AI riietuse ülekanne, tsenseerimata

Enamik pilditööst, mida inimesed tegelikult vajavad, ei ole „tee mulle pilt ühest asjast”. See on „pane see jakk selle inimese selga”, „aseta see tool sellesse tuppa”, „pildista seda toodet selles käes”. Kõik need vajavad materjali rohkem kui ühelt fotolt ja kõik kukuvad läbi ühtemoodi: üks pilt lisatakse, teine kirjeldatakse sõnadega, ja tagasi tuleb midagi usutavat, mis ei ole see asi, mis sul on. Lahendus on väiksem, kui arvata oskaks, ja see töötab kõikjal.

01Mis „piltide ühendamine” on ja kus see toimub

Shannon 3 teeb piltidega kolme eri asja: ta genereerib kirjelduse põhjal uue pildi, ta töötleb üht olemasolevat pilti ja ta ühendab kaks või enam pilti üheks uueks. Neil on erinevad reeglid ja vale valimine on esimene koht, kus kvaliteet kaob.

Kasuta ühendamist alati, kui valmis pilt vajab materjali rohkem kui ühelt fotolt: riietuse ja rõivaste ülekanne, eseme asetamine stseeni, inimene A inimese B kõrval, päris toode päris modelli käes, ühe pildi stiil rakendatuna teise pildi subjektile. Kui avastad end soovimas, et saaksid osutada korraga kahele pildile, siis see ongi see operatsioon.

Kõik see toimub Shannoni vestlusrakenduses, tavalises vestluses. Seda ei ole /v1 API-s — API teenindab teksti ja nägemist, mis tähendab, et see loeb sinu saadetud pilte, mitte ei tooda uusi. Kui tulid siia API-otsingust, on see aus vastus; vaata API dokumentatsioonist, mida otspunktid tegelikult teenindavad. Pildid renderdatakse meie enda GPU-klastris.

Sa küsid tavakeeles, mis keeles sa iganes räägid. Shannon saab aru, et pilti soovitakse, kirjutab genereerimisjuhise ise inglise keeles ja näitab seda sulle kinnituskaardil enne, kui midagi renderdatakse. Midagi ei genereerita ega arveldata enne, kui sa kinnitad — ja mitme pildi töö puhul on just see kaart koht, kus sa kontrollid, et rollid ja järjekord tulid välja nii, nagu sa mõtlesid. Shannon ei genereeri kunagi kutsumata: tervitus, küsimus või muuseas lisatud foto ei käivita renderdust.

02Reegel: nimeta iga pildi roll, järjekorras

Juhis peab ütlema, mida iga pilt annab, ja see peab ütlema seda selles järjekorras, milles pildid anti. See ongi kogu võte; kõik allpool on see sama reegel rakendatuna konkreetsele tööle.

Esimene pilt on alus — põhisubjekt või stseen, olenevalt sellest, millest valmis pilt peamiselt koosneb. See määrab identiteedi, poosi, kadreeringu, valguse ja kõik, mille muutmist sa ei palunud. Hilisemad pildid on allikad: sissetoodavad osad. Kirjuta lause nii, et võõras inimene, kes hoiab pilte järjekorras käes, suudaks töö käsitsi ära teha.

Toimib
The woman from the first image wearing the red knitted sweater
from the second image, standing in the same park, same pose and
same afternoon light, her face and hair unchanged.

Kukub läbi
Combine these two images.   Merge the photos.   Put them together.

