Загрузка и валидация
Сначала браузер готовит предпросмотр, а сервер получает изображение и проверяет формат, размер и техническую корректность файла. Так в обработку не попадают пустые, битые или неподходящие изображения.
Снаружи это выглядит как загрузка одной фотографии. Внутри у изображения есть понятный путь: проверка файла, временное хранение, очередь, GPU-воркер, генерация и сохранение результата в истории. Ниже рассказываем этот путь человеческим языком, без ощущения, что вы открыли учебник по нейросетям с середины главы.
От загрузки до результата
В реальном сервисе генерация живёт как задача со статусами: после принятия фото создаётся запись, списываются кредиты, задача попадает в очередь, воркер забирает её в обработку и возвращает результат в историю аккаунта.
Сначала браузер готовит предпросмотр, а сервер получает изображение и проверяет формат, размер и техническую корректность файла. Так в обработку не попадают пустые, битые или неподходящие изображения.
Перед обработкой задача проходит проверки, связанные с возрастными ограничениями, согласием, запрещенными сценариями и техническими лимитами.
Задача получает идентификатор и статус Queued. Воркер выбирает следующую задачу, переводит её в Processing и начинает обработку. Если инфраструктура временно недоступна, задача возвращается в очередь, а не пропадает.
Воркер берёт исходник из временного хранилища и отправляет его в генеративный пайплайн. Там фото превращается в числовые карты признаков: контуры, свет, поза, текстуры и композиция становятся данными, с которыми может работать модель.
Выбранный уровень качества влияет на количество шагов генерации. Каждый шаг — это небольшое уточнение: модель постепенно убирает неопределённость, согласует детали и подводит внутреннее представление к готовой картинке.
Когда генеративный пайплайн отдаёт изображение, сервис сохраняет результат, отмечает задачу как Done и показывает готовый файл в истории аккаунта.
AI-часть процесса
После очереди начинается самая интересная часть: фото попадает в image-to-image workflow. Модель не «смотрит» на JPEG как человек и не перерисовывает его вручную. Она переводит изображение в компактное внутреннее представление, постепенно уточняет его шаг за шагом, а затем собирает обратно в обычную картинку.
Модель не знает, что было за закрытыми областями или вне кадра. Она строит вероятный визуальный результат по видимым признакам: позе, свету, контурам, композиции и обученным закономерностям. Поэтому хороший исходник важнее любого «магического» режима.
Тензор — это многомерная таблица чисел. В изображениях такими числами можно описывать не только пиксели, но и признаки: границы, свет, цветовые переходы, глубину и связи между областями кадра.
Latent space — это сжатое внутреннее представление картинки. Модель работает не с каждым пикселем напрямую, а с более компактной картой признаков; в конце декодер превращает её обратно в изображение.
Генерация идёт не одним рывком. На каждом шаге модель уточняет внутреннее представление: снижает шум, согласует форму, свет и детали. Больше шагов обычно даёт больше пространства для уточнения, но требует больше ресурсов.
В DejaNu уровень качества связан с числом шагов генерации и затратами вычислений. Более высокий уровень может улучшить стабильность, но он не исправляет полностью плохой свет, сильный блюр или неудачное кадрирование.
LoRA не хранит готовые результаты и не заменяет базовую модель. Это небольшая low-rank адаптация весов: она мягко меняет поведение модели в нужной визуальной области, как дополнительная настройка поверх основного движка.
После генерации результат проходит финальную подготовку: сохранение, привязка к аккаунту, статусы и выдача пользователю через историю.
Качество на входе
Генерация не является восстановлением скрытой реальности. Модель создает вероятную визуальную интерпретацию на основе входного изображения, поэтому свет, поза, резкость и кадрирование напрямую влияют на стабильность результата.
Сильный блюр и сжатие мешают модели понимать границы и мелкие детали.
Ровное освещение помогает сохранить объем, кожу, тени и естественный контраст.
Чем понятнее поза и силуэт, тем меньше неоднозначности при генерации.
Обрезанные части тела, закрытые участки и сложные ракурсы повышают риск артефактов.
Фото с несколькими людьми или перекрывающимися объектами сложнее обрабатывать стабильно.
Повышенный уровень добавляет вычислительный запас, но результат все равно зависит от исходника.
Приватность и безопасность
Загруженные изображения и результаты доступны в аккаунте пользователя. Материалы можно удалить вручную из истории, а старые файлы удаляются по правилам хранения. DejaNu также использует правила безопасности для взрослого контента и запрещенных сценариев.
Коротко
Нет. AI не знает, что было за кадром или под закрытыми областями. Он создает вероятный результат на основе видимых признаков, обученных закономерностей и выбранных настроек качества.
Генеративные модели используют вероятностный процесс. Даже при одинаковом фото небольшие различия в шуме, очереди, ресурсах и настройках могут менять детали результата.
LoRA слегка меняет поведение базовой модели через небольшие дополнительные веса. Это помогает модели увереннее работать с определёнными визуальными признаками, но не делает результат гарантированным и не заменяет качество исходной фотографии.
Сервис применяет правила безопасности и технические ограничения. Некоторые изображения не подходят по содержанию, качеству, формату или сценарию использования.
Да. Материалы можно удалить из истории аккаунта, а старые файлы также удаляются по правилам хранения.
Демо до и после доступны на главной странице. Можно сначала посмотреть примеры, затем загрузить свое фото и выбрать качество генерации.