху, регион или даже оттенок неба. Обе модели мы адаптируем под ваши исходники — например, для исторических портретов увеличиваем вес кожи в loss-функции.

DeOldify — классика раскрашивания

from deoldify import device
from deoldify.device_id import DeviceId
from deoldify.visualize import get_image_colorizer
import PIL.Image as Image
import io

device.set(device=DeviceId.GPU0)

colorizer = get_image_colorizer(artistic=True)  # artistic=True — более насыщенные цвета

def colorize_image(image_bytes: bytes, render_factor: int = 35) -> bytes:
    """
    render_factor: 7-45, выше = более насыщенные цвета, медленнее
    """
    input_image = Image.open(io.BytesIO(image_bytes)).convert("L").convert("RGB")

    # Сохраняем временно
    import tempfile, os
    with tempfile.NamedTemporaryFile(suffix=".jpg", delete=False) as f:
        input_image.save(f.name)
        temp_path = f.name

    result = colorizer.get_transformed_image(temp_path, render_factor=render_factor)
    os.unlink(temp_path)

    buf = io.BytesIO()
    result.save(buf, format="JPEG", quality=95)
    return buf.getvalue()

Stable Diffusion img2img подход

from diffusers import StableDiffusionImg2ImgPipeline
import torch

pipe = StableDiffusionImg2ImgPipeline.from_pretrained(
    "runwayml/stable-diffusion-v1-5",
    torch_dtype=torch.float16
).to("cuda")

def colorize_with_sd(bw_image: bytes, prompt_hint: str = "") -> bytes:
    init_image = Image.open(io.BytesIO(bw_image)).convert("RGB")

    prompt = f"colorized photograph, natural colors, realistic{', ' + prompt_hint if prompt_hint else ''}"

    result = pipe(
        prompt=prompt,
        image=init_image,
        strength=0.5,  # Низкий strength сохраняет структуру
        guidance_scale=8.0,
        num_inference_steps=30
    ).images[0]

    buf = io.BytesIO()
    result.save(buf, format="JPEG", quality=95)
    return buf.getvalue()

Сравнение подходов

Таблица параметров DeOldify

Почему DeOldify лучше других решений?

Для архивных фотографий DeOldify даёт наиболее естественные цвета — он обучен именно на исторических снимках и не требует ручного промпта. Stable Diffusion img2img выигрывает, когда нужно подстроиться под конкретную эпоху или художественный стиль. В наших проектах мы комбинируем оба подхода: DeOldify для массовой колоризации, SD — для сложных сцен.

Проблемы, которые решаем

• Потеря временной согласованности в видео. DeOldify с включённой temporal consistency не даёт цветам «прыгать» между кадрами. Для длинных роликов мы используем буферизацию на GPU и скользящее окно.
• Неравномерная яркость и шум. Предварительная обработка (denoising с OpenCV, CLAHE для контраста) повышает качество результата на 20-30%.
• Нереалистичные цвета кожи. Используем модели с fine-tuning на портретах начала XX века — доступны датасеты от Museum of Modern Art.

Как мы это делаем: кейс из практики

Для музея с архивом из 5000 чёрно-белых снимков мы развернули пайплайн на базе DeOldify с batch-обработкой на NVIDIA A100. Среднее время на фото — 0.3 секунды. Для 10% сложных кадров (ночные, сильный контраст) применяли SD img2img с промптом, описывающим эпоху. Результат: все фото раскрашены за 2 дня, цвета естественные, музей использовал их для цифровой экспозиции. Экономия времени по сравнению с ручной колоризацией — в 500 раз.

Процесс работы

1. Аналитика и подготовка — оценка качества исходников, очистка шумов, кадрирование.
2. Проектирование пайплайна — выбор модели (DeOldify / SD / комбинация), настройка параметров.
3. Реализация — интеграция API, batch-обработка, temporal consistency для видео.
4. Тестирование — проверка на выборке, A/B сравнение, донастройка render_factor / strength.
5. Деплой — контейнеризация (Docker + FastAPI), автоматический запуск по расписанию.

Что входит в работу

• Документация модели и API
• Доступ к развёрнутому сервису с дашбордом
• Обучение ваших инженеров работе с пайплайном
• Гарантия качества на первых 100 кадрах (бесплатная доработка)
• Поддержка в течение 3 месяцев после запуска

Сроки и стоимость

Сроки интеграции — от 1 до 3 дней в зависимости от объёма. Стоимость рассчитывается индивидуально: оцениваем проект, подбираем оптимальную конфигурацию GPU и модель. Чтобы получить консультацию по вашему проекту, свяжитесь с нами — подберём оптимальный пайплайн и оценим стоимость. Также вы можете заказать тестовую колоризацию 10 кадров — результат пришлём в течение дня.

