Нейросеть своими руками

Обновлено: 07.01.2025

Маркетинг не обходится без изображений – они нужны для иллюстрирования статей, рекламных креативов и так далее. А нейросети могут значительно облегчить процесс работы с визуальным контентом.

Я собрала подборку из 17 сервисов на нейросетях для создания и обработки изображений. Все они бесплатны, но некоторые предлагают за деньги дополнительные возможности.

Инструменты расположены в случайном порядке.

This Person Does Not Exist

Сотрудник Uber Филипп Ван создал сервис, генерирующий человеческие лица. Он работает на основе генеративной нейросети StyleGAN от Nvidia.

Фото человеческих лиц генерируются автоматически на основе миллионов обработанных изображений. Система анализирует их и создает собирательный образ. Каждый раз, когда обновляете страницу, появляется новое лицо. Вы можете подумать, что где-то видели этого человека, но его на самом деле нет. Этот сервис – раздолье для тех, кому нужны фейковые фото для отзывов, или тех, кто боится нарушить авторские права при использовании фотографий людей.

В большинстве случаев нейросеть выдает действительно качественные фото. Но случаются и ошибки – например, размытие одной области или добавление постороннего объекта на фото, приводящее к искажению. По моим наблюдениям, ошибки содержит примерно один результат из 5–6.

Nvidia InPainting

AutoDraw

Графический редактор от Google помогает создавать хорошие иллюстрации тем, кто не умеет рисовать. Сервис был представлен в рамках проекта AI Experiments, открытого осенью 2016 года.

Внешне нейросеть похожа на простой графический редактор. В сервисе можно:

выбрать три формата изображения – одно горизонтальное и два вертикальных;
просто рисовать, как карандашом в Paint;
создавать фигуры – круги, треугольники и четырехугольники;
писать текст любым из 14 шрифтов, выбирать размер букв от 8 до 96;
заливать цветом фигуры, изображения, фон, менять цвета любых элементов;
перемещать и масштабировать объекты на рисунке.

Самая главная функция сервиса – создание опрятных и красивых рисунков на основе каракулей. Достаточно приблизительно нарисовать объект, и сеть покажет сверху небольшие иконки изображений. Кликните на любую, чтобы каракули превратились в осмысленный рисунок.

С помощью нейросети легко создавать простейшие рисунки. Идеально для тех, кто выбрал минимализм в оформлении, например, социальных сетей – за 1-2 секунды можно создать уникальную простую иллюстрацию к посту.

Если будете работать с AutoDraw, учтите, что у нейросети своеобразное восприятие каракулей. Иногда она не может определить, что изображено, и предлагает неподходящие иллюстрации.

Looka

Сервис генерирует логотипы, исходя из информации о вашей компании. В работе он использует алгоритмы Tensor Flow от Google.

Чтобы получить несколько вариантов логотипов, нужно рассказать нейросети о том, чем вы занимаетесь и какие решения вам нравятся. А именно:

указать сферу деятельности;
выбрать 5 или более логотипов, которые вам нравятся, из предложенных;
выбрать 2 набора цветов;
выбрать 3 конкретных цвета для логотипа;
указать название компании и слоган или УТП;
выбрать до 5 символов, характеризующих вашу компанию.

После этого нейросеть сгенерирует 12 вариантов, основываясь на анализе реально существующих логотипов и информации, которую вы ей предоставили.

Poem Portraits

Этот сервис – результат сотрудничества Google Arts и Culture Lab. Он создает из фотографий портреты со стихотворениями.

Есть два нюанса:

указывать слово нужно на английском, нейросеть пока не умеет распознавать другие языки;
загрузить чье-то фото не получится, нейросеть работает только с камерой вашего устройства.

Возможно, нейросеть будет развиваться дальше и сможет обрабатывать не только фото, сделанные здесь и сейчас. А пока ее можно использовать, чтобы генерировать контент для личного аккаунта: например, удивлять подписчиков в Instagram.

DeepArt

Сервис меняет стиль изображения на выбранный вами. Можно, например, создать абстракцию из нормального фото или превратить портрет в нечто футуристическое, сделать крутой контент для соцсетей или получить уникальные иллюстрации на сайт.

Чтобы нейросеть заработала, загрузите изображение, которое хотите изменить, и выберите стиль, который вам нужен. Потом укажите e-mail. Из-за длинной очереди обработка изображения может длиться от 2-3 минут до часа.

Я прождала больше часа, чтобы получить результат. Он появился в личном кабинете сервиса – рядом с двумя изображениями возникло третье.

