ИНТЕРПРЕТАЦИЯ УЗБЕКСКОГО МИНИАТЮРНОГО ИСКУССТВА В СОВРЕМЕННОМ ДИЗАЙНЕ ВЕРХНЕЙ ОДЕЖДЫ. МЕТОДОЛОГИЯ ПРИМЕНЕНИЯ ИИ-ИНСТРУМЕНТОВ
Keywords:
Ключевые слова: узбекская миниатюра; дизайн верхней одежды; генеративный ИИ; диффузионные модели; LoRA; CLO3D; параметрическое конструирование; культурный код.Abstract
Аннотация. Статья посвящена исследованию методологических основ
интеграции наследия узбекского миниатюрного искусства XV–XVII вв. в
современный дизайн верхней одежды посредством инструментов
искусственного интеллекта. На основе систематического анализа научной
литературы (базы Scopus, Web of Science, Google Scholar, 2018–2026)
сформирована пятиэтапная рабочая схема проектирования, охватывающая
анализ культурных источников, генерацию концепт-артов, интеграцию
орнаментов, параметрическое конструирование и 3D-симуляцию.
Теоретическую основу составляет концепция «дизайнера-куратора», в рамках
которой алгоритмические инструменты выполняют функции генерации
вариативности и технической аналитики при сохранении за специалистом
авторства концептуального и культурного решения. Эмпирическая верификация
осуществлена на материале кейс-стади по проектированию тренчкота из органзы
с орнаментами по мотивам живописи Камолиддина Бехзода. Выявлены
ключевые ограничения: нестабильная воспроизводимость конструктивных
деталей диффузионными моделями, риски культурной гомогенизации и
нерешённые вопросы авторского права на ИИ-генерированный контент.
References
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. GlobalData. Global Outerwear Market Analytics Report 2024–2029. - London:
GlobalData Plc, 2024. - 187 p.
2. Rombach R., Blattmann A., Lorenz D. Et al. High-resolution image synthesis with
latent diffusion models // IEEE CVPR. - 2022. - Pp. 10684-10695. DOI:
10.1109/CVPR52688.2022.01042.
3. Goodfellow I., Pouget-Abadie J., Mirza M. Et al. Generative adversarial nets //
Advances in Neural Information Processing Systems (NeurIPS). - 2014. - Vol. 27.
- Pp. 2672-2680.
4. Sohl-Dickstein J., Weiss E., Maheswaranathan N., Ganguli S. Deep unsupervised
learning using nonequilibrium thermodynamics // Proceedings of ICML. - 2015. -
PMLR 37. - Pp. 2256-2265.
5. Radford A., Kim J.W., Hallacy C. Et al. Learning transferable visual models from
natural language supervision (CLIP) // ICML. - 2021. - PMLR 139. - Pp. 8748–
8763.
6. Kim D., Lee J., Park S. FashionCLIP: Adapting CLIP for fashion product retrieval
and attribute recognition // Pattern Recognition Letters. - 2023. - Vol. 176. - Pp.
65–72. DOI: 10.1016/j.patrec.2023.11.004.
7. CLO Virtual Fashion Inc. CLO3D AI Features and Workflow Documentation. -
Seoul, 2025. - URL: https://support.clo3d.com (дата обращения: 20.03.2025).
8. Sun Y., Zhang M., Zhao W. Limitations of text-to-image generative models in
fashion design: An empirical evaluation // Fashion and Textiles. - 2024. - Vol. 11.
- Art. 14. DOI: 10.1186/s40691-024-00377-z.
9. Hartmann B., Ober T. Copyright law and AI-generated fashion design: A
comparative analysis of EU and US frameworks // European Intellectual Property
Review. - 2024. - Vol. 46, № 3. - Pp. 142–158.
10. Peng H., Liu Y., Zhang R. Towards personalized garment generation: Integrating
VAE and diffusion models with 3D body measurements // Computer-Aided
Design. - 2025. - Vol. 168. - Art. 103640. DOI: 10.1016/j.cad.2025.103640.
