<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>Архивы классификация картинок llm - ИИ_ХАБ от NP</title>
	<atom:link href="https://pandeon.pro/tag/%d0%ba%d0%bb%d0%b0%d1%81%d1%81%d0%b8%d1%84%d0%b8%d0%ba%d0%b0%d1%86%d0%b8%d1%8f-%d0%ba%d0%b0%d1%80%d1%82%d0%b8%d0%bd%d0%be%d0%ba-llm/feed/" rel="self" type="application/rss+xml" />
	<link>https://pandeon.pro/tag/классификация-картинок-llm/</link>
	<description>Работа с нейросетями, ИИ промпты</description>
	<lastBuildDate>Sun, 07 Jun 2026 04:12:31 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.12</generator>

<image>
	<url>https://pandeon.pro/wp-content/uploads/2026/01/cropped-image-26.webp</url>
	<title>Архивы классификация картинок llm - ИИ_ХАБ от NP</title>
	<link>https://pandeon.pro/tag/классификация-картинок-llm/</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Как нейросеть понимает разницу между фото и рисунком?</title>
		<link>https://pandeon.pro/kak-ii-razlichaet-foto-i-risunok/</link>
					<comments>https://pandeon.pro/kak-ii-razlichaet-foto-i-risunok/?sort=new#respond</comments>
		
		<dc:creator><![CDATA[ИИшница]]></dc:creator>
		<pubDate>Sun, 07 Jun 2026 05:30:04 +0000</pubDate>
				<category><![CDATA[Понятно про ИИ]]></category>
		<category><![CDATA[анализ изображений]]></category>
		<category><![CDATA[классификация картинок llm]]></category>
		<category><![CDATA[компьютерное зрение ии]]></category>
		<category><![CDATA[мультимодальные модели]]></category>
		<category><![CDATA[распознавание фото и графики]]></category>
		<guid isPermaLink="false">https://pandeon.pro/?p=2513</guid>

