Five stages sit between your photo and the output file. Only two of them are machine learning; the other three are where your picture becomes someone else's asset.
Пять этапов отделяют ваше фото от готового файла. Только два из них — машинное обучение; остальные три превращают ваш снимок в чужой актив.
Что происходит: фото уходит на API-эндпоинт — обычно на инфраструктуре, отличной от рекламного домена. EXIF-метаданные, идентификаторы устройства и имя файла едут вместе с ним; почти никто ничего не зачищает.
Почему важно: это точка невозврата. Что бы ни писала политика об удалении, копия оригинала уже существует на чужом железе в чужой юрисдикции.
A segmentation network classifies pixels as clothing, skin, hair, background; a pose estimator reads joints and orientation. The output is a mask plus a skeletal map. This is commodity computer vision — the same model class legitimate try-on tools use — and its quality sets the ceiling for realism. Bad masks produce the classic artifacts: fabric bleeding into skin, fused fingers, warped jewelry.
Сегментационная сеть размечает пиксели: одежда, кожа, волосы, фон; оценка позы считывает суставы и ориентацию. Результат — маска плюс скелетная карта. Это рядовое компьютерное зрение — тот же класс моделей, что в легальных примерочных, — и именно его качество определяет потолок реалистичности. Плохие маски дают классические артефакты: ткань «врастает» в кожу, слипшиеся пальцы, искажённые украшения.
The masked region goes to a diffusion model fine-tuned on adult imagery. It generates skin and anatomy consistent with the silhouette — a statistical guess, not a reconstruction. The 2019-era tools used GANs and looked obviously fake; diffusion is why current output passes a glance. It is also why two runs on the same input yield different bodies — proof nothing was "found" under the clothing.
Замаскированная область идёт в диффузионную модель, дообученную на материалах для взрослых. Она генерирует кожу и анатомию по силуэту — статистическая догадка, а не реконструкция. Инструменты эпохи 2019 года использовали GAN и выглядели явно фальшивыми; диффузия — причина, по которой современный результат выдерживает беглый взгляд. Поэтому же два прогона одного фото дают разные тела — доказательство того, что под одеждой ничего не «нашли». Модель выдумывает тело, которое никогда не фотографировали. Убедительно ≠ точно — но для вреда достаточно убедительности.
Raw output goes through upscaling, smoothing, and compositing back into the original frame. Free tiers add a watermark or blur — a pricing lever, not provenance; paid tiers ship the clean file. No service in this category signs its output with C2PA or any provenance credential, although the tooling is free — an unsigned fake is the product being sold.
Сырой результат проходит апскейл, сглаживание и обратную компоновку в исходный кадр. Бесплатный тариф добавляет водяной знак или блюр — это рычаг ценообразования, а не прозрачность; платный тариф отдаёт чистый файл. Ни один сервис категории не подписывает выход через C2PA или иной provenance-механизм, хотя инструменты бесплатны — неподписанная подделка и есть продаваемый товар.
The stage the marketing omits. Three documented patterns: inputs retained under "service improvement" clauses for fine-tuning; inputs resurfacing on affiliate gallery sites; and inputs held as extortion leverage. Generation margins are pennies, so the stored corpus — real, identifiable, volunteered photos — is the appreciating asset. When pricing makes no sense, the input is the product.
Этап, о котором маркетинг молчит. Три задокументированных паттерна: входные фото удерживаются под оговоркой «улучшения сервиса» для дообучения; всплывают на аффилированных галереях; удерживаются как рычаг шантажа. Маржа генерации — копейки, поэтому накопленный корпус — реальные, опознаваемые, добровольно загруженные фото — и есть растущий актив. Если ценообразование не сходится, товар — это входные данные.
One more stage sits upstream of all five: the data the models learned from. Fine-tuning an undressing model means continuing to train a base image model on adult imagery — assembled, as the wider industry does it, by scraping at scale without subject consent. So the pipeline carries two consent failures, not one: the scraped bodies inside the weights, and the real person's photo at the intake. Neither is incidental. Both are load-bearing.
Ещё один этап сидит выше всех пяти: данные, на которых учились модели. Дообучение раздевающей модели — это продолжение обучения базовой модели на материалах для взрослых, собранных, как это принято в отрасли, скрейпингом в масштабе без согласия людей. Значит, конвейер несёт два провала согласия, а не один: скрейпленные тела внутри весов и фото реального человека на входе. Ни то, ни другое не случайно — оба несущие.
Automated detectors underperform on inpainting because there is no copied region to catch. What works is contextual: victim testimony, first-appearance timestamps, provenance on authentic photos, and hash registries — StopNCII.org for adults, takeitdown.ncmec.org for minors — that block spread without needing to prove anything about pixels. The safety page has the reporting sequence; common questions are in the FAQ, and the comparison maps the service archetypes.
Автоматические детекторы слабы против инпейнтинга: скопированной области не существует — ловить нечего. Работает контекст: показания пострадавшего, метки первого появления, provenance-записи подлинных фото и хэш-реестры — StopNCII.org для взрослых, takeitdown.ncmec.org для несовершеннолетних, — блокирующие распространение без необходимости что-либо доказывать о пикселях. Порядок жалоб — на странице безопасности; типовые вопросы — в FAQ; типы сервисов — в сравнении.