нейросеть раздеть: история технологии

Технология нейросетей-раздевалок прошла за несколько лет путь от грубых экспериментов до продуктов, которыми пользуются миллионы людей. Это история о том, как генеративный ИИ изменил возможное — и как индустрия адаптировалась к этим изменениям.

предыстория: GANы и первые генераторы изображений (2014–2018)

Чтобы понять происхождение современных нейросетей-раздевалок, нужно вернуться к 2014 году — когда Иэн Гудфеллоу опубликовал работу о генеративно-состязательных сетях (GAN, Generative Adversarial Network). Идея GAN — тренировать два нейросетевых компонента одновременно: генератор (создаёт изображения) и дискриминатор (отличает настоящее от поддельного). Они «соревнуются» друг с другом, и в результате генератор учится создавать всё более реалистичные изображения.

К 2016–2018 годам GANы достигли впечатляющих результатов в генерации лиц — появились системы, способные создавать фотореалистичные портреты несуществующих людей. Эти возможности быстро нашли применение в самых разных областях, включая создание контента для взрослых.

Первые попытки использовать GANы для «раздевания» фотографий относятся к 2018–2019 годам. Результаты были далеки от совершенства: размытые текстуры, анатомические ошибки, нереалистичные переходы. Тем не менее, сам принцип работал — нейросеть могла изменить изображение одетого человека, создав синтетическую версию без одежды.

2019 год: первая волна популярности и скандалы

В 2019 году появилось несколько приложений, которые использовали GAN-технологию для автоматического «раздевания» фотографий. Они быстро стали вирусными — и столь же быстро вызвали волну общественного осуждения. Критика была обоснованной: приложения не имели механизмов защиты от злоупотреблений, не верифицировали возраст пользователей и не требовали согласия изображённых людей.

Большинство платформ заблокировали эти приложения в течение нескольких недель после вирусного распространения. Apple и Google удалили их из магазинов. Это был важный урок для индустрии: технология, выпущенная без механизмов безопасности, неизбежно вызывает регуляторную реакцию.

Качество первого поколения инструментов было невысоким: текстуры размытые, анатомия часто неверная, артефакты на границах очевидны. Тем не менее, интерес аудитории показал огромный потенциальный спрос на подобные инструменты при условии их легитимного оформления.

2020–2021: технический прогресс и уход в андеграунд

После первой волны блокировок легальная разработка в этой нише существенно замедлилась. Однако технологический прогресс не останавливался. Параллельно развивалось несколько направлений, которые косвенно улучшали качество будущих инструментов.

StyleGAN2 и StyleGAN3 от NVIDIA значительно улучшили реализм генерации тела и кожи. VQVAE и другие архитектуры разработали лучшие методы кодирования и декодирования изображений. Работы по semantic segmentation улучшили точность выделения объектов на фотографиях — что напрямую улучшало качество масок для inpainting.

В этот период большинство разработок ушло в закрытые сообщества и частные проекты. Открытое обсуждение и монетизация таких инструментов стали проблематичными из-за общественного контекста вокруг темы.

2022: диффузионная революция

2022 год стал поворотным для всей индустрии генеративного ИИ. Публичный выпуск Stable Diffusion в августе 2022 года изменил всё. Впервые мощная диффузионная модель стала доступна широкой публике — с открытым кодом и возможностью запуска на потребительском железе (достаточно было видеокарты с 6–8 ГБ памяти).

Stable Diffusion изначально обучалась на миллиардах пар «изображение — текст» и умела генерировать изображения по текстовому описанию. Но открытость архитектуры позволила сообществу быстро адаптировать её под специфические задачи — в том числе для inpainting с заменой одежды.

Качественный скачок был колоссальным по сравнению с GAN-эрой. Диффузионные модели генерировали значительно более реалистичную текстуру кожи, лучше сохраняли анатомию и давали более чистые переходы на границах маски. Профессионалы отрасли были поражены разницей.

2022–2023: появление ControlNet и следующий уровень точности

Если Stable Diffusion дала качество, то ControlNet, опубликованный в начале 2023 года, дал контроль. До ControlNet диффузионная модель при inpainting могла «потерять» позу — сгенерировать тело в другом положении, чем на оригинале. ControlNet добавил возможность передавать в модель жёсткие структурные условия: скелет позы, карту глубины, карту рёбер объектов.