Läbikukkuvad versioonid ei kuku läbi mitte sellepärast, et nad on lühikesed, vaid sellepärast, et nad ei ütle kunagi, kumb pilt on inimene ja kumb kampsun. Kolm harjumust teevad reegli usaldusväärseks:

• Kasuta järgarve otsesõnu. „Esimeselt pildilt”, „teiselt pildilt”. Paar sõna, ja mitmetimõistetavus on kadunud.
• Ütle, mis jääb samaks. „Hoia tema nägu, juuksed ja poos identsena.” Muutumatute osade nimetamine on suurim kvaliteedihoob igas pildioperatsioonis, mida Shannon teeb, ja siin loeb see kõige rohkem, sest kompositsioonil on kaks või enam asja, millest ta võib eemale triivida.
• Kirjuta proosat, mitte silte. Pildimudel loeb juhiseid nii, nagu keelemudel loeb lauset, seega täislaused löövad komadega eraldatud märksõnu. Sihi 30 kuni 80 sõna peale ja jäta ära SDXL-ajastu praht („masterpiece, best quality, 8k”) ja kaalusüntaks nagu (word:1.3).

Kui pildil on rohkem kui üks asi, nimeta see osa, mida sa sealt tahad. Kui teine pilt on kataloogivõte modellist, kellel on kampsun seljas, siis „teise pildi naise seljas olev punane kootud kampsun” ütleb, et sa tahad rõivast, mitte modelli. Jäta see „teiseks pildiks” ja võid saada kaasa ka tema näo.

Rollimallid tööde kaupa

Töö	Esimene pilt	Teine pilt	Juhise kuju
Riietuse ülekanne	Inimene	Rõivas	„[Inimene] esimeselt pildilt, seljas [rõivas] teiselt pildilt, [mis jääb]”
Ese stseenis	Stseen	Ese	„[Tuba] esimeselt pildilt, milles on [ese] teiselt pildilt asetatud [kuhu], sobitades [valguse]”
Inimene + inimene	Inimene A ja miljöö	Inimene B	„[Mees] esimeselt pildilt seismas [naise] kõrval teiselt pildilt, [asendid, pilgusuunad]”
Toode inimese käes	Modell või stseen	Toode	„[Modell] esimeselt pildilt hoidmas [toodet] teiselt pildilt, [haare, sildi suund]”
Stiili ülekanne	Subjekt	Stiilireferents	„[Subjekt] esimeselt pildilt renderdatuna teise pildi [stiiliteljed], [subjekt muutumatuna]”

03Viga, mis rikub enamiku katsetest: kirjeldamine lisamise asemel

See on viga, mille pärast tasub kära teha, sest see on ülekaalukalt kõige levinum ja sest see näeb välja nagu õnnestumine. Kasutajal on kaks fotot — tema klient ja kliendi toode või tema ise ja jakk, mis tal endal on. Ta lisab ühe ja tipib teise.

Viga
[lisab ühe foto naisest]
"Put a red knitted sweater on her, cable knit, kind of chunky,
with a rolled collar."

Tagasi tuleb naine punases kootud kampsunis. See on hea kampsun. See ei ole see kampsun. Palmikumuster on välja mõeldud, värv on teistsugune punane, sooniku sügavus on vale, krae rullub valetpidi ja väikesed asümmeetriad, mis teevad päris rõiva äratuntavaks — parandus, tõmme, kangatihedus küünarnukkide juures — on kadunud, sest miski lauses ei sisaldanud neid.

Tekst on kadudega kanal ja foto ei ole. Hoolikas lause kannab eseme kohta ehk tosinat omadust; foto kannab tuhandeid, sealhulgas kõik need, mida sa ei tuleks kunagi selle peale kirja panna, ja need, mida sa ei oska nimetadagi. Kirjeldamine lisamise asemel viskab minema kõik, mille peale sa ei tulnud, ja see on enamik. Lisamine säilitab päris välimuse, sest päris välimus on kohal.

Test on lihtne. Kui pildi mõte on selles, et see on see üks — see konkreetne rõivas, see inimene, see täpne toode, see tuba — siis lisa see. Kui sa suudaksid eseme rivist välja valida ja loeb, et tulemus vastaks just sellele, mille sa valiksid, siis kirjeldus seda ei tee.

Kirjeldamiseks on olemas õiguspärane juhtum: kui asja veel ei ole olemas või kui sa tahadki üldist versiooni. Kampsuni kavandamine, mida keegi pole kudunud, kontseptsiooni visandamine — see on tekstist pildiks töö ja kirjeldus on õige, sest ei ole päris eset, mille identiteeti sa hoiaksid. Hetkel, mil päris ese ülesandesse siseneb, siseneb ka selle foto.

