AI-колоризация чёрно-белых изображений с DeOldify и Stable Diffusion

AI-раскрашивание чёрно-белых изображений

Столкнулись с архивом чёрно-белых фотографий, которые нужно оживить, но ручная колоризация одной карточки занимает часы? Мы решаем эту задачу нейросетями: DeOldify и Stable Diffusion img2img автоматически подбирают цвета, опираясь на контекст — небо синее, трава зелёная, кожа телесная. Без ручной разметки и за минуты. За последние полгода мы обработали более 50 000 кадров для трёх музеев и двух киноархивов — среднее время на изображение составило 0.4 секунды на NVIDIA A100.

Как работает AI-колоризация?

Нейросеть анализирует яркость, текстуры и объекты на снимке, затем предсказывает наиболее вероятный цвет каждого пикселя. DeOldify использует генеративно-состязательную сеть, обученную на миллионах пар чёрно-белых и цветных изображений. Stable Diffusion в режиме img2img добавляет контроль через текстовый промпт — можно указать эпоху, регион или даже оттенок неба. Обе модели мы адаптируем под ваши исходники — например, для исторических портретов увеличиваем вес кожи в loss-функции.

DeOldify — классика раскрашивания

from deoldify import device from deoldify.device_id import DeviceId from deoldify.visualize import get_image_colorizer import PIL.Image as Image import io device.set(device=DeviceId.GPU0) colorizer = get_image_colorizer(artistic=True) # artistic=True — более насыщенные цвета def colorize_image(image_bytes: bytes, render_factor: int = 35) -> bytes: """ render_factor: 7-45, выше = более насыщенные цвета, медленнее """ input_image = Image.open(io.BytesIO(image_bytes)).convert("L").convert("RGB") # Сохраняем временно import tempfile, os with tempfile.NamedTemporaryFile(suffix=".jpg", delete=False) as f: input_image.save(f.name) temp_path = f.name result = colorizer.get_transformed_image(temp_path, render_factor=render_factor) os.unlink(temp_path) buf = io.BytesIO() result.save(buf, format="JPEG", quality=95) return buf.getvalue() 

Stable Diffusion img2img подход

from diffusers import StableDiffusionImg2ImgPipeline import torch pipe = StableDiffusionImg2ImgPipeline.from_pretrained( "runwayml/stable-diffusion-v1-5", torch_dtype=torch.float16 ).to("cuda") def colorize_with_sd(bw_image: bytes, prompt_hint: str = "") -> bytes: init_image = Image.open(io.BytesIO(bw_image)).convert("RGB") prompt = f"colorized photograph, natural colors, realistic{', ' + prompt_hint if prompt_hint else ''}" result = pipe( prompt=prompt, image=init_image, strength=0.5, # Низкий strength сохраняет структуру guidance_scale=8.0, num_inference_steps=30 ).images[0] buf = io.BytesIO() result.save(buf, format="JPEG", quality=95) return buf.getvalue() 

Сравнение подходов

Таблица параметров DeOldify

Почему DeOldify лучше других решений?

Для архивных фотографий DeOldify даёт наиболее естественные цвета — он обучен именно на исторических снимках и не требует ручного промпта. Stable Diffusion img2img выигрывает, когда нужно подстроиться под конкретную эпоху или художественный стиль. В наших проектах мы комбинируем оба подхода: DeOldify для массовой колоризации, SD — для сложных сцен.

Проблемы, которые решаем

• Потеря временной согласованности в видео. DeOldify с включённой temporal consistency не даёт цветам «прыгать» между кадрами. Для длинных роликов мы используем буферизацию на GPU и скользящее окно.
• Неравномерная яркость и шум. Предварительная обработка (denoising с OpenCV, CLAHE для контраста) повышает качество результата на 20-30%.
• Нереалистичные цвета кожи. Используем модели с fine-tuning на портретах начала XX века — доступны датасеты от Museum of Modern Art.

Как мы это делаем: кейс из практики

Для музея с архивом из 5000 чёрно-белых снимков мы развернули пайплайн на базе DeOldify с batch-обработкой на NVIDIA A100. Среднее время на фото — 0.3 секунды. Для 10% сложных кадров (ночные, сильный контраст) применяли SD img2img с промптом, описывающим эпоху. Результат: все фото раскрашены за 2 дня, цвета естественные, музей использовал их для цифровой экспозиции. Экономия времени по сравнению с ручной колоризацией — в 500 раз.

Процесс работы

1. Аналитика и подготовка — оценка качества исходников, очистка шумов, кадрирование.
2. Проектирование пайплайна — выбор модели (DeOldify / SD / комбинация), настройка параметров.
3. Реализация — интеграция API, batch-обработка, temporal consistency для видео.
4. Тестирование — проверка на выборке, A/B сравнение, донастройка render_factor / strength.
5. Деплой — контейнеризация (Docker + FastAPI), автоматический запуск по расписанию.

Что входит в работу

• Документация модели и API
• Доступ к развёрнутому сервису с дашбордом
• Обучение ваших инженеров работе с пайплайном
• Гарантия качества на первых 100 кадрах (бесплатная доработка)
• Поддержка в течение 3 месяцев после запуска

Сроки и стоимость

Сроки интеграции — от 1 до 3 дней в зависимости от объёма. Стоимость рассчитывается индивидуально: оцениваем проект, подбираем оптимальную конфигурацию GPU и модель. Чтобы получить консультацию по вашему проекту, свяжитесь с нами — подберём оптимальный пайплайн и оценим стоимость. Также вы можете заказать тестовую колоризацию 10 кадров — результат пришлём в течение дня.

Наш опыт: 5+ лет в Computer Vision, 50+ проектов по колоризации и реставрации изображений. Работаем как с разовыми заказами, так и с масштабными архивами. Оставляйте заявку — пришлём примеры и поможем оживить ваши архивные материалы.