AI pildipäringute juhend

Enamik inimesi saabub SDXL-i peal omandatud päringuharjumustega: komadega eraldatud nimisõnade jada, kvaliteeditokenite eessõna, mõned sulgudes kaalud ja negatiivne päring, mis on sama pikk kui positiivne. Need harjumused olid nende mudelite jaoks õiged ja siin on nad kahjulikud. See on lühiversioon sellest, mis tegelikult töötab — ja kuna Shannon kirjutab genereerimispäringu sinu eest ja näitab seda enne renderdamist, on see ühtlasi juhend selle kohta, kuidas Shannoni pakutut lugeda ja parandada.

01Miks proosa lööb silte: mudel loeb nagu keelemudel

Vanemad difusioonimudelid, mille jaoks enamik päringunõuandeid kirjutati, kasutasid tekstikodeerijat, mis käitus praktikas nagu mõistete kott: grammatika peaaegu ei lugenud ja võiduv strateegia oli kuhjata kokku asjakohaseid nimisõnu ja kallutada neid kaaludega. Sildisupp oli selle kodeerija jaoks õige päringukuju.

Shannoni Pildimudel nii ei tööta. Ta loeb päringut nii, nagu keelemudel loeb teksti, seega süntaks kannab tähendust. „Hoiab vihmavarju vastu õlga” on suhe inimese, eseme ja kehaosa vahel; „vihmavari, õlg” on kaks asja, mis juhtumisi kohal on. Kaassõnad paigutavad asju. Tegusõnad loovad poose. Osalaused kinnitavad detaili õige nimisõna külge, selle asemel et lasta sel üle terve pildi hõljuda.

Siin on sama pilt tellitud mõlemal viisil.

woman, 30s, tokyo, rain, night, crosswalk, neon signs, umbrella,
wet asphalt, reflections, masterpiece, best quality, 8k, ultra
detailed, (bokeh:1.3), cinematic lighting, photorealistic

A woman in her early thirties waits at a rain-soaked Tokyo
crosswalk at night, holding a clear vinyl umbrella against her
shoulder and glancing down the street. Neon storefront signs
bleed red and cyan into the wet asphalt at her feet. Shot on
Kodak Portra 400, 85mm f/1.4, shallow depth of field, the
traffic signal behind her thrown out of focus.

Vaata, mida sildiversioon väljendada ei suuda. See ei ütle kunagi, et vihmavarju hoitakse, nii et see võib lõpuks maas lebada. See ei ütle kunagi, et neoon peegeldub asfaldis, ainult et mõlemad on olemas, nii et saad sildid ja märja tänava ilma igasuguse optilise suheta nende vahel. See ei ütle kunagi, kuhu naine vaatab, nii et tema poos on kulli ja kirja mäng. „Cinematic lighting” on meeleolusilt, mitte valgusallikas. Ja viis viimast tokenit on müra, mida loetakse ingliskeelsete fotograafiasõnadena, mitte juhtnuppudena.

Proosaversioon ei ole pikem sellepärast, et ta on lilleline. Ta on pikem sellepärast, et vastab küsimustele, mille sildiversioon lahtiseks jättis. Selles ongi kogu trikk.

02Kui pikk peaks pildipäring olema?

Sihi 30 kuni 80 sõna peale. Ära mine palju üle 100. See on kõige lihtsam kvaliteedihoob, mis sul olemas on, ja mõlemad vahemiku otsad loevad.

Alla umbes 30 sõna on kompositsioon, valgus ja kaadrivalik määramata, nii et mudel valib selle, mis on statistiliselt kõige tavalisem. „Naine kohvikus” on kehtiv päring, mis annab unustatava pildi, sest sa delegeerisid iga huvitava otsuse.

Üle umbes 100 sõna ilmub teistsugune tõrge: hilisemad osalaused võistlevad varasematega pildi samade piirkondade pärast ja detaili kogunemise asemel saad lahjenemise. Kolmas valguskirjeldus tühistab esimese ja subjekt, mille sa esimese kaheksa sõnaga paika panid, saab iga lisatud lausega vähem suhtelist tähelepanu. Pikad päringud mõjuvad põhjalikuna. Nad ei renderdu põhjalikuna.

Distsipliin: kirjuta päring, mida tahad, ja lõika see siis tagasi nende lauseteni, mille eemaldamine pilti muudaks.