Sellega seotud pooleldi viga: mõlema pildi lisamine ja siis ikkagi teise üksikasjalik kirjeldamine. Omadussõnad võivad fotoga võidelda — kirjuta „jäme kude”, kui päris rõivas on peene koega, ja oled loonud vastuolu. Kirjelda teist pilti ainult nii palju, et oleks selge, millist osa sellest sa tahad.

04Riietuse ja rõivaste ülekanne

Kanooniline kahe pildi töö. Lisa inimene esimesena ja rõivas teisena. Rõiva pilt võib olla lameseade, riidepuuvõte, kataloogifoto või keegi teine seda kandmas — kõik toimivad, kui sa ütled, millist osa sellest sa silmas pead.

Riietuse ülekanne
The woman from the first image wearing the red knitted sweater
from the second image. Keep her face, hair, pose and the park
background exactly as they are, with the same soft overcast light.
The sweater should hang naturally on her frame, with the cable
pattern and collar of the original garment intact.

Negative prompt: warped cable pattern, extra sleeves, distorted
hands, plastic-looking fabric, mismatched lighting

Töö teevad ära kolm asja: rollid on nimetatud järjekorras, muutumatud osad on valjusti üles loetud (just see peatab näo triivimise) ja viimane osalause ütleb mudelile, et rõiva enda detailid on siin asja mõte — ilma selleta kipuvad kompositsioonid hoidma värvi ja siluetti, siludes samal ajal vaikselt tekstuuri.

• Istuvus on füüsiline väide, nii et esita see. „Langeb loomulikult tema kehale”, „vööst liibuv”, „varrukad lõppevad randmel” — muidu võib rõivas saabuda oma lähtepildi proportsioonides, mitte kandja omades.
• Varjatus on raske juhtum. Kui käed on risti või kotirihm läheb üle rinna, ütle, mis sellega juhtub. Mitmetimõistetavus seal toodab klassikalise sulanud varruka artefakti.
• Rohkem rõivaid tähendab rohkem pilte. Kõigepealt inimene, siis pealisrõivas, siis püksid, siis jalatsid — ja viita neile järjekindlalt kui teisele, kolmandale ja neljandale pildile. Ära vaheta poole peal „selle kingapildi” vastu.

05Eseme asetamine stseeni

Siin rollid pöörduvad ümber: stseen läheb esimesena, sest stseen on see, millest valmis pilt peamiselt koosneb, ja ese on sissetoodav osa. Sisekujunduse maketid, toa sisustamine mööbliga, mida sa pole ostnud, sõiduki asetamine teele, skulptuuri paigutamine galeriisse — sama kuju iga kord.

Ese stseenis
The living room from the first image with the green velvet
armchair from the second image placed beside the window on the
left, angled slightly toward the camera and standing about waist
height in frame. Match the room's warm late-afternoon light, with
a soft shadow falling to the right of the chair onto the rug.
Keep the rest of the room and the camera angle unchanged.

Negative prompt: floating object, cut-out edges, duplicate
shadows, mismatched color temperature

Tõrkeviis ei ole siin identiteet, vaid füüsika. Ese, mis säilitab oma valguse, näeb välja külge kleebitud ja vaatajad märkavad seda hetkega, isegi kui nad ei oska öelda, miks. Kuluta oma sõnad kolmele asjale, mida üksiku eseme foto teada ei saa: paigutus (kus kaadris, mille suhtes), mõõtkava stseeni, mitte sentimeetrite kaudu („umbes vööni”, „ukselingiga sama kõrge”) ning valgus ja vari — suund, kvaliteet ja koht, kuhu vari langeb. Just viimane on see, mis muudab montaaži fotoks.

06Inimene A inimese B kõrval

Kaks inimest, kes ei ole kunagi olnud samas ruumis: perefotod läbi põlvkondade, asutaja portree, kui kaasasutaja oli reisil, plakat kahe esinejaga. See toimib ja vajab kaht asja, mida ühe subjektiga tööd ei vaja.

