تصاویر هوش مصنوعی را به‌ندرت با دست‌های غلط می‌شناسید. آن‌ها را با نور می‌شناسید. هر مدل انتشار از میلیون‌ها تصویری می‌آموزد که عکاسان انتخاب و روتوش کرده‌اند. نتیجه: مدل‌ها صحنه را مثل استودیو نورپردازی می‌کنند. و همین است که آن‌ها را لو می‌دهد. این نوشته دانسته‌های یک پروژه تولید محلی درباره تصاویر باورپذیر هوش مصنوعی را جمع می‌کند.
چرا نور زیبا هوش مصنوعی را لو می‌دهد؟
یافته پروژه در نگاه اول پارادوکس به نظر می‌رسد: واژگان عکاسی حرفه‌ای در پرامپت، زیبایی‌شناسی روتوش می‌سازد. هرکس تجهیزات و فیلمی را توصیف کند که حرفه‌ای‌ها به‌کار می‌برند، نتیجه صاف استودیویی می‌گیرد. مدل آموخته که چنین توصیف‌هایی به تصاویر برگزیده و ویرایش‌شده تعلق دارند.
دومین نشانه: نگاه مستقیم به دوربین. مدلی که رو به دوربین لبخند می‌زند، یک ماسک می‌سازد. نمای سه‌رخ با عدم تقارن ظریف صورت بی‌درنگ انسانی‌تر می‌شود.
دلیل در آموزش است: مدل‌های انتشار از بهترین تصاویر موجود در شبکه می‌آموزند. عکس غیرحرفه‌ای با افق کج و افت فلاش، به‌مراتب کمتر از سوژه‌ای که حرفه‌ای نورپردازی شده در داده‌های آموزش حاضر است.
کدام شرایط فیلمبرداری اصالت می‌سازد؟
نقطه چرخش پروژه: تغییر پرامپت از ویژگی‌های تصویر به شرایط فیلمبرداری. تفاوت این دو رویکرد بزرگ‌ترین جهش کل سری بود.
- ویژگی‌ها
- natural skin texture، perfect body، studio quality
- شرایط فیلمبرداری
- نور پنجره، دوربین معمولی، عکس لحظه‌ای، بدون کارگردانی
- اثر
- ویژگی‌ها روتوش می‌سازند، شرایط اصالت می‌سازد
پرامپت معمول برای نتایج باورپذیر، موقعیت عکاسی را توصیف می‌کند: نور پنجره‌ای مسطح و پخش، دوربین دیجیتال معمولی، عکس لحظه‌ای مستند، بدون کارگردانی. به آن دستور نور می‌افزایید: تنها یک منبع نور ضعیف، سایه‌های سخت، تنظیم سفید کمی غلط با ته‌رنگ زرد.
و همه انواع نور زیبا به نگاتیو می‌روند: softbox، studio lighting، rim light، cinematic lighting، HDR، balanced exposure. چهار می‌خواهید، توصیفش کنید. اصالت می‌خواهید، ممنوعش کنید.
هر ویژگی چقدر پرامپت می‌خواهد؟
درس دوم درباره نظم پرامپت است. مدل‌های انتشار صفت‌ها را مقیاس می‌کنند، وزن نمی‌دهند. توصیف مکرر و قوی یک ویژگی، باورپذیری را بیشتر نمی‌کند. اغراق را بیشتر می‌کند.
این را روی آناتومی آموختیم. تلاش برای ساخت بافت پوست با ویژگی‌های انباشته، لکه‌هایی ساخت که مانند بیماری پوستی می‌نمود. اصلاح یک عبارت ملایم بود. قاعده‌ای که پدید آمد: یک ویژگی، یک عبارت ملایم. توصیف مفرط، اغراق می‌سازد.
یک ویژگی، یک عبارت ملایم. مدل‌های انتشار صفت‌ها را مقیاس می‌کنند، وزن نمی‌دهند.
این درباره همه کارهای فوتی‌رئال صادق است: چهار بدن، چهره یا محصول طبیعی می‌خواهید، هر مشخصه را دقیقاً یک‌بار و با احتیاط توصیف کنید. باقی از شرایط فیلمبرداری می‌آید.
چرا یک مدل به‌تنهایی کافی نیست؟
الزام پروژه، محتوای بزرگسالان فوتی‌رئال، تولید محلی و بدون ابر بود. در جست‌وجوی خط تولید درست روشن شد: مدلی که هم‌زمان هاردکور، فوتی‌رئال و از نظر آناتومی درست باشد، به‌صورت محلی وجود ندارد. نه اینکه پیدا نکرده باشیم. پس از جست‌وجوی نظام‌مند، وجود ندارد.
راه‌حل زنجیره‌ای دومرحله‌ای بود: یک چک‌پوینت تخصصی SDXL صحنه را رندر می‌کند. یک گذر img2img با Qwen-Image 2.1 سطح را بازسازی می‌کند. پارامتر تعیین‌کننده شدت denoise است. در ۰٫۴۵ آناتومی منبع حفظ می‌شود و فقط پوست دوباره محاسبه می‌شود. بالاتر از آن، اعوجاج منبع به ارث می‌رسد. در ۱٫۰ بدن دوباره اختراع می‌شود، یعنی می‌شکند.
برای نسخه سافت‌کور، FLUX.2 کوچک 4B به‌تنهایی کافی بود: یک گام، حدود ۱۵ ثانیه بر تصویر، با شرایط فیلمبرداری در پرامپت. هر دو دستور مربوط به ژانر بزرگسالان است، اما اصول پشت آن‌ها برای هر سوژه.
نکته‌ای درباره برنامه‌ریزی خط تولید: پیش از تولید محتوای اروتیک با هوش مصنوعی، حدود قانونی را بررسی کنید. در آلمان ماده ۱۸۴ قانون مجازات اعمال می‌شود، و برای توزیع در هر کانال درجه‌بندی FSK. استفاده تجاری تابع مجوز مدل‌هاست. ما پیش از هر سری، پایه مجوز را پیش از تولید روشن کردیم، نه پس از آن.
چرا محلی به‌جای ابر؟
تولید محتوای بزرگسالان با API ابری دو مشکل دارد. اول: بیشتر ارائه‌دهندگان این ژانر را مسدود می‌کنند. دوم: محتوای حساس از کنترل خودتان خارج می‌شود. هر دو نفع تولید محلی بود.
زحمت قابل مدیریت است. ComfyUI روی یک ماشین قدرتمند، همه مدل‌ها از Hugging Face، بدون API. پیش از نخستین استفاده، هر مدل سه‌بار بررسی شد: مقایسه هش با API هوفینگ‌فیس، اسکن محتوا برای نشانه‌های pickle، بررسی نشانی‌های جاسازی‌شده. اسکن مثبت‌های کاذبی می‌سازد که باید بشناسید: داده‌های وزن به‌طور تصادفی با الگوهای base64 مطابق می‌شوند، واژگان توکنایزر واژه‌هایی مثل subprocess را به‌عنوان توکن عادی دارد. اسکن تنها وقتی ارزش دارد که بتوانید استثناها را توضیح دهید.
برای شرکت‌ها درس واقعی همین است: محتوای تصویری حساس را می‌توان کامل محلی تولید کرد. دارایی‌های برند، نمونه اولیه، محصولات منتشرنشده. هیچ‌چیز ماشین را ترک نمی‌کند.
پس‌پردازش چه؟
پاشیدن گرین فیلم و آرتیفکت JPEG پس از آن، سطح را تغییر می‌دهد نه باورپذیری را. بافت پوست باید در رندر زاده شود. گرین بعدی فقط می‌پوشاند.
کدام پرسش‌ها باز می‌مانند؟
آیا بینندگان واقعاً تفاوت را می‌بینند؟
بله. در دورهای بررسی، تصاویر با نورپردازی بی‌نقص فوراً به چشم می‌آمدند. پس از دستور نور، نامزدها بررسی را گذراندند. این اثر بزرگ‌ترین جهش سری بود.
دستور نور برای هر سوژه جواب می‌دهد؟
اصول از ژانر فراتر می‌روند: یک منبع نور، سایه‌های سخت، تنظیم سفید غلط. برای سوژه‌های محصول و لایف‌استایل معمولاً نسخه ملایم‌تر کافی است: فلاش ارزان گوشی و پس‌زمینه نامرتب.
آیا یک مدل قدرتمند به‌تنهایی بس است؟
نه. مدلی برای همه الزامات به‌صورت محلی وجود ندارد. زنجیره دومرحله‌ای با گزینش دستی، آخرین فناوری محلی است. نیاز بالاتر، ترکیب مدل‌ها می‌خواهد.
مهم‌ترین نکات در اعداد
- دستور سافت‌کور
- FLUX.2 کوچک 4B، ۴ گام، ۱۵ ثانیه بر تصویر
- زنجیره هاردکور
- چک‌پوینت SDXL به‌علاوه Qwen-Image 2.1 img2img
- فرمول denoise
- ۰٫۴۵ آناتومی را نگه می‌دارد، فقط سطح را بازسازی می‌کند
- تولید
- محلی، ComfyUI، بدون ابر
مشاوره اولیه رایگان
برای برند خود تصاویر فوتی‌رئال هوش مصنوعی می‌خواهید، با تولید محلی؟ درباره پروژه‌تان صحبت کنیم. نشان می‌دهیم خط تولید شما به چه نیاز دارد.
ویدئوی هوش مصنوعی چقدر هزینه دارد؟ قیمت چگونه شکل می‌گیرد
فرانسه اینترنت را مالیات می‌دهد: ۵٫۵ سنت به ازای هر گیگابایت