бот раздеватор: segmentation и inpainting

Большинство пользователей воспринимают бот раздеватор как чёрный ящик: загрузил фото — получил результат. Это работает, но понимание технологии внутри даёт практическое преимущество: ты начинаешь понимать, почему одни фотографии обрабатываются идеально, а другие — с артефактами. И главное — как это исправить.

Под капотом бота работает многоступенчатый пайплайн, который объединяет несколько направлений компьютерного зрения: семантическую сегментацию, pose estimation, построение масок и наконец inpainting через диффузионную модель. Разберём каждый этап.

Этап первый: предобработка изображения

Когда ты отправляешь фото в бот, первое что происходит — нормализация изображения. Алгоритм приводит картинку к стандартному внутреннему формату: корректирует цветовые каналы, убирает EXIF-метаданные и масштабирует изображение до рабочего разрешения.

На этом этапе важно вот что: если ты отправил фото через стандартный Telegram-сжим (не как файл), изображение уже потеряло часть информации. Алгоритм нормализации не восстанавливает утраченные детали — он работает с тем, что пришло. Поэтому правило «отправляй как файл» имеет прямое техническое обоснование.

После нормализации запускается детектор людей — лёгкая свёрточная сеть, которая определяет, есть ли на фото человеческая фигура и где именно она находится. Если детектор не нашёл фигуру (например, на фото только лицо крупным планом без тела), дальнейшая обработка останавливается и бот возвращает ошибку.

Этап второй: семантическая сегментация тела

Сегментация — это процесс разбиения изображения на семантические области. Для бота раздеватора ключевая задача — определить границу между телом человека и одеждой с точностью до пикселя.

Используется специализированная архитектура на базе трансформеров с энкодером типа ViT (Vision Transformer) и декодером, который генерирует попиксельную маску. Модель обучена различать несколько десятков классов: кожа, волосы, верхняя одежда, нижняя одежда, обувь, аксессуары и фон.

Результат этого этапа — набор масок. Каждая маска — это бинарное изображение того же размера, что и оригинал, где белые пиксели означают «здесь этот класс», а чёрные — «здесь нет». Маска одежды, наложенная на оригинальное фото, точно показывает, где находится одежда и где заканчивается кожа.

Именно на этом этапе сложные случаи начинают давать сбои. Полупрозрачная одежда, ткань телесного цвета, сложные узоры — всё это усложняет сегментацию. Модель иногда ошибается в определении границ, что потом отражается на финальном результате.

Этап третий: pose estimation

Параллельно с сегментацией запускается алгоритм pose estimation — оценки позы тела. Он определяет положение ключевых точек скелета: суставов, конечностей, линии позвоночника. Это необходимо для того, чтобы финальный результат соответствовал анатомическим пропорциям конкретной позы человека на фото.

Без pose estimation генеративная модель не знает, под каким углом согнута рука, как расположены ноги, каков наклон корпуса. Результат получался бы анатомически некорректным — именно это характерно для старых версий алгоритмов, которые не использовали pose conditioning.

В современных версиях пайплайна данные о позе передаются в диффузионную модель как дополнительное условие (conditioning). Это принципиально повышает реалистичность результата: сгенерированные детали точно соответствуют позиции тела.

Этап четвёртый: построение маски для inpainting

К этому моменту алгоритм знает, где находится одежда (маска сегментации) и как расположено тело (данные позы). Следующий шаг — построить маску для inpainting: точно определить, какую область изображения нужно «перерисовать».

Маска для inpainting — это не просто маска одежды. Алгоритм расширяет её с учётом нескольких факторов:

• Небольшой отступ от границы одежды, чтобы перекрыть возможные артефакты
• Области частичного перекрытия, где одежда частично закрывает тело
• Переходные зоны — края, где одежда граничит с открытой кожей

Качество маски напрямую определяет качество финального результата. Если маска неточно обрезает одежду, в итоге либо остаются «остатки» ткани, либо исчезают части тела. Это одна из основных причин артефактов в конечных изображениях.

Этап пятый: inpainting через диффузионную модель

Это самый вычислительно сложный и технически интересный этап. Inpainting — задача «дорисовывания» изображения в заданной области с учётом контекста.

Алгоритм использует архитектуру latent diffusion model (LDM). Принцип работы: изображение кодируется в сжатое латентное пространство, затем в области маски добавляется шум (прямой диффузионный процесс), а потом нейросеть итеративно удаляет этот шум, восстанавливая изображение — но уже без одежды (обратный диффузионный процесс).

Ключевое отличие от простой генерации: модель «видит» всё оригинальное изображение за пределами маски. Это означает, что генерация происходит с учётом освещения, цветовой температуры, текстуры кожи и анатомии конкретного человека на фото. Именно поэтому хорошие фото с равномерным освещением дают лучший результат — у модели больше корректного контекста.

Количество шагов диффузии влияет на качество и скорость. Стандартный режим использует 20–30 шагов — быстро, но с потенциальными артефактами. HD-режим использует 50+ шагов с дополнительным upscaling — значительно лучше, но медленнее.

Почему освещение так важно

Диффузионная модель при inpainting опирается на контекст вокруг маски для определения освещённости генерируемой области. Если освещение на исходном фото неравномерное — яркое с одной стороны и тёмное с другой — модель пытается интерполировать это в маскированной зоне, что часто приводит к некорректному результату.

Равномерное рассеянное освещение (пасмурный день, студийный свет) — идеальные условия. Жёсткий точечный свет с резкими тенями — худший сценарий. Это не баг, а фундаментальное ограничение метода.

Что происходит в HD-режиме

HD-режим добавляет к стандартному пайплайну несколько дополнительных шагов. После основного inpainting запускается алгоритм super-resolution, который увеличивает разрешение обработанной области в 2–4 раза с сохранением деталей. Затем применяется face enhancement — коррекция лица, которое могло потерять резкость при генерации.

Финальный шаг HD-режима — seamless blending: плавное совмещение сгенерированной области с оригинальными частями изображения. Это убирает заметные границы на стыке и делает результат более однородным.

Технические ограничения и как с ними работать

Понимание пайплайна объясняет практические ограничения инструмента. Сложные позы с частичным самоперекрытием (человек обнимает себя, сложенные руки перед телом) создают проблему для сегментации: алгоритм теряет точную границу между конечностями и туловищем.

Многослойная одежда — пальто поверх пиджака поверх рубашки — требует от сегментатора определить все три слоя и их границы. Ошибка в любом слое распространяется дальше по пайплайну.

Лучшие результаты — простая одежда (футболка, платье), фронтальный ракурс, равномерное освещение, высокое разрешение. Это не случайность: именно такие условия дают максимально точную сегментацию и богатый контекст для inpainting.

Когда в следующий раз будешь выбирать фото для обработки, вспомни этот пайплайн. Хорошее исходное изображение — это не просто удобство, это буквально лучший вход данных для каждого из пяти этапов алгоритма.