Kaks inimest
The man from the first image standing beside the woman from the
second image, both on the same stone terrace from the first image.
He stands on the left, she stands on his right, shoulders almost
touching, both facing the camera at the same eye level. Keep both
faces, hairstyles and clothing exactly as in their own photographs,
and light both with the same soft evening light from the left.

Canvas: landscape
Negative prompt: mismatched skin tone, duplicated limbs, seam
line between subjects, uneven lighting

Need kaks lisandit: suhteline geomeetria — kes on kummal pool, kui kaugel teineteisest, kelle pilk kuhu läheb ja suhteline pikkus, sest kaks erinevalt kadreeritud portreed ei anna mudelile mingit võimalust teada, et üks inimene on peajagu pikem — ja üksainus ühine valgus, otsesõnu välja öeldud, sest sa liidad kaks valguskeskkonda ja üks peab võitma.

Just siin tasub uue lõuendi kuvasuhte valimine end ära: kahest püstformaadis lähtepildist tuleb halb püstformaadis grupipilt, seega palu landscape või wide. Ja ütle ilmselge korra välja — päris inimese asetamine pildile, kus teda ei olnud, on võimas ega ole automaatselt kahjutu. Sul peavad olema õigused või nõusolek; meie vastutustundliku kasutamise poliitika on lühiversioon.

07Toode inimese käes ja tsenseerimata tootefotograafia

Ärilises mõttes on just see kompositsioon, mis tasub end ise ära. Sul on tootevõte valgel taustal ja sul on modell, käsi, köök, töölaud. Nende ühendamine annab sulle elustiilifoto ilma stuudiopäevata — ja sinu päris tootega selle sees, mitte genereeritud lähendiga, ja just selles on kogu vahe kasutatava turundusmaterjali ja maketi vahel, mille pärast pead vabandama.

Toode inimese käes
The woman from the first image holding the amber glass serum
bottle from the second image in her right hand, raised to chest
height, the label facing the camera and fully legible, her fingers
wrapped naturally around the bottle without covering the label.
Keep her face, hair and the kitchen background unchanged. Shot on
Kodak Portra 400, 85mm f/1.4, soft window light from the left.

Canvas: portrait
Negative prompt: warped label text, extra fingers, floating
bottle, duplicated reflections, plastic skin

Kaks tootetööle omast lisandit. Haare: esemeid hoidvad käed on koht, kus kompositsioon kõige sagedamini viltu läheb, seega ütle, kumb käsi, mis kõrgusel ja et sõrmed mähkuvad loomulikult ümber pudeli, katmata silti. Fotograafiline töötlus: nimeta kaamera, objektiiv ja film või valgusallikas. Väljund peaks lugema nagu foto, mis tehti, mitte nagu kaks fotot, mis ühendati, ja just selle kirjutamine fotona viib sind sinna.

Tsenseerimatus loeb siin argisemal moel, kui see kõlab. Filtreeritud generaatorid keelduvad tervetest tavalise, seadusliku kaubanduse kategooriatest: pesu- ja ujumisrõivakataloogid, tubaka- ja aurustiseadmed, alkohol, tulirelvade lisatarvikud, täiskasvanute heaolutooted, kanep seal, kus see on seaduslik, meditsiiniseadmed, taktikaline ja jahivarustus. Samuti keelduvad nad brändi- ja kujutisetööst, mille teeb õiguste omaja. Miski neist ei ole erandjuhtum; see on agentuuris tavaline teisipäev. Shannonil ei ole genereerimise teel sisufiltrit ega päringut kirjutaval mudelil keeldumiskihti, nii et töö läheb läbi ja õiguste küsimus jääb sinu juurde, kuhu ta kuulubki.

