Генеративная нейросеть для создания скинов в стиле CS2

Цель проекта — обучить генеративную нейросеть Stable Diffusion создавать новые скины оружия в эстетике CS2 (Counter-Strike 2), сохраняя узнаваемые визуальные характеристики игры, но при этом предлагая оригинальные вариации дизайна.

Скины в CS2 представляют собой уникальную форму цифрового искусства: они сочетают промышленный дизайн оружия, графические паттерны, иллюстративные элементы и цветовые решения, которые формируют отдельную визуальную культуру внутри игровой индустрии.

Проект исследует, может ли генеративная модель:

— уловить особенности стиля игровых скинов; — создавать новые вариации, которые выглядят органично внутри визуальной системы CS2; — комбинировать элементы разных художественных подходов (градиенты, граффити, неон, милитари-паттерны, иллюстративные персонажи); — генерировать дизайн, который потенциально мог бы существовать в реальной игре.

Для обучения модели был собран датасет из изображений существующих скинов CS2.

Критерии отбора изображений:

— разнообразие визуальных решений — узнаваемая форма оружия (AK-47) — чёткая видимость текстуры скина

Объем датасета: 54 изображения.

Перед обучением изображения были:

— приведены к формату 1:1 — нормализованы по размеру — очищены от лишних рамок и интерфейсных элементов

Это позволило модели сосредоточиться именно на визуальных характеристиках скинов.

Для обучения использовался подход LoRA (Low-Rank Adaptation) поверх модели Stable Diffusion.

LoRA позволяет:

— обучить модель на небольшом датасете — сохранить базовые знания модели о форме объектов — перенести визуальные особенности конкретного стиля

Обучение проводилось в Google Colab с использованием ноутбука.

SDXL DreamBooth LoRA

Общий процесс:

1. подготовка датасета
2. загрузка базовой модели Stable Diffusion
3. обучение LoRA-адаптера на изображениях скинов
4. генерация изображений с использованием обученной модели

Серия изображений представляет альтернативную коллекцию скинов для CS2, объединённых общей художественной логикой:

«Synthetic Identity» — идея о том, что визуальный стиль может быть воспроизведён и продолжен алгоритмом, который анализирует существующие цифровые артефакты.

В серии исследуются:

— влияние алгоритмической генерации на дизайн игровых объектов; — вариативность одного визуального языка; — границы между авторским стилем и статистической реконструкцией стиля.

Каждый скин представляет собой вариацию внутри общей системы: меняются цвета, плотность текстуры, уровень детализации, композиция паттерна, но сохраняется узнаваемая структура объекта и логика нанесения изображения на поверхность оружия.

Примеры из датасета (54 изображения):

В результате была сгенерирована серия новых скинов, которые:

— сохраняют узнаваемую форму оружия — демонстрируют характерные текстурные паттерны — комбинируют элементы разных художественных подходов

Нейросеть продемонстрировала способность:

— воспроизводить композицию расположения паттернов — создавать новые цветовые сочетания и материалы — варьировать уровень детализации

Некоторые изображения ближе к реалистичным игровым ассетам, другие выглядят более экспериментально.

Процесс генерации в стилистике флага России наглядно демонстрирует, как нейросеть адаптируется к уточнению промпта и изменению технических параметров.

На первой итерации модель выдала хаотичный результат: вместо четкого изображения получился перегруженный абстрактный фон с лишней геометрией, случайными полосками и звездами.

Чтобы стабилизировать композицию и избавиться от визуального шума, во второй итерации был скорректирован параметр Guidance Scale (CFG), который отвечает за строгость следования текстовому описанию. Повышение этого коэффициента заставило модель точнее прислушаться к текстовым командам и выстроило правильную геометрию, однако на изображении все еще оставался лишний артефакт в виде звезды.

Финальный результат был достигнут на третьем этапе путем тонкой настройки промпта. Перенос мешающих элементов в негативный промпт позволил полностью избавиться от звезды и остаточного мусора. Итоговое изображение получилось чистым, без лишней символики и искажений.