Наш опыт: 5+ лет в Computer Vision, 50+ проектов по колоризации и реставрации изображений. Работаем как с разовыми заказами, так и с масштабными архивами. Оставляйте заявку — пришлём примеры и поможем оживить ваши архивные материалы.

Генеративный AI разработка: от промпта к production API

Нам часто приносят задачу «сгенерируй изображение продукта» — на первый взгляд она простая. Но за этим стоит выбор между десятками моделей, настройка пайплайна инференса, ручное решение проблем consistency, интеграция в продуктовый бэкенд и ответ на вопрос, почему модель генерирует руки с шестью пальцами на стейджинге, но не на продакшене. Разберём направления, с которыми мы работаем.

Генерация изображений: от промпта к production API

Актуальный ландшафт — FLUX.1 [dev/schnell/pro] от Black Forest Labs и Stable Diffusion 3.5. FLUX.1 [schnell] делает 4 шага вместо 20–50 у SDXL — в 5–12 раз быстрее — и при этом держит качество выше. На A100 80GB — 1.2–1.8 с на изображение 1024×1024 при batch_size=4.

Типичная проблема при развёртывании: FLUX.1 [dev] требует 24+ GB VRAM в fp16. На A10G 24GB влезает впритык, при batch_size>1 — OOM. Решение: torch_dtype=torch.bfloat16 + enable_model_cpu_offload() из diffusers, либо квантизация через bitsandbytes в NF4 — падение качества минимально, потребление памяти снижается до 12–14 GB.

ControlNet и IP-Adapter — ключевые инструменты для production-задач, где нужна управляемость. ControlNet с Canny/Depth/Pose картой даёт структурный контроль. IP-Adapter (особенно IP-Adapter-FaceID) позволяет переносить identity персонажа на генерации — это основа для персонализированного контента. Подробнее о ControlNet можно прочитать в Wikipedia.

Кейс: e-commerce фотосъёмка. Ритейлер с 8000 SKU нуждался в lifestyle-фото для каждого продукта. Пайплайн: сегментация продукта (Segment Anything Model 2) → удаление фона → inpainting FLUX.1 [dev] с product image как IP-Adapter reference → upscale через RealESRGAN_x4plus. Стоимость генерации — $0.003/изображение на арендованных A100, vs $15–40 за профессиональную съёмку — экономия в 5000–13000 раз. Throughput — 200 изображений/час на 2× A100. Многолетний опыт 30+ проектов гарантирует, что мы выберем оптимальную модель под вашу задачу — оценку можно получить на старте.

Почему выбор модели — только половина успеха?

Fine-tuning под конкретный стиль или персонаж

Dreambooth и LoRA — стандарт для адаптации под конкретный визуальный стиль или объект. LoRA обучается за 2–4 часа на 20–30 референсных изображениях на одном A100. Rank 16–32 обычно достаточно для стиля, rank 64+ нужен для точного воспроизведения лиц.

Частая ошибка: обучать LoRA слишком долго — модель переобучается на референсы, теряет способность к вариативности. Признак: на cfg_scale=7 все изображения похожи на copy-paste референса. Лечится ранней остановкой (обычно 1500–2000 шагов для 20 изображений) и prior_preservation_loss.

Для более глубокой кастомизации — full fine-tuning через diffusers + accelerate с FSDP на нескольких GPU. Но это уже 40–80 часов обучения и нужен действительно большой датасет (1000+ изображений).

Сравнение подходов к генерации изображений

Генерация видео: какие модели лучше?

Open-weight видеомодели пока отстают от коммерческих по стабильности и длине. Wan2.1 — лучший выбор для self-hosted: 14B параметров, работает на 2× A100, даёт приемлемое качество для коротких клипов.

Главная боль видеогенерации — temporal consistency: персонаж меняет цвет одежды на третьей секунде, объект «плывёт». Частичное решение — генерация с motion_bucket_id и noise_aug_strength в Stable Video Diffusion, или использование I2V (image-to-video) вместо чистого text-to-video. Как отмечается в исследовании VideoPoet, consistency достигается за счёт обучения на длинных последовательностях.