					<description><![CDATA[<p>Нейросеть не ищет один признак, который всегда отделяет фото от рисунка. Она оценивает сразу много признаков и смотрит&#8230;</p>
<p>Сообщение <a href="https://pandeon.pro/kak-ii-razlichaet-foto-i-risunok/">Как нейросеть понимает разницу между фото и рисунком?</a> появились сначала на <a href="https://pandeon.pro">ИИ_ХАБ от NP</a>.</p>
]]></description>
										<content:encoded><![CDATA[<p>Нейросеть не ищет один признак, который всегда отделяет фото от рисунка. Она оценивает сразу много признаков и смотрит на их сочетание.</p>
<p>Это важно, потому что один и тот же признак сам по себе ненадежен. Например, у фото может быть сильная обработка, а у рисунка &#8212; очень реалистичная фактура. Но когда модель видит сразу много сигналов, картина становится устойчивее.</p>
<h3>Какие признаки чаще говорят о фото</h3>
<ul>
<li>Сложные и неровные текстуры, похожие на реальные поверхности</li>
<li>Естественные шумы камеры, оптики и освещения</li>
<li>Мягкие, но не идеально гладкие переходы цвета</li>
<li>Мелкие случайные детали, которые трудно специально стилизовать одинаково по всему кадру</li>
<li>Физически правдоподобные тени, отражения и глубина резкости</li>
</ul>
<h3>Какие признаки чаще говорят о рисунке</h3>
<ul>
<li>Упрощенные или намеренно подчеркнутые контуры</li>
<li>Ровные заливки и более «чистые» цветовые области</li>
<li>Следы техники: мазки, штриховка, пиксель-арт, векторная гладкость</li>
<li>Стилизация формы и цвета вместо буквальной передачи сцены</li>
<li>Повторяющаяся логика линий и упрощений, характерная для конкретного художественного подхода</li>
</ul>
<h2>Как модель учится это видеть</h2>
<p>Нейросеть обучают на большом наборе изображений, где уже известно, что считается фото, а что рисунком. Во время обучения она много раз пытается угадать класс изображения, ошибается и понемногу перестраивает внутренние связи так, чтобы в следующий раз угадывать точнее.</p>
<p>В этом процессе она не получает человеческое объяснение вроде «<em>если видишь мазки, значит это живопись</em>». Она сама находит статистически полезные различия. Если определенная комбинация признаков часто встречается у рисунков, модель начинает сильнее учитывать именно ее.</p>
<p><i>Проще:</i> нейросеть как будто собирает внутреннюю карту. На одной ее части скапливаются изображения с признаками фото, на другой &#8212; изображения с признаками рисунков. Новую картинку она сравнивает с этой картой и решает, к чему она ближе.</p>
<h2>Как простые признаки складываются в решение</h2>
<p>Полезно представить это как многоступенчатую проверку.</p>
<ul>
<li>Сначала модель замечает базовые структуры: линии, углы, пятна, границы</li>
<li>Потом проверяет, как устроены поверхности, переходы цвета и мелкие детали</li>
<li>Дальше сопоставляет это с более сложными шаблонами: «<em>похоже на мазки</em>», «<em>похоже на цифровую заливку</em>», «<em>похоже на фотошум</em>», «<em>похоже на оптическое размытие</em>»</li>
<li>В конце складывает все сигналы в общую оценку вероятности</li>
</ul>
<p>То есть решение возникает не в одной точке. Это итог накопления многих слабых и средних сигналов.</p>
<table>
<tbody>
<tr>
<td><b>Шаг</b></td>
<td><b>Что делает модель</b></td>
<td><b>Зачем это нужно</b></td>
</tr>
<tr>
<td>1</td>
<td>Выделяет простые визуальные элементы</td>
<td>Понять базовую структуру изображения</td>
</tr>
<tr>
<td>2</td>
<td>Собирает из них более сложные признаки</td>
<td>Увидеть фактуру, стиль и способ визуальной организации</td>
</tr>
<tr>
<td>3</td>
<td>Сравнивает сочетание признаков с примерами из обучения</td>
<td>Оценить, на что изображение похоже сильнее</td>
</tr>
<tr>
<td>4</td>
<td>Выдает вероятность класса</td>
<td>Принять итоговое решение</td>
</tr>
</tbody>
</table>
<h2>Чем это похоже на человеческое восприятие, а чем нет</h2>
<p>Похоже в одном: и человек, и нейросеть опираются на признаки. Мы тоже замечаем линии, фактуры, материал, глубину, свет и стилизацию, просто обычно не проговариваем это по шагам.</p>
<p>Но есть важное отличие. Человек может рассуждать поверх изображения: «<em>это похоже на пленочную фотографию</em>», «<em>здесь перспектива слишком идеальна для рисунка</em>», «<em>такой мазок характерен для цифровой кисти</em>». Нейросеть в типичном классификаторе не рассуждает словами. Она вычисляет сходство паттернов.</p>
<p>Из-за этого модель может увидеть полезный сигнал там, где человек его не замечает, и наоборот &#8212; пропустить вещь, которая для человека очевидна по контексту.</p>
<h2>Что изменилось с появлением генеративных изображений</h2>
<p>Раньше граница между фото и рисунком в среднем была заметнее. Теперь изображения, созданные ИИ, часто смешивают свойства обоих миров: фотореалистичный свет и текстуры сочетаются с неестественной геометрией, странними деталями или слишком «идеальной» поверхностью.</p>
<p>Поэтому задача стала сложнее. Модели уже недостаточно различать только «<em>реальное фото</em>» и «<em>явный рисунок</em>». Им приходится работать с более запутанной шкалой:</p>
<ul>
<li>Обычное фото</li>
<li>Фото после обработки</li>
<li>3D-рендер</li>
<li>Цифровая иллюстрация</li>
<li>Скан традиционного рисунка</li>
<li>Изображение, сгенерированное ИИ</li>
<li>Гибридные варианты</li>
</ul>
<p>Чем больше таких промежуточных случаев, тем важнее не один яркий признак, а общая конфигурация многих сигналов сразу.</p>
<p>Сообщение <a href="https://pandeon.pro/kak-ii-razlichaet-foto-i-risunok/">Как нейросеть понимает разницу между фото и рисунком?</a> появились сначала на <a href="https://pandeon.pro">ИИ_ХАБ от NP</a>.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://pandeon.pro/kak-ii-razlichaet-foto-i-risunok/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
	</channel>
</rss>