08Stiil ühelt pildilt, subjekt teiselt

Subjekt esimesena, stiilireferents teisena. Selle töö teeb teistsuguseks see, et sa laenad omadust, mitte eset, seega pead nimetama, milliseid omadusi — ja ütlema, et referentsi enda subjekt ja kompositsioon kaasa ei tule.

Stiilireferents
The portrait of the man from the first image rendered in the
visual style of the second image: the same muted teal and ochre
palette, visible dry-brush texture, and flat even lighting. Keep
his face, expression and pose recognizable and unchanged. Do not
carry over the subject, background or composition of the second
image.

Negative prompt: second face, borrowed background, photographic
texture

Nimeta stiiliteljed otsesõnu, sest ainult „teise pildi stiilis” on alamääratletud: palett (või täpsed värvid, kirjutatuna kujul color #8B0000 nimetatud eseme juurde), pintslitöö või teralisus, valguse kvaliteet, joone jämedus, abstraktsuse tase, servade käsitlus. Vali need kaks-kolm, mis välimust määravad; kõigi kuue nimetamine keskmistab nad ära. Ja ära sega vastandlikke suundi — „fotorealistlik” pluss „akvarell” toodab segapudru, mitte segu. Kui tahad fotot, mis lihtsalt laenab paleti, ütle täpselt seda.

09Negatiivsed päringud ja uue lõuendi kuvasuhte valimine

Kaks võimekust, mis on olemas ühendamisel ja töötlemisel, aga mitte tekstist pildiks, ja mõlemad on alakasutatud.

Negatiivne päring

Piltide ühendamine toetab negatiivset päringut. Soovimatud artefaktid lähevad sinna — ja loeb, et nad lähevad sinna, mitte juhisesse, sest „ei mingeid lisasõrmi” kirjutamine põhijuhisesse nimetab selle asja, mida sa üritad vältida, samas hingetõmbes kõige sellega, mida sa tahad. Pane välistused omaenda kanalisse. Kirjed, mis järjekindlalt oma koha välja teenivad:

• Anatoomia — lisasõrmed, dubleeritud jäsemed, moondunud käed, teine nägu.
• Montaaži reeturid — väljalõigatud servad, nähtav õmblusjoon, hõljuv ese, dubleeritud varjud, halo subjekti ümber.
• Valguse mittevastavus — sobimatu värvitemperatuur, ebajärjekindel varjusuund, ebaühtlane säritus subjektide vahel.
• Tekstuuritõrked — plastine nahk, siluritud kangas, moondunud sildi tekst, loetamatu logo.

Hoia see selle käputäie juures, mis on sinu pildi puhul usutav. Negatiivne päring, mis loetleb kolmkümmend asja, on hajus juhis, mitte tugev.

Lõuendi kuvasuhe

Ühe pildi töötlemine pärib lähtepildi kuvasuhte automaatselt — lähtepilte on üks ja selle kuju ongi vastus. Ühendamisel sellist vaikeväärtust ei ole, seega saad valida uue lõuendi kuvasuhte, ja sageli peaksidki, sest kuju, mis sobis ühele lähtepildile, sobib kompositsioonile harva.

Kuvasuhe	Millele sobib	Tüüpiline kasutus kompositsioonis
square	Vaikimisi, sotsiaalmeedia vood	Üks subjekt ühe ülekantud elemendiga
portrait	Inimesed, kõrged subjektid	Riietuse ülekanne, ühe modelli käes olev toode
landscape	Maastikud, grupid	Kaks inimest kõrvuti, tuppa asetatud ese
wide	Kinematograafiline kadreering	Grupipildid, keskkondlikud tootestseenid, bännerid
tall	Plakatid, telefonitaustad	Täispikad riietusvõtted, plakatipaigutused

Otsesõnu esitatud soov võidab alati. Ütle mitte midagi ja saad ruudu — vale kuju enamiku kahe inimese ja täispikkade riietustööde jaoks, seega tasub see ühte sõna.

10Milliseid pilte Shannon kasutab: vestlus versus see sõnum

Pilt satub kompositsiooni kahel viisil ja teadmine, kummale sa toetud, hoiab ära enamiku järjekorrasegadustest.

Praegusele sõnumile lisatud. Otsetee: lisa kõik sellele sõnumile, mis kannab juhist, selles järjekorras, milles kavatsed neile viidata, ja „esimene pilt” ning „teine pilt” tähendavad täpselt seda, mida nad välja näevad. Tee vaikimisi nii.

Vestluses juba olemas. Varem lõimes saadetud pildid jäävad kättesaadavaks ja neile saab viidata tavakeeles — „foto, mille ma varem saatsin”, „see kampsunipilt eespool”, „see teine versioon, mille sa tegid”. Shannon lahendab viite lõime vastu ja see on pika seansi jooksul tõesti mugav: sa saad tulemust itereerida ja siis uue elemendi sisse tuua, ilma et peaksid kõike uuesti üles laadima.

Kaitse on mõlemal juhul sama. Kinnituskaart näitab juhist enne, kui midagi renderdatakse, sealhulgas järjekorda, mille ta valis. Loe see läbi. Kui rollid tulid tagurpidi — kampsun alusena, inimene allikana — ütle seda ja see parandatakse enne, kui üksainus piksel on genereeritud või arveldatud. Sellegipoolest: kui lõim on pikk ja pilte täis, lisa vajalikud uuesti; kuus pilti tagasi on „teine pilt” igale lugejale mitmetimõistetav.

Shannonil pilti vaadata paluda — kirjelda seda, loe silti, ütle, mis kangas see on — on tavaline nägemistöö, mitte genereerimine. See ei maksa midagi lisaks ja on hea kontroll enne komponeerimist: kui Shannoni kirjeldus ei maini detaili, mis sulle korda läheb, peab sinu juhis selle nimetama.

11Tsenseerimata ja mida see tegelikult tähendab

Genereerimise teel ei ole sisufiltrit ja päringut kirjutaval mudelil ei ole keeldumiskihti. Kompositsioon on koht, kus filtreeritud tööriistad kõige nähtavamalt läbi kukuvad, sest keeldumissüsteem ei suuda vahet teha piltide ühendamisel, mis kuuluvad sulle, ja piltide ühendamisel, mida sul ei tohiks ollagi — seega blokeerib see mõlemad.

Töö, millest need tööriistad regulaarselt keelduvad, ei ole eksootiline: kunstiline alastus ja aktiuuring, meditsiiniline ja kohtuekspertiisi illustratsioon, turvauuringute pildimaterjal, vägivald ilukirjanduses raamatukaante ja mängugraafika jaoks, poliitiline satiir ning ülalloetletud seaduslikud tootekategooriad. Iga üks neist on õiguspärane professionaalne töö, mida märksõnafilter ei suuda väärkasutusest eristada.

Tsenseerimata ei tähenda vastutuseta. Sa annad ette päris esemete ja sageli päris inimeste fotosid; õigused ja nõusolek on sinu hoida, samuti vastutus tulemuse eest. Shannon Lab LLC on New Mexico ettevõte, mis tegutseb avaldatud vastutustundliku kasutamise poliitika alusel — tasub viis minutit enne, kui asud tööle, mis puudutab teiste inimeste kujutist.

12Piirid, mida tasub enne alustamist teada

Videogenereerimist ei ole. Shannon ei animeeri pilte ega tooda videot, mitte mingil kujul, mitte ühestki neist operatsioonidest — mitte üksikust pildist, mitte kompositsioonist, mitte eksperimentaalse valikuna. Kui sinu ülesanne lõpeb liikumisega, ei ole see viimase sammu jaoks õige tööriist. Selline toode lihtsalt on, see ei ole vihje teekaardile.

Muud ausad piirid, kõik koos möödapääsudega:

• Peen tekst on kõige nõrgem koht. Väikekiri, tihe pakenditekst ja pikad seerianumbrid võivad tulla ebatäiuslikud. Kadreeri toode nii, et oluline tekst oleks suur, pane moondunud sildi tekst negatiivsesse päringusse ja kontrolli täissuuruses.