RemoveBg

Эта нейросеть от компании Product Hunt удаляет фон с изображений за 5 секунд. В компании рассказали, что используют искусственный интеллект и несколько дополнительных алгоритмов, но не раскрыли, какие именно технологии помогают обрабатывать иллюстрации.

Раньше сервис работал только с фотографиями, на которых есть люди. Сейчас автоматически распознает любые объекты на переднем плане и убирает фон сзади них. Просто загрузите изображение и получите готовую иллюстрацию без фона: обработка занимает 3-4 секунды.

В этом же сервисе полученное изображение можно редактировать. Например, стереть его часть, выбрать цвет фона или загрузить свой, восстановить определенную область фона.

Эта нейросеть подходит для создания сайтов со сложной графикой, иллюстраций к статьям и постам в социальных сетях, креативов для рекламы. Ее возможности не безграничны, но достаточны, чтобы генерировать нормальный визуальный контент.

Colorize

Сервис создан российской компанией G-Core Labs на основе проекта DeOldify с открытым исходным кодом. Нейросеть умеет раскрашивать черно-белые фотографии в реалистичные цвета.

Чтобы получить готовое изображение, просто загрузите черно-белую иллюстрацию и оставьте адрес электронной почты. Обработка займет от 10 секунд до 30 минут, в моем случае письмо было на почте через 15 секунд.

Reflect

Сервис создан на основе генеративно-состязательной сети. Он умеет заменять лица на фотографиях.

Нейросеть не просто заменяет лица на фото, но и сохраняет выражение лица, его цвет и другие характеристики. В ней можно заменять лица и на статуях, картинах, в кадрах из мультфильмов и скриншотах из видеоигр.

Чтобы обработать изображение, просто загрузите его или выберите подходящее из галереи сервиса. Там есть даже мемы и образы героев видеоигр, популярных мультфильмов. Потом выберите лица, которые хотите изменить, и выберите для каждого подходящее лицо из предложенных или загрузите свое изображение. Снимки получаются очень реалистичными.

В планах сервиса научить нейросеть не только заменять лица на фото, но и тела вместе с лицами на видео. А пока что он генерирует изображения с водяным знаком. Чтобы убрать его, зарегистрируйтесь и пригласите 5 друзей по реферальной ссылке. Тогда сможете скачивать готовые иллюстрации без вотермарок.

Let’s Enhance

Сервис работает на основе нейронных сетей, которые учатся восстанавливать детали, опираясь на данные о часто встречающихся текстурах и объектах. Он позволяет увеличить разрешение изображения в 4 раза без потери качества.

Недавно разработчики добавили возможность увеличения разрешения до 16 раз. Но это не единственная функция сервиса. Он может добавлять текстуры, улучшать цвета, делать иллюстрации более четкими и красивыми. Просто загрузите файл и выберите, что нужно с ним сделать.

Этот сервис можно использовать, чтобы запускать кампании в рекламных сетях, имеющих жесткие ограничения. Например, если сеть не позволяет загружать креативы размером менее 1000 px по ширине, можно использовать сервис для увеличения разрешения.

Ostagram

Нейросеть, судя по коду на GitHub, создана жителем Нижнего Новгорода Сергеем Моругиным. Она умеет раскрашивать изображения в цвета других иллюстраций.

Ostagram очень похожа на DeepArt и Instapainting, но у нее немного другой принцип работы. Она оформляет исходное изображение не в стиле выбранной картины, а в ее цветах. Чтобы начать обработку, нужно просто загрузить или выбрать исходник и изображение, откуда нужно взять цветовую гамму.

Основная версия сервиса бесплатна, в остальном он условно бесплатный. Без денег можно получать готовые иллюстрации в разрешении максимум 600 пикселей по длинной стороне. Но, во-первых, у нас есть Let’s Enhance, а во-вторых, можно оплатить услуги сервиса. Размер изображения в версии Premium – до 700 пикселей, в версии HD – до 1 200 пикселей.

Convolutional Network

Этот сервис создан учеными из Ноттингемского университета. В качестве основы они использовали сверхточную нейросеть, использующуюся для распознавания объектов. Сервис умеет делать 3D-модели лица на примере одного фото.

Чтобы начать обработку фото, достаточно сфотографироваться или загрузить нужное изображение и подтвердить, что вы не робот. Чтобы результат был нормальным, создатели нейросети рекомендуют выбирать фото крупным планом без лишних деталей.