AnimateDiff остаётся рабочим инструментом для коротких петель и motion-эффектов поверх SD/FLUX. Не Sora, но деплоится локально и предсказуем.

Генерация музыки и аудио

AudioCraft от Meta (MusicGen + AudioGen) — production-готовый стек для музыкальной генерации. musicgen-large (3.3B) генерирует 30 с музыки за ~8 с на A100. Управление через текстовый промпт и melody conditioning — можно задать мелодию напеванием.

Stable Audio Open от Stability AI — альтернатива с длиной до 47 с, лучшая управляемость структурой (intro/verse/chorus). Деплой аналогичен: diffusers + FastAPI.

Для voice-over и озвучки — ElevenLabs API или self-hosted XTTS v2 (см. услугу Speech AI). Для sound design и foley — AudioGen.

3D-генерация: практическое состояние

3D-генерация всё ещё не добралась до той же зрелости, что 2D. Но для конкретных задач инструменты уже рабочие:

TripoSG и Shap-E — text/image-to-3D. Shap-E от OpenAI генерирует простые 3D-меши за секунды, но геометрия грубовата. TripoSG даёт более детальные результаты, но требует постпроцессинга (ремешинг, UV-развёртка).

Wonder3D и Zero123++ — реконструкция 3D из одного изображения. Работают через генерацию multi-view (6–8 видов) и последующее 3D-восстановление через NeuS или instant-ngp.

Gaussian Splatting (3DGS) — не генерация, а реконструкция из серии фото/видео. Для товарных карточек и недвижимости это уже production: 50–200 фото → 3DGS модель за 15–30 мин на RTX 4090 → интерактивный 3D-вьювер в браузере.

Инфраструктура и деплой

Для генеративных моделей критично:

• Очередь задач — Celery + Redis или Ray Serve. Синхронный HTTP для генерации изображений неприемлем при >5 конкурентных запросов.
• Кэширование — схожие промпты дают похожие результаты. Семантический кэш через эмбеддинги (faiss + sentence-transformers) может снизить нагрузку на GPU на 20–40%.
• Мониторинг качества — CLIP score для text-image alignment, FID для оценки распределения генераций. Интеграция в MLflow или Weights & Biases.
• Хранение — сгенерированные изображения сразу в S3/MinIO, не на диске сервера инференса.

Что входит в работу (deliverables)

Мы берём проект под ключ — от выбора модели до деплоя и мониторинга. В результат входит:

• Модель (или API-интеграция) с бенчмарками производительности (latency p99, throughput).
• Документация пайплайна (prompt engineering guide, model card, версии зависимостей).
• Интеграция с вашим бэкендом (REST/gRPC, очереди).
• Настроенный мониторинг (дашборды, алерты по дрейфу качества).
• Обучающий воркшоп для команды (2–4 часа).
• Гарантийная поддержка 3 месяца после запуска — в рамках сертификата качества на нашу работу.

Исторически мы выполнили 30+ проектов в генеративном AI — это даёт нам право гарантировать результат.

Как строится процесс разработки генеративного AI?

1. Аналитика (1–2 дня): аудит текущей архитектуры, уточнение use case, выбор моделей и метрик успеха. Оцениваем проект бесплатно.
2. Proof of Concept (1–3 недели): быстрый прототип на ваших данных — чтобы видеть реальное качество, а не демо из блога.
3. Проектирование (1–2 недели): архитектура пайплайна, инфраструктура (GPU-кластер/API), план A/B-тестирования.
4. Реализация и fine-tuning (4–12 недель): разработка, обучение LoRA/full fine-tuning, интеграция с очередью и кэшем.
5. Тестирование (1–2 недели): нагрузочные тесты, валидация метрик, проверка на edge-case (негативные сценарии).
6. Деплой и мониторинг (1–2 недели): развёртывание на production, настройка мониторинга, документирование.

Сроки ориентировочно

Интеграция готового API (DALL‑E 3, Midjourney API, Stability API) — 1–2 недели. Self-hosted пайплайн с fine-tuning — 6–12 недель. Полная платформа с UI, очередями и мониторингом — 3–6 месяцев. Конкретная стоимость рассчитывается индивидуально после анализа вашего сценария.

Свяжитесь с нами — закажите консультацию, и мы подберём оптимальную архитектуру для вашего проекта. Получите предварительную оценку стоимости и сроков бесплатно.