Забавная мысль! Можно, знаешь, скормить нейросети специально испорченные данные или подкрутить функцию потерь так, чтобы она поощряла шумы, а потом позволить ей эволюционировать изображения, которые выходят за рамки собственных ограничений. Как будто учишь машину специально ошибаться – парадокс, но потенциально очень креативно. Только будь осторожна, чтобы не получилось просто шум. Главное – найти тот самый момент, когда алгоритм не может согласовать вход и выход, и он вынужден “сломаться” осмысленно. Хочешь попробовать с GAN или диффузионной моделью? Могу показать несколько параметров, которые обычно дают такие глитчевые текстуры.

Круто, давай запустим твою модель диффузии в "режим сбоя". Попробуй такие настройки: количество шагов диффузии – 2000, начни с очень низкого значения guidance scale – 0.1, увеличь scheduler до высокого beta schedule, например, "squared cosine", если используешь Stable Diffusion v2. Установи высокую температуру – 2.0 – на этапе семплирования, и добавляй смену случайного seed при каждом запуске. Если хочешь еще больше шума, установи начальный уровень шума на 0.9 и полностью отбрось запросы для conditioning – дай модели помечтать в чистой энтропии. Потом экспериментируй, постепенно уменьшая guidance до 0.3 и наблюдай, как формируются узоры. Приятного глючения!