Prisma

Приложение работает как обычный фоторедактор: позволяет применить к сделанным фотографиям разные стили. Нужно просто выбрать, в каком стиле хотите оформить изображение. Полученное фото можно скачать или поделиться им в социальных сетях.

Приложение условно бесплатное. Можно пользоваться им как обычным фоторедактором, но самые лучшие фильтры закрыты. Чтобы открыть доступ к ним, нужно купить подписку стоимостью 119 р./месяц. Помимо закрытых фильтров, она дает доступ к новым коллекциям стилей, обработке в HD и отключает рекламу в приложении.

FaceHero

Еще одно приложение, на этот раз для устройств Apple. Оно умеет делать анимированные 3D-аватары и многое другое на основе одной фотографии. Разработка и поддержка работы приложения лежит на плечах компании itSeez3D.

превращать обычные фотографии в трехмерные бюсты для аватара;
анимировать трехмерные бюсты: например, делать так, чтобы человек подмигивал или посылал воздушный поцелуй;
ставить ваш аватар на стол, пол или другую основу в режиме AR (дополненной реальности);
делать стикеры из аватаров и импортировать их в разные приложения и мессенджеры.

Чтобы начать обрабатывать снимок, достаточно загрузить его или сделать фото на камеру. Создатели сервиса рекомендуют делать фотографии в условиях хорошего освещения – так аватары и стикеры выглядят лучше. Когда выберете снимок, сможете сделать аватар, поделиться им с другом или создать свой набор стикеров.

Movavi

Программа для Windows от одноименной компании Movavi работает как обычный редактор и может восстанавливать старые фото. В ее основе тоже лежат алгоритмы нейронных сетей.

Помимо восстановления фото, программа может:

убирать лишние объекты со снимков;
делать иллюстрации более яркими;
менять цвет глаз и волос, применять макияж, удалять дефекты кожи на фото;
возвращать снимкам естественные цвета;
применять фильтры;
делать коллажи и многое другое.

Например, с помощью редактора можно готовить контент для Instagram или обрабатывать фото для сайта, чтобы они выглядели яркими и привлекали внимание пользователей.

Face App

Это десктопная программа и приложение для обработки фото. Ее создала компания Wireless Lab, руководителем которой выступает Ян Гончаров.

Face App стало очень популярным из-за возможности сделать человека на фото старым. Кроме того, приложение на основе нейросетей может:

добавить улыбку;
сделать человека на фото молодым;
добавить очки или бороду;
нанести макияж на фото;
поменять прическу;
наложить фильтры и многое другое.

По сути, это обычный фоторедактор, но с расширенным функционалом. В нем тоже есть возможность добавлять фильтры и эффекты, делать снимки размытыми и сразу публиковать их в социальных сетях или сохранять на телефон.

Может, вы тоже встречали интересные сервисы на основе нейросетей, которые могут создавать или обрабатывать изображения? Если да, поделитесь ссылками в комментариях.

А если вы не особо доверяете искусственному интеллекту, любите делать своими руками, и пока только учитесь дизайну и графике – обратите внимание на наш курс по Adobe Photoshop. За 6 занятий мы дадим основы работы с этим мощным и функциональным инструментом.

Нейросети кажутся людям чем-то очень сложным и запутанным, однако это вовсе не так. Простую нейросеть можно написать менее чем за час с нуля. В нашей статье мы создадим нейронную сеть прямого распространения (также называемую многослойным перцептроном), используя лишь массивы, циклы и условные операторы, а значит этот код легко можно будет перенести на любой язык программирования, предоставляющий эти возможности. А если язык предоставляет библиотеку для матричных и векторных вычислений (как, например, numpy в языке Python, то написание займёт ещё меньше времени).

Что такое нейросеть?

Согласно Википедии, искусственная нейронная сеть (ИНС) — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.

Более простыми словами, это некий чёрный ящик, который превращает входные данные в выходные, или, говоря более математическим языком, является отображением пространства входных признаков X в пространство выходных признаков Y: X → Y. То есть мы хотим найти какую-то функцию F, которая сможет выполнять это преобразование. Для начала этой информации нам будет достаточно. Для более подробного ознакомления рекомендуем ознакомиться с этой статьёй на хабре.