Для нейросетей-раздевалок это стало критически важным улучшением. Теперь поза на сгенерированном изображении стабильно совпадала с позой на оригинале. Анатомические ошибки, связанные с неправильным положением конечностей, стали редкостью, а не нормой.

Комбинация Stable Diffusion + ControlNet + специализированные чекпоинты (fine-tuned модели) дала инструментарий, который позволил создавать легитимные продукты для взрослой аудитории с надлежащими механизмами безопасности.

2023–2024: коммерциализация и легализация ниши

На волне диффузионной революции появилось новое поколение сервисов — не анонимных андеграундных проектов, а полноценных коммерческих продуктов с чёткой бизнес-моделью. Эти сервисы с самого начала строились с учётом регуляторных требований: верификация возраста 18+, явный запрет на несогласованное использование реальных людей, политика конфиденциальности, соответствующая GDPR.

Telegram-боты стали популярной формой дистрибуции. Преимущества очевидны: мессенджер с огромной базой пользователей, удобный интерфейс без необходимости отдельной регистрации, встроенные механизмы оплаты через Telegram Stars, возможность работы без собственного веб-сайта. Именно в этот период undress.lab вышел в публичный доступ.

Качество продолжало расти. Появились специализированные чекпоинты, обученные именно на задаче замены одежды, а не на общей генерации. Использование LORA (Low-Rank Adaptation) позволило создавать лёгкие дополнения к базовым моделям, улучшающие качество для конкретных типов тела и освещения.

2024–2025: диффузионные трансформеры и следующий качественный скачок

Следующей технологической вехой стало появление DiT — Diffusion Transformers. Если классические диффузионные модели строились на архитектуре U-Net (позаимствованной из медицинской сегментации изображений), то DiT использует архитектуру Transformer — ту же, что лежит в основе современных языковых моделей.

Transformer-архитектура лучше улавливает глобальные связи в изображении. Это означает, что модель «понимает» соотношение разных частей тела на всём изображении, а не только в локальном контексте вокруг обрабатываемой области. Результат: значительно лучшая анатомическая согласованность и меньше «фантастических» деталей.

Параллельно развивались методы дистилляции моделей — уменьшения их размера без потери качества. Это позволило снизить требования к вычислительным ресурсам и ускорить генерацию, не жертвуя реализмом.

2026: текущее состояние технологии

К 2026 году технология нейросетей-раздевалок достигла уровня зрелости. Несколько характеристик определяют современное состояние отрасли.

Качество генерации: при хороших входных данных результат неотличим от профессиональной ретуши на взгляд неспециалиста. Текстура кожи, анатомия, соответствие освещению — всё это на уровне, недостижимом ещё три года назад. Скорость: стандартная генерация занимает секунды, а не минуты, благодаря оптимизированным семплерам и специализированному железу. Доступность: через telegram-ботов инструмент доступен любому человеку со смартфоном. Безопасность: ведущие платформы имеют многоуровневые системы защиты, включая автоматическое определение возраста, мониторинг контента и механизмы жалоб.

Регуляторная среда продолжает развиваться. В разных странах принимаются законы, требующие маркировки синтетического контента и защищающие от несанкционированного создания изображений реальных людей. Платформы, которые соблюдают эти требования, работают в правовом поле. Те, кто игнорирует их, всё чаще сталкиваются с последствиями.

что будет дальше

Технологический прогресс в генеративном ИИ не замедляется. Несколько направлений, которые повлияют на инструменты следующего поколения: видеогенерация — переход от обработки одиночных фото к обработке коротких видео; ещё более точный контроль через улучшенные версии ControlNet и новые типы управляющих сигналов; персонализация — fine-tuning под конкретные эстетические предпочтения пользователя с минимальными вычислительными затратами; клиентская обработка — запуск лёгких версий моделей прямо на устройстве пользователя без отправки данных на серверы.

Undress.lab продолжает следить за технологическими трендами и регулярно обновляет базовые модели. Пользователи, зарегистрировавшиеся сегодня, автоматически получат доступ к улучшениям по мере их выхода.