Серия экспериментов с генерацией автомата Калашникова наглядно демонстрирует, как диффузионные модели интерпретируют сложные текстуры и физические свойства материалов. Задача заключалась не в простом изменении цвета, а в полноценной замене материала с сохранением узнаваемой геометрии оружия.

В результате удалось получить корректные генерации из льда, лего и пушистых материалов.

Пушистый вариант был представлен в двух итерациях: классический сдержанный с коричневыми меховыми вставками вместо дерева и розовый, гипертрофированно милый.

Интересный опыт был получен при попытке сгенерировать автомат из мыльных пузырей: модель не справилась с созданием объема из прозрачной пленки, вместо этого окрасив калаш в бензиновые разводы и изменив фон, добавив туда пузыри, что подтверждает сложность работы с прозрачностью.

Наиболее сложной технической задачей стала генерация золотого автомата, инкрустированного настоящими цветами. Ключевым требованием было создание именно дополнительных объемов и физических элементов, а не наложение плоского цветочного паттерна.

Эксперименты по генерации «съедобных» скинов для автомата Калашникова наглядно демонстрируют, как нейросеть интерпретирует сложные органические и кондитерские текстуры на геометрически сложных объектах. Задача заключалась в том, чтобы не просто наложить паттерн, а создать иллюзию того, что автомат целиком изготовлен из продукта.

Наиболее удачным результатом стала генерация «морковного» калаша: модель корректно сохранила геометрию оружия, передав фактуру моркови и точное разделение цветов.

Интересный артефакт возник при попытке сгенерировать автомат из мармелада. Нейросеть не смогла передать физику полупрозрачной мармеладной текстуры, но зато выдала стильный глитч-эффект: поверхность покрылась текстурой, напоминающей мерцающие блестки.

Самой сложной технической задачей, с которой модель не справилась, стала генерация автомата из мяса. Попытка передать волокнистую, сложную мясную текстуру на тонкой геометрии оружия привела к полному разрушению силуэта. На изображении возникли проблемы с композицией: нейросеть сгенерировала два автомата на одном изображении, при этом детализация оказалась обрублена, а геометрия поломана.

Также были реализованы и «обычные» паттерновые скины. В результате удалось получить корректные генерации скинов, варьирующихся от классических паттернов до абстрактных узоров. Модель успешно передала физику наложения паттернов: орнаменты не выглядят плоскими, а обтекают геометрию оружия, сохраняя объем и тени, что подтверждает высокую способность модели к работе с текстурированием сложных 3D-объектов.

Особый интерес представляют эксперименты с нетипичными паттернами, такими как «витраж», «пиксельный», «металлические узоры» и сложные геометрические абстракции. Несмотря на сложность и детализацию этих узоров, модель корректно сохранила геометрию оружия, передав фактуру и точное разделение цветов.

Мой проект наглядно доказал, что алгоритмическая генерация способна не просто слепо копировать, а осмыслять и развивать визуальный язык игры. Обучение LoRA-адаптера на небольшой выборке из 54 изображений позволило модели Stable Diffusion уловить ДНК игрового стиля и сохранить узнаваемую анатомию оружия.

В ходе исследования мы увидели дуализм нейросети:

— С одной стороны, она блестяще работает как инструмент текстурирования. Модель понимает объем 3D-объекта, «обтекает» его сложными паттернами (от классики до витражей) и создает органичные цветовые переходы.

— С другой стороны, выход за рамки привычного милитари-дизайна обнажил границы ИИ. Попытки создать автоматы из меха, льда, моркови или мыльных пузырей показали, где алгоритм ведет себя как послушный инструмент, а где ломает форму, выдавая стильные цифровые глитчи и артефакты.

Главный итог проекта  — подтверждение того, что дизайн игровых объектов перестает быть статичным. В связке человека и машины рождается новая форма цифрового искусства. Алгоритм не заменяет художника, но становится его главным соавтором, размывая грань между каноничным авторским стилем и бесконечной вариативностью кода