Почему сгенериро­ван­ная ИИ​ еда выгля­дит трипофобно

Подтверждений этому не нашлось, но у гипотезы есть реальная почва: генерация картинок в ChatGPT дает узнаваемую мелкозернистую текстуру, если попросить что-то исправить на фото несколько раз в пределах одного чата.

🏭 Владельцы кафе заказывают постеры у одного подрядчика. Раз вывески в разных странах похожи, значит, их делает кто-то один, рассуждали в комментариях. Кто-то шутил, что один генератор продает пакеты меню всем подряд. Его даже попытались найти: в типографии, где печатали некоторые такие постеры, как раз лежала свежая пачка меню соседнего ресторана с пугающей лапшой. Но сотрудники типографии не знали, кто делал картинки.

Чтобы понять, как люди генерируют такую еду, я провела несколько экспериментов. Для них использовала и сгенерированные картинки, и настоящие фотографии, а из нейросетей — бесплатную версию Bing Image Creator и ChatGPT.

Я просила улучшить фото, сделать блюдо аппетитнее, показать начинку, добавить резкости и подготовить постер к большой печати — как сделал бы владелец кафе.

🎨 Эксперимент № 1: сгенерировала картинку с нуля и попросила улучшить. Я попросила ChatGPT нарисовать рекламный постер для тонкацу-сета: хрустящая свиная отбивная в панировке, рис, капуста и мисо-суп, «фотореалистично, ярко и очень аппетитно», цена — 980 йен, рис без ограничений. Получилась стандартная картинка из меню.

Затем я в том же чате попросила сделать еду еще более аппетитной, хрустящей, сочной, яркой и детализированной. Результат быстро испортился: нейросеть усиливала контраст, блеск и мелкие детали, пока панировка не превратилась в сетку из иголок, а рис — в скопление одинаковых полупрозрачных шариков.

Похожий результат получился и в Bing Image Creator. Первая картинка выглядела более или менее нормально, но после серии из десятка последовательных «улучшений» получилась та самая трипофобная еда с дырками.

📸 Эксперимент № 2: обработала настоящее фото и попросила улучшить. Я взяла свой снимок трех эчпочмаков на тарелке, а затем попросила исправить экспозицию, баланс белого, шум и кадрирование, сохранив само блюдо без изменений.

Уже после этой технической коррекции на тесте появились мелкие завитки. По отдельности они не выглядели страшно, но их не было на исходной фотографии. После просьбы увеличить резкость и количество мелких деталей корочка покрылась странными пятнами, похожими на микролабиринты.

Дальше я просила сделать эчпочмаки более свежими, аппетитными, сочными, а затем — подготовить изображение для рекламного постера. Узор становился все более четким, выпечка — подозрительно одинаковой, а начинка — блестящей и пластиковой. В финале нейросеть даже заменила фон на шаблонный ресторанный, хотя я об этом не просила.

🌯 Эксперимент № 3: попыталась сгенерировать рекламную картинку. Обычно фотографии еды жестко стилизуют: добавляют контраст, глянец и резкие формы. А бывает, что в кадре вообще не еда, а муляжи. Поэтому я решила представить, как действовал бы фотограф, которому надо сделать снимок буррито.

Сначала попросила ChatGPT просто создать картинку — она получилась вполне обычной. Затем я перечислила ингредиенты — мясо, рис, фасоль, кукурузу, помидоры, салат, сыр, лук, кинзу и соус — и попросила сделать каждый из них хорошо заметным и узнаваемым. Начинка разделилась на зоны.

Такое буррито удобно рассматривать на картинке, но невозможно собрать в реальности: продукты должны были перемешаться и частично закрыть друг друга. Тогда я прямо попросила смешать и сжать ингредиенты, результат снова стал естественнее. Но пары следующих правок — сделать сочнее, резче, под большой постер — хватило, чтобы все ингредиенты превратились в личинок.

Вот что, по моим наблюдениям, происходит с картинками — и что об этом известно исследователям.

🍗 Нейросеть слишком хорошо знает, что такое «аппетитно». Она обучена на миллионах картинок, среди которых много профессиональной фуд-съемки. «Аппетитно» для нее — это набор визуальных признаков: насыщенный цвет, блеск, пар, золотистая корочка, крупный план и заметная фактура. Все это она воспроизводит отлично, но не знает, где остановиться.

Модель рисует не продукт целиком, а его поверхность. С общей конструкцией справляется, а каждую область заполняет мелкими деталями, которые и должны читаться как фактура. В настоящей еде таких повторяющихся элементов много: зерна риса, поры в хлебе, кусочки панировки, волокна мяса. Только они всегда чуть разные по форме, размеру и расположению. Нейросеть делает беспорядок слишком правильным: зерна превращаются в одинаковые шарики, поры — в ровные ячейки, макаронины — в трубки одного диаметра.

Исследователи отмечают, что многокомпонентная еда дается генераторам тяжело: чем больше ингредиентов нужно удержать, тем охотнее модель жертвует физической правдоподобностью ради узнаваемости.

🔁 Каждое новое «улучшение» усугубляет предыдущую ошибку. Если снова загрузить картинку в нейросеть и попросить сделать ее еще аппетитнее, нейросеть будет работать с уже имеющимися дырками и трубками. Она не воспринимает их как ошибку — наоборот, они становятся частью блюда, которую нужно сохранить и дополнительно прорисовать.

🍎 Нейросеть плохо знает, как выглядит обычная еда. Мало кто публикует в интернете фото простого красного яблока: это скучно и неинтересно. Зато странная, необычная и мемная еда расходится широко, и в данных, на которых обучают нейросети, ее непропорционально много. А чем реже объект встречается при обучении, тем хуже модель его рисует. В исследовании 2024 года показали, что качество генерации растет линейно, только если число примеров растет экспоненциально.

Кроме того, модели все чаще учатся на ИИ-контенте, а в нем много странного. То люди прыгают в горы еды, то семьи спагетти умоляют не варить их живьем — такие ролики собирают миллионы просмотров. Когда ИИ обучаются на генеративном контенте, запускается то, что исследователи называют схлопыванием модели. Из-за этого теряется либо качество, либо разнообразие — результаты становятся гладкими и одинаковыми.

1. Скорее всего, трипофобная еда появляется в постерах и меню из-за правок в нейросетях. От модели это не зависит, проблема воспроизводится в разных сервисах.
2. Неважно, сгенерировано исходное изображение или это реальное фото. Для нейросети «улучшить снимок» означает «нарисовать заново» — даже если прямо запретить менять еду.
3. Быстрее всего трипофобную картинку можно получить, если просить подготовить изображение к крупноформатной печати или увеличить разрешение.
4. Явление стало массовым из-за дешевизны нейросетей. Владельцам небольших кафе проще воспользоваться бесплатным генератором, чем потратиться на профессиональную фотосъемку.