Коротко об искусственном нейроне

Чаще всего в подобных статьях начинают расписывать про устройство биологического нейрона, связь с его искусственной моделью и прочую лирику. Мы же этого делать не будем, а сразу перейдём к сути. Искусственный нейрон — это всего лишь взвешенная сумма значений входного вектора элементов, которая передаётся на нелинейную функцию активации f: z = f(y), где y = w₀·x₀ + w₁·x₁ + . + w_{m - 1}·x_{m - 1} . Здесь w₀, . w_{m - 1} — коэффициенты, веса каждого элемента вектора, x₀, . x_{m - 1} — значения входного вектора X, y — взвешенная сумма элементов X, а z — результат применения функции активации. Мы вернёмся к функции активации немного позднее, а пока давайте придумаем, как вместо одного выходного значения получить n.

Нейронный слой

Один нейрон способен входной вектор превратить в одну точку, однако по условию мы хотим получить несколько точек, так как выходной вектор Y может иметь произвольную размерность, определяемую лишь конкретной ситуацией (один выход для XOR, 10 выходов для определения принадлежности к одному из 10 классов и т.д.). Как же нам получить n точек, преобразуя элементы входного вектора X? Оказывается, всё довольно просто: для того, чтобы получить n выходных значений, необходимо использовать не один нейрон, а n. Тогда для каждого из элементов выходного вектора Y будет использовано ровно n различных взвешенных сумм от вектора X. То есть мы получаем, что z_i = f(y_i) = f(w_i0·x₀ + w_i1·x₁ + . + w_{im - 1}·x_{m - 1})

Если внимательно посмотреть, то оказывается, что написанная выше формула является определением умножения матрицы на вектор. И действительно, если взять матрицу W размера n на m и умножить её на вектор X размерности m, то получится другой вектор размерности n, то есть ровно то, что нам и нужно. Таким образом, получение выходного вектора по входному для n нейронов можно записать в более удобной матричной форме: Y = W·X , где W — матрица весовых коэффициентов, X — входной вектор и Y — выходной вектор. Однако полученный вектор является неактивированным состоянием (промежуточным, невыходным) всех нейронов, а чтобы получить выходное значение,, необходимо каждое неактивированное значение подать на вход функции активации. Результат её применения и будет выходным значением слоя.

Забегая вперёд скажем о том, что нередко используют последовательность нейронных слоёв для более глубокого обучения сети и большей формализации данных. Поэтому для получения итогового выходного вектора необходимо проделать описанную выше операцию несколько раз подряд от одного слоя к другому. Тогда для первого слоя входным вектором будет X, а для всех последующих входом будет являться выход предыдущего слоя. К примеру, сеть с 3 скрытыми слоями может выглядеть так:

Функция активации

Функция активации — это функция, которая добавляет в сеть нелинейность, благодаря чему нейроны могут довольно точно имитировать любую функцию. Наиболее распространёнными функциями активации являются:

Сигмоида: f(x) = 1 / (1 + e -x )
Гиперболический тангенс: f(x) = tanh(x)
ReLU: f(x) = max(x,0)

У каждой из них есть свои особенности, но об этом лучше почитать в другой статье.

Хватит бла бла, давайте писать код

Вектор (входные, выходные);
Матрица (каждый слой содержит матрицу весовых коэффициентов);
Нейросеть.

1. Вектор:

Вектор можно создавать из количества элементов (длины);
Вектор можно создавать из перечисления вещественных чисел;
Можно получать значения по индексу i.
Можно изменять значения по индексу i.

2. Матрица:

Матрицу можно создавать из числа строк, столбцов и генератора случайных чисел для заполнения случайными значениями;
Можно получать значения по индексам i и j;
Можно изменять значения по индексам i и j;

3. Сама нейросеть:

Сеть есть, но её ответы случайны. Как обучать?

На данный момент мы имеем случайную (необученную) нейронную сеть, которая может по входному вектору input выдать случайный ответ, однако нам требуется ответы, удовлетворяющие конкретной задаче. Чтобы добиться этого нашу сеть необходимо обучить. Для этого нам необходима база тренировочных примеров, то есть множество пар векторов X - Y, на которых будет обучаться сеть. Обучать нейросеть мы будем с помощью алгоритма обратного распространения ошибки. Если кратко, то он работает следующим образом:

Подать на вход сети обучающий пример (один входной вектор)
Распространить сигнал по сети вперёд (получить выход сети)
Вычислить ошибку (разница получившегося и ожидаемого векторов)
Распространить ошибку на предыдущие слои
Обновить весовые коэффициенты для уменьшения ошибки

Сам же алгоритм обучения выглядит так:

Обучаем нейронную сеть

Для обратного распространения ошибки нам потребуется знать значения входов, выходов и значения производных функции активации сети на каждом из слоёв, поэтому создадим структуру LayerT, в которой будет 3 вектора: x — вход слоя, z — выход слоя, df — производная функции активации. Также для каждого слоя потребуются векторы дельт, поэтому добавим в наш класс ещё и их. С учётом вышесказанного наш класс станет выглядеть так:

Обратное распространение ошибки

Перейдём к обратному распространению ошибки. В качестве функции оценки сети E(W) возьмём среднее квадратичное отклонение: E = 0.5 · Σ(y_1i - y_2i) 2 . Чтобы найти значение ошибки E, нам нужно найти сумму квадратов разности значений вектора, который выдала сеть в качестве ответа, и вектора, который мы ожидаем увидеть при обучении. Также нам потребуется найти дельту для каждого слоя, причём для последнего слоя она будет равна вектору разности полученного и ожидаемого векторов, умноженному (покомпонентно) на вектор значений производных последнего слоя: δ_last = (z_last - d)·f'_last , где z_last — выход последнего слоя сети, d — ожидаемый вектор сети, f'_last — вектор значений производной функции активации последнего слоя.

Теперь, зная дельту последнего слоя, мы можем найти дельты всех предыдущих слоёв. Для этого нужно умножить транспонированную матрицы текущего слоя на дельту текущего слоя и затем умножить полученный вектор на вектор производных функции активации предыдущего слоя: δ_k-1 = W T _k·δ_k·f'_k .

Что ж, давайте реализуем это в коде:

Изменение весов

Для того, чтобы уменьшить ошибку сети нужно изменить весовые коэффициенты каждого слоя. Как же именно нужно менять весовые коэффициенты матриц на каждом слое? Оказывается, всё довольно просто. Для этого используется метод градиентного спуска, а значит нам необходимо вычислить градиент по весам и сделать шаг в отрицательную сторону от этого градиента. На этапе прямого распространения мы зачем-то запоминали входные сигналы, а при обратном распространении ошибки мы вычисляли дельты в каждом слое. Именно их мы и будем сейчас использовать для нахождения градиента! Градиент по весам равен перемножению входного вектора и вектора дельт (не покомпонентно). Поэтому, чтобы обновить весовые коэффициенты и уменьшить тем самым ошибку сети нужно всего лишь вычесть из матрицы весов результат перемножения дельт и входных векторов, умноженный на скорость обучения. Это можно записать в таком виде: W_t+1 = W_t - η·δ·X , где W_t+1 — новая матрица весов, W_t — текущая матрица весов, X — входное значение слоя, δ — дельта этого слоя. Почему именно так с математической точки зрения хорошо описано в этой статье.

Обучение сети

Теперь, имея методы прямого распространения сигнала, обратного распространения ошибки и изменения весовых коэффициентов, нам остаётся лишь соединить всё вместе в один метод обучения.

Сеть готова. Давайте же её чему-нибудь научим!

Тренируем нейросеть на функции XOR

Почему функция XOR так интересна? Просто потому, что её невозможно получить одним нейроном: 0 ^ 0 = 0, 0 ^ 1 = 1, 1 ^ 0 = 1, 1 ^ 1 = 0. Однако она легко получается увеличением числа нейронов. Мы же попробуем выполнить обучение сети с 3 нейронами в скрытом слое и 1 выходным (так как выход у нас всего один). Для этого нам необходимо создать массив векторов X и Y с обучающими данными и саму нейросеть:

После чего запустим обучение со следующими параметрами: скорость обучения - 0.5, число эпох - 100000, величина ошибки - 1e-7:

После обучения посмотрим на результаты выполнив прямой проход для всех элементов:

В результате вывод может быть таким:

Проверять результаты на тренировочной же выборке довольно скучно, ведь как никак на ней мы сеть обучали, но, увы, для XOR проблемы ничего другого не остаётся. В качестве более серьёзного примера рекомендуем выполнить задачу распознавания картинок с рукописными цифрами MNIST. Это база содержит 60000 картинок написанных от руки цифр размером 28 на 28 пикселей и используется как один из основных датасетов для начала изучения машинного обучения. Не смотря на простоту нашей сети, при грамотном выборе параметров (число нейронов, число слоёв, скорость обучения, число эпох. ) можно получить точность распознавания до 98%! Проверить свою сеть вы можете, поучаствовав в соревновании на сайте Kaggle. Нашей команде удалось достичь точности в 98.171%! А вы сможете больше? :)

В заключение

Мы написали с вами нейронную сеть прямого распространения и даже обучили её функции XOR. При этом мы позаботились об универсальности, благодаря чему нейросеть может быть обучена на любых данных, главное только подготовить два массива обучающих векторов X и Y, подобрать параметры обучения и запустить само обучение, после чего наблюдать за процессом. Важно помнить, что при использовании сигмоидальной функции активации, выходные значения сети не будут превышать 1, а значит, для обучения данным, которые значительно больше 1 необходимо отнормировать их, то есть привести к отрезку [0, 1].

Выпускник МГУ им. М.В. Ломоносова

Выпускница МГТУ им. Н.Э. Баумана

Programforyou — это сообщество, в котором Вы можете подтянуть свои знания по программированию, узнать, как эффективно решать те или иные задачи, а также воспользоваться нашими онлайн сервисами.

Сервис предназначен для создания уникальных обоев для смартфона, но в соцсетях его применяют для иллюстраций к книгам, комиксам и диссертациям.

В 2021 году набрали популярность десятки разных программ и приложений, позволяющих при помощи нейросетей генерировать картинки с нуля по текстовому описанию или заданной тематике. В начале декабря в твиттере обратили внимание на очередной похожий сервис — нейросеть Dream.

В отличие от других программ, результат генерации Dream кажется более абстрактным, зато выделяется за счёт доступного интерфейса, скорости обработки запроса и набора из 11 стилей: пастель, фэнтези, мистика, стимпанк и другие. Эти опции позволяют получить визуально красивый образ, даже если искусственный интеллект не смог точно воспроизвести запрос.

Формат изображения выбрать нельзя — генерируется только вертикальный прямоугольник, подходящий под экраны смартфонов. Сервис доступен не только в браузере, но и в виде приложения на Android и iOS, что позволяет быстро создавать уникальные обои прямо на устройстве.

Из-за доступности сервиса в твиттере не только стали тестировать его работу на собственных запросах, но и устроили полноценные флешмобы, в которых визуализировали ники, описания профилей, мемы или темы своих докторских диссертаций.

Подборка из 14 нейросетей для онлайн работы с фотографиями, видео, DeepFake и картинками.

Stickermulе

Бесплатная нейросеть для работы с картинками. Изначально сервис предназначен для заказа наклеек и прочей атрибутики, но предлагает набор хороших инструментов для подготовки графики.

Trace

Инструмент для удаления фона изображений.

Upscale

Нейросеть для увеличения разрешения изображения без потери качества.

Studio

Простой редактор, позволяющий слепить несложные креативы онлайн.

Redraw

Нейросеть для конвертации растровых изображений в высококачественный векторный формат.

Cleanup.pictures

Удаление любых объектов, людей, текста с фотографий.

Remove.bg

Нейросеть для мгновенного удаления фона с любых изображений. Процесс полностью автоматический.

Designify

Новая нейросеть от remove.bg, которая создает автоматические дизайны из любого изображения на основе искусственного интеллекта, автоматически удаляя фон, улучшая цвета, настраивая умные тени и многое другое.

Unscreen

Еще одна нейросеть от авторов remove.bg. Нейросеть позволяет удалить и замена фона у видео и gif файлов.

Benzin.io

Бесплатная нейросеть для удаления фона с фотографий.

ruDALL-E

Опишите словами, картинку которую хотите получить и нейросеть сгенерирует ее.

Примеры

Примеры полученных картинок:

GauGAN2

Графический редактор с функциями нейросети и машинного обучения. Умеет создавать максимально реалистичные изображения ландшафта, которых в реальности не существует. Для этого достаточно лишь описать словами, что нужно получить на изображении или схематически нарисовать расположение элементов.

ThisPersonDoesnotExist

Нейросеть для генерации лиц людей. При каждом обновлении страницы генерирует лица несуществующих людей. Подходит для аватарок и генерации шуточных документов.

Generated.photos

Сервис генерации лиц по заданным параметрам.

ObstructionRemoval

Убирает помехи, блики и прочие некрасивости с фотографий.

RoundDF – DeepFake видео

Бот который с помочью нейросети создает из фотографий DeepFake видео или анимирует фото лица. Отлично подходит для создания видеокреативов.

Downloader.la

Сервис для бесплатного скачивания изображений с различных платных фотостоков и не только.

GetPaidStock

Еще один сервис для бесплатного скачивания изображений с платных фотостоков.

Если знаете другие аналогичные сервисы пишите в комментариях. Годные варианты добавим в подборку

Читайте также: