Разница в точности рендеринга между датасетом с плоским освещением и правильно выстроенным световым контрастом достигает 30-40% по метрике визуального сходства (FID). Ошибки в экспозиции исходников приводят к тому, что нейросеть «запекает» свет в текстуру, лишая модель гибкости при смене освещения в промптах.
Проблема «запеченного» света в датасетах
Основная ошибка новичков — использование изображений с жестким направленным светом (Hard Light) без вариативности. Если 80% вашего датасета для LoRA содержит свет строго слева, модель будет генерировать блики слева даже при запросе «освещение сзади». Это происходит из-за того, что нейросеть путает геометрию объекта с его световым рисунком.
Кейс: при обучении персонажа на 50 фото с одинаковым студийным светом, попытка изменить время суток в генерации приводила к артефактам на лице в 60% случаев. Решение — смещение пропорции датасета до 40% мягкого света (Soft Light) и 30% контрового света, что восстановило гибкость рендеринга.
Экспертный вывод: Избегайте однотипного освещения. Для полноценного обучения требуется минимум 3 разных световых схемы, иначе вы получите статичную «картонку» вместо живого объекта.
Динамический диапазон и потеря деталей в тенях
Нейросети крайне чувствительны к уровню черного. Изображения с «проваленными» тенями (Black Crush), где детализация в темных зонах падает до 0-5% по гистограмме, создают шум при апскейлинге. Модель пытается «додумать» содержимое черных пятен, что приводит к появлению грязи и неестественных пятен на итоговом рендере.
Оптимальный диапазон яркости для обучающих выборок — от 15% до 85% по шкале яркости. Пересвеченные области (Clipping) выше 95% одинаково вредны: они стирают информацию о текстуре кожи или ткани, заменяя её белым шумом. Это напрямую влияет на то, как будет работать разметка и аннотирование изображений для нейросетей, так как теги «detailed skin» игнорируются в зонах пересвета.
Экспертный вывод: Используйте RAW-конвертацию с вытягиванием теней. Лучше иметь чуть более плоское изображение с деталями, чем контрастный кадр с «дырами» в данных.
Влияние цветовой температуры на точность генерации
Смешение цветовых температур (например, холодный дневной свет из окна и теплый свет лампы в одном кадре) сбивает модель с толку при определении материалов. Нейросеть начинает воспринимать теплый оттенок как цвет самого объекта, а не как влияние источника света. В итоге при генерации в «холодном» окружении объект меняет свой базовый цвет.
Статистически, датасеты с единой цветовой температурой (отклонение не более 500K) показывают на 20% более стабильный результат при смене стилей. Пример: при обучении архитектурного объекта смешение 3000K и 5500K в исходниках привело к тому, что стены здания в генерациях постоянно «переливались» между бежевым и серым.
Экспертный вывод: Приводите все изображения к единому белому балансу перед подачей в обучение. Это отделяет цвет материала от цвета освещения.
Контрастность и влияние на глубину кадра
Низкий контраст (Flat Lighting) делает объект плоским, из-за чего нейросеть плохо понимает объем и окклюзию (взаимное перекрытие объектов). Однако чрезмерный контраст создает ложные границы, которые модель интерпретирует как физические разломы или швы. Идеальный баланс — умеренный глобальный контраст с акцентированными локальными тенями.
Сравнение: датасет с мягким рассеянным светом требует в 2 раза больше итераций обучения для достижения объема, чем датасет с четким светотеневым рисунком. Но второй вариант чаще дает ошибки в виде черных полос на стыках. Это критический момент, когда архитектура идеального датасета для обучения LoRA и Checkpoint должна учитывать баланс между объемом и чистотой границ.
Экспертный вывод: Используйте схему «основной свет + заполняющий». Это дает модели достаточно данных о форме, не создавая при этом критических темных зон.
Вывод
Для достижения фотореализма забудьте о случайном подборе картинок. Идеальный световой профиль датасета: 40% мягкого рассеянного света, 30% направленного контрастного и 30% контрового/акцентного. Избегайте пересветов (>95%) и глубоких теней (<5%). Начинайте с нормализации белого баланса и выравнивания экспозиции через пакетную обработку. Мой вердикт: техническое качество света в исходниках важнее, чем количество изображений; 20 кадров с правильным светом дадут результат лучше, чем 200 случайных снимков с «запеченным» освещением.