Ugly-food без пищевого стилиста: как нейросети доводят кадры с кухни ресторана до аппетитного вида
Парадокс индустрии общепита: еда в зале выглядит прекрасно, но на фотографии — так себе. Повар потратил 40 минут на подачу, а снимок на телефон при кухонном свете превращает борщ в серую массу, а стейк — в подошву. В деливери-сервисах и маркетплейсах еды это не косметическая проблема: по исследованиям поведения пользователей, карточка с «некрасивой» фотографией блюда собирает заметно меньше кликов, чем та же позиция с качественной картинкой. Классическое решение — пищевой стилист, студийный свет и съёмочный день за сотни тысяч рублей — доступно сетям, но не локальной кофейне с сорока позициями в меню. Именно здесь в игру вступают нейросети.
Почему «снимок с кухни» почти всегда проигрывает
У неудачных фуд-кадров есть типовой набор проблем: жёлтый свет ламп накаливания, съеденный контраст, случайно попавшие в кадр салфетки и металлические поверхности, слишком тёплый или мёртвый белый баланс. Плюс сама съёмка ведётся второпях — блюдо остывает, а повар не позирует. Фотограф-универсал без опыта фудсъёмки редко спасает положение: он вытянет экспозицию, но не «дожарит» визуальную текстуру еды — карамельную корочку, блеск соуса, свежесть зелени. Всё это — как раз то, на чём специализируется не ретушь, а генеративная обработка.
В деливери еда покупается глазами дважды: сначала картинка решает, кликнет ли пользователь, потом — закажет ли он это блюдо повторно. Второе решает кухня, первое — фотография.
Что умеет ИИ с «кривым» кадром: три рабочих сценария
Первый сценарий — доводка исходника. Нейросеть дорисовывает недостающее: убирает лишние предметы со стола, меняет фон на нейтральный или фирменный, выравнивает свет, усиливает текстуру продукта. Исходная композиция и само блюдо сохраняются, меняется только подача — это важно, потому что карточка в деливери не должна обещать того, чего нет в тарелке. Такие задачи с фото еды сегодня закрывают генеративные сервисы вроде Creatorry.ru: загружаешь кадр из цеха, описываешь желаемый результат — получаешь вариант, пригодный для карточки и меню.
Второй сценарий — предметка для меню и витрины. Здесь фантазия допустима шире: нейросеть генерирует «идеальный» кадр блюда по описанию или по нескольким референсам, и ресторан получает единый визуальный стиль по всей линейке — от комплексных обедов до десертов. Это дешевле и быстрее, чем организовывать съёмку 60–80 позиций, а при смене сезонного меню пересобрать сетку карточек можно за день.
Нюансы, о которых стоит помнить
- Не искажать состав. Дорисованные креветки в пасте, которых нет в рецепте, — путь к негативным отзывам и претензиям в деливери. ИИ должен улучшать подачу, а не продукт.
- Следить за фирменным стилем. Все карточки меню лучше прогонять через одни и те же настройки: один фон, один свет, единая температура — иначе лента выглядит «лоскутной».
- Проверять детальные артефакты. Генеративные модели иногда путаются в бликах на соусах или текстуре зелени — финальный отбор должен делать человек, знающий блюдо.
- Сохранять исходники. Правила площадок меняются, требования к фото ужесточаются — иметь «честную» версию кадра полезно для спорных ситуаций.
Третий сценарий — контент для соцсетей. Один снимок шефа за работой становится основой серии: динамичный сторис-кадр, вертикальная обложка для Reels, промо-визуал для акции. Логика та же: бизнес не нанимает отдельную команду под каждый формат, а тиражирует один удачный исходник по всем каналам.
Итог для индустрии: разрыв между «снял на телефон» и «профессиональная съёмка» перестал быть пропастью. Малому общепиту это даёт шанс конкурировать картинкой с сетями, сетям — ускорить обновление визуала без расширения бюджета на продакшн. Пищевой стилист не исчезает: за сложными кампаниями и съёмкой новых хитов меню его работа по-прежнему незаменима. Но рутинная часть — привести в порядок сотни рабочих кадров, удержать единый стиль, быстро пересобрать карточки — уверенно уходит в автоматизированный контур. И衡量 того, кто этим контуром владеет, всё чаще не размер кухни, а скорость работы с визуалом.