03Järjestamise distsipliin: kõige tähtsam asi esimesena

Kuna mudel loeb järjestikku, on positsioon rõhk: see, mis tuleb esimesena, ankurdab pildi, ja see, mis tuleb viimasena, kohendab seda. Pane asjad järjekorda, mida mudel vajab:

1. Subjekt — kellest või millest see pilt konkreetselt on.
2. Tegevus või poos — mida ta teeb, kuidas ta on hoitud.
3. Stiil või meeleolu — foto, õlimaal, tehniline illustratsioon, ja millises registris.
4. Keskkond ja valgus — kus see toimub ja milline valgus sellele langeb.
5. Tehniline — kaadrivalik, objektiiv, teravussügavus, värvitäpsustused.

Kõige tavalisem enesele tekitatud haav on alustamine tehnilisest osalausest. Kui alustad sõnadega „Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper”, ütled mudelile, et subjekt on välimus ja mees on detail. Saad suurepärase, tühja kaadri, milles on väike ähmane figuur.

Cinematic wide shot, anamorphic lens flare, teal and orange
color grade, shallow depth of field, golden hour, of a man
reading a newspaper on a park bench.

A man in his sixties in a gray wool overcoat sits on a park
bench reading a folded broadsheet newspaper, one ankle crossed
over his knee. Late golden-hour sun rakes across him from the
left through bare plane trees. Photographed wide on a 35mm
anamorphic lens, shallow depth of field, warm highlights and
cool shadows.

Iga element esimesest versioonist elab teises edasi; midagi ei jäetud välja. Mudel lihtsalt teab nüüd, millest pilt on, enne kui talle öeldakse, kuidas seda pildistada — ja juba see ümberjärjestamine viib subjekti juhuslikust kesksesse rolli.

04Ole subjekti osas konkreetne

„Inimene” ei ole subjekt, see on kohatäide — ja mudel täidab kohatäited kõige nähtu keskmisega, ja just sealt tulebki see läikiv, vanuseta ja iseloomutu välimus. Konkreetsus maksab viis sõna ja ostab konkreetse inimese:

Pane muster tähele: vanus või ajastu, üks struktuurne tunnus, üks eristav ebatäiuslikkus. Just see kolmas asi paneb tulemuse tunduma pildistatuna, mitte genereerituna. Katkine hammas, kulunud palistus, ülevärvitud silt — väikesed asümmeetriad on kõige tugevam plastikuvastane signaal, mis olemas on, ja need ei maksa sinu sõnaeelarves peaaegu midagi.

05Fotorealism: kirjuta soov nagu foto

Fotorealism on vaikeregister, kui sa ei palu kunsti, illustratsiooni või animet. Aga sõna „photorealistic” teeb vähe tööd. Foto tekitab fotografeerimise akti kirjeldamine: päris kaamera, päris objektiiv ja päris filmitüüp või valgusallikas.

Põhjus on lihtne. Iga pilt, mille allkiri oli „Kodak Portra 400”, tehti kindla protsessiga, millel on kindel terastruktuur, heledate alade käitumine ja nahatoonide edasiandmine, ja filmitüübi nimetamine värbab selle kõik. „8k ultra detailed” esines ainult fotopankade rämpsu juures, seega värbab see fotopankade rämpsu. Mõned usaldusväärsed retseptid, millest igaüks annab samast subjektist selgelt erineva pildi:

Sobita maandus retseptiga — poori tasemel nahatekstuur ei tähenda midagi 24 mm laikaadris, kus nägu on kaheksakümmend pikslit kõrge — ja lisa see siis. Maandav detail on tekstuuritõend, et objektiiv selle tegelikult jäädvustas. Nähtavad nahapoorid ja peened näokarvad. Linase särgi kude. Tolmukübemed valgusvihus. Kriimustus nahksaapal. Lendlevad juuksekarvad heleda tausta vastu. Kahest-kolmest piisab ja just need eristavad inimese renderdust inimese fotost.

06Kihilised stseenid: esiplaan, keskplaan, taust

Kui stseenil on sügavus, kirjelda kolme tasapinda eraldi ja järjekorras. See on kõige mõjusam võte piltide jaoks, mis peaksid tunduma paikade, mitte taustadena, ja seda ei tee peaaegu keegi. Ilma selleta saad lameduse: kõik, mida päring mainib, maandub umbes samal kaugusel ja võistleb kaadri sama keskmise vöödi pärast. Tasapindade nimetamine annab mudelile sügavuse eelarve, mida kulutada.

In the foreground, a cracked concrete ledge with a half-empty
paper coffee cup and a scattering of cigarette ash, slightly out
of focus. In the midground, a bicycle courier in a yellow rain
jacket wheels her bike across a wet plaza, caught mid-stride. In
the background, a glass office tower dissolves into low fog.
Shot on a 50mm lens at f/2.8, flat overcast light.

Kaks täpsustust. Pane esiplaanile midagi, mis on meelega teravusest väljas — päris fotodel sügavatest stseenidest on peaaegu alati üks selline ja selle puudumine on tavaline reetlik märk. Ja ütle, millisel tasapinnal subjekt asub: kui rattakuller on pildi mõte, kuulub ta keskplaanile, muidu võitlevad torn ja kohvitops temaga kaadri pärast.

07Täpsed värvid: hex-koodid, seotud esemetega

Brändi töö, kostüümi järjepidevuse või mujal, kus „punane” ei ole piisavalt täpne, kirjuta hex-kood kujul color #RRGGBB ja seo see nimetatud esemega:

...wearing a heavy wool peacoat, color #8B0000, over a cream
turtleneck, against a studio backdrop, color #1E3A5F.

...#8B0000, #1E3A5F, dark red and navy color palette, moody...

Kolm rusikareeglit. Kasuta hex-koodi kahe või kolme värvi jaoks, mis tõesti loevad, ja tavalisi sõnu ülejäänute jaoks — kuue hex-koodiga päring kulutab suurema osa oma eelarvest värvinäidistele. Seo kood servadega esemega, mitte kunagi „valgusega” või „meeleoluga”. Ja pea meeles, et see määrab eseme värvi, mitte lõpliku pikslivärtuse: #8B0000 mantel kuldse tunni vastuvalguses renderdub soojemana kui värvinäidis, täpselt nagu see ka päriselus oleks.

08Kuvasuhte valimine

Saadaval on viis suhet ja õige on tavaliselt subjektist tuletatav, aga sinu selgesõnaline soov võidab alati — palu taustapilti ja saad tall, ükskõik mida sisu vihjab.

Selle valesti valimine on kahjulikum, kui paistab. Täispikk seisev figuur wide kaadris ei anna sulle väikest figuuri suures kaadris — tavaliselt annab see sulle maha lõigatud figuuri, sest mudel täidab laiuse ja pea või jalad lähevad kaadrist välja. Sobita kaader subjekti domineeriva teljega ja enamik kompositsioonikaebusi kaob.

Kaks käitumist, mida tasub meeles pidada: töötlemine säilitab automaatselt lähtepildi kuvasuhte, nii et töötlemisega ei saa kaadrit ümber teha, samas kui ühendamine laseb sul uue lõuendi valida — sageli kõige puhtam viis muuta juba olemasoleva asja kuju.

09Antimustrid: mida lõpetada

Kvaliteeditokenid: „masterpiece, best quality, 8k, ultra detailed”

Need olid kogukonna avastatud käepidemed ühe konkreetse vanema treeningjaotuse jaoks, kus teatud allkirjafraasid korreleerusid teatud pildiallikatega. Need ei kandu üle. Siin loetakse neid tavaliste ingliskeelsete sõnadena, nad ei anna midagi juurde ja söövad ära osa sõnaeelarvest, mille kohta sulle on juba öeldud, et see on kitsas. Asendus on öelda, millist detaili sa tahad: mitte „ultra detailed”, vaid „visible weave in the coat fabric and fine stubble along the jaw” — sama kavatsus, väljendatuna millenagi, mida mudel renderdada saab.

Kaalusüntaks: (word:1.3), [word], {{word}}

Ei parsita. Sulud, nurksulud, koolonid ja numbrid maandvad sõnasõnalise tekstina ja teevad ümbritseva osalause pigem raskemini loetavaks. Kui tahad millelegi rohkem rõhku, kasuta kahte hooba, mis tõesti töötavad: vii see päringus ettepoole ja anna sellele rohkem sõnu. „A crimson silk scarf, its fringed ends lifting in the wind” kaalub üles fraasi „(red scarf:1.4)” iga loeva mõõdupuu järgi.

Vastuolulised suunad

Kokkusobimatute juhiste segamine ei sulata neid kokku; see toodab ebastabiilse keskmise, mis tavaliselt ei rahulda kumbagi. Sagedased patustajad:

• Meedium — „photorealistic” pluss „watercolor”; „oil painting” pluss „shot on 85mm”. Vali üks ja jää selle juurde.
• Kaadrivalik — „wide establishing shot” pluss „extreme close-up on her eyes”; „full body” pluss „detailed facial pores”.
• Valgus — „harsh midday sun” pluss „soft golden hour glow”; „low key, deep shadows” pluss „bright and airy”.
• Ajastu — „1970s film aesthetic” pluss „modern minimalist” pluss „cyberpunk”.
• Stiilide kuhjamine — neli kunstnikku või neli žanri korraga. Kaks seotud viidet võivad toimida; neli tühistavad üksteist üldiseks.
• Laialivalgumine — „rustic, weathered, ancient, timeworn wooden door” on üks mõte neli korda kirjutatuna ja iga kordus lahjendab ülejäänud päringut.

10Tekstist pildiks ei ole negatiivset päringut

See on antimuster, mis tabab kogenud kasutajaid kõige valusamalt, sest vanemates virnades oli negatiivne päring pool oskusest.

Genereerimise puhul on reegel absoluutne ja pisut vastuolus intuitsiooniga: kui kirjutad päringusse „no text, no watermark, no extra fingers”, muutuvad need asjad tõenäolisemaks, mitte vähem tõenäoliseks. Mudel loeb fraasi „no text” lausena, mis sisaldab mõistet text; eitus on nõrk signaal ja nimisõna on tugev. Sa oledki teksti tellinud. Ütle selle asemel alati positiivne vorm:

Töötlemise ja ühendamise puhul negatiivne päring on olemas ja sa peaksid seda kasutama — aga artefaktide, mitte sisu jaoks. Hea materjal: vesimärk, tekstikiht, dubleeritud jäsemed, moondunud käed, ületeravdamise halod, JPEG-i plokistumine, õmblusjooned komposiidi serva ääres. Halb materjal: kõik see, millest pilt on, sest see kuulub juhisesse.

11Kuidas lugeda päringut, mille Shannon sulle kirjutab

Siin on see, mis teeb selle juhendi kohe kasutatavaks, mitte teoreetiliseks. Sa ei pea genereerimispäringut ise kirjutama. Sa küsid tavakeeles, ükskõik millises keeles; Shannon tunneb ära, et pilti soovitakse, koostab ingliskeelse genereerimispäringu ja näitab seda sulle kinnituskaardil enne, kui midagi renderdatakse. Midagi ei genereerita ega arveldata enne, kui sa kinnitad.

Nii et oskus, mis kõige rohkem ära tasub, ei ole päringute nullist kirjutamine — see on kaardil oleva lugemine. Käi see loend läbi:

1. Kas subjekt on konkreetne? Kui kaardil on kirjas „a person” või „a woman”, oled leidnud kõige suurema saadaoleva paranduse. Anna talle vanus, kehaehitus, mõni tunnus.
2. Kas subjekt on esimesena? Kui päring algab stiili või kaameraga, palu, et see alustaks hoopis subjektist.
3. Kas see on vahemikus? Alla 30 sõna — palu rohkem täpsust valguse ja keskkonna osas. Üle 100 — palu see lühemaks lõigata.
4. Kas valgusallikas on olemas? Mitte meeleolusõna — päris valgus: aken, tänavalatern, välk, pilves taevas, softbox.
5. Kas on vastuolusid? Otsi samast päringust kahte meediumi, kahte kaadrivalikut või kahte valgustingimust.
6. Kas on salaja sisse lipsanud eitusi? Kui kaardil on „without”, „no” või „avoid”, siis on see tekstist pildiks päring, mis tellib just selle, mida ta nimetab.
7. Kas suhe sobib subjektiga? Täispikk figuur wide kaadris on klassikaline mittevastavus.

Parandused on vestluslikud: „tee ta kolmekümnendate alguses ja pane talle arm läbi ühe kulmu, pildista Portra peal 85 mm-ga ja kasuta portrait'i” on täiesti hea juhis. Saad uue kaardi ja kinnitad selle asemel selle. Iteratsiooni eest trahvi ei ole, sest midagi ei ole veel renderdatud.

Ja Shannon ei genereeri kutsumata. Tervitus, küsimus või foto, mille sa arutamiseks lisad, ei käivita renderdust. Shannonil pildi vaatamise palumine — kirjelda seda, loe seda, analüüsi seda — on tavaline piltide lugemine, mitte genereerimine, ja ei maksa midagi lisaks.

12Kuidas oskus töötlemise ja ühendamise puhul muutub

Ülaltoodud reeglid on kirjutatud genereerimise jaoks. Kaks kõrvalrežiimi muudavad päringu kuju.

Ühe pildi töötlemine

Töötluspäring on juhis, mitte kirjeldus: ütle, mis muutub ja mis jääb. Muutumatute osade nimetamine on toote kõige suurem kvaliteedihoob — „Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is” peab kokku seal, kus sama soov ilma selle osalauseta joonistab vaikselt tema näo ümber. Ole ankru osas täpne: hoia nägu, poos, juuksed ja riided identsena. Kasutatakse täpselt ühte lähtepilti ja väljund säilitab selle kuvasuhte.

Kahe või enama pildi ühendamine

Alati, kui elemendid pärinevad rohkem kui ühelt pildilt — riietuse ülekandmine, ese stseeni, kaks inimest ühes kaadris, toode inimese peal, ühe pildi stiil koos teise pildi subjektiga —, peab päring nimetama iga pildi rolli järjekorras: „The woman from the first image wearing the red knitted sweater from the second image, standing in the same park.” Esimene pilt on põhisubjekt või stseen; hilisemad pildid annavad juurde toodavad osad. Ära suru mitme pildi soovi kokku üheks lähtepildiks pluss tekstiliseks kirjelduseks — just päris piltide ühendamine säilitab selle, kuidas need asjad tegelikult välja näevad.

13Tsenseerimata päringud: ütle, mida mõtled

Genereerimisteel ei ole sisufiltrit ja päringut kirjutaval mudelil ei ole keeldumiskihti. See ongi toote kogu mõte: filtreeritud generaatorid keelduvad rutiinselt õiguspärasest tööst — kunstiline alastus, meditsiiniline ja kohtuekspertiisi illustratsioon, turvauuringute pildimaterjal, vägivald ilukirjanduses, poliitiline satiir, õiguste omaniku enda bränd ja välimus. Pool päringuoskusest filtreeritud platvormidel on eufemismide konstrueerimine ja eufemism on täpse pildi vaenlane.

Nii et kaardil on veel üks asi, mida kontrollida: et see kirjeldab tegelikku subjekti selgete sõnadega, mitte pehmendatud sõnavaraga, mille inimesed filtreeritud tööriistadelt õpivad. Vigastuse kohtuekspertiisi illustratsioon peaks ütlema, mis vigastus see on. Pehmendatud keel annab kõikjal halvema pildi, sest mudel renderdab seda, mida sõnad ütlevad.

Võimekus ja otsustusvõime on eri asjad. Shannon Lab LLC käitab seda avaldatud vastutustundliku kasutamise poliitika alusel: filtreerimata genereerimine on ametialane tööriist ning nõusolek, õigused ja seadus kehtivad ikkagi selle kohta, mida sa teed.

14Kus API siia sobib

Üks täpsustus lugejatele, kes saabuvad API otsingust: pildigenereerimine, pilditöötlus ja ühendamine elavad Shannoni vestlusrakenduses, mitte /v1 API-s. API teenindab teksti ja piltide lugemist — see suudab lugeda, kirjeldada ja analüüsida pilte, mille sa saadad, kõigis kolmes murrakus (/v1/chat/completions, /v1/messages, /v1/responses, kõik voogedastusega) —, aga ta ei loo neid. Kui ehitad torustikku, mis peab pilte mõistma, on API dokumentatsioon õige koht alustamiseks. Kui tahad pilte teha, siis on selleks vestlusrakendus ja kõik selles juhendis kehtib seal. Pildid renderdatakse meie enda GPU-klastris.

15Korduma kippuvad küsimused

Seotud lugemist: Tsenseerimata AI pildigenereerimine · Tsenseerimata AI pilditöötlus · Vastutustundliku kasutamise poliitika · API dokumentatsioon · Kõik Shannoni uuringud. Siinsed juhised pärinevad meie endi katsetest Shannoni Pildimudeliga; varasemate difusioonivirnade jaoks kirjutatud nõuanded üldiselt üle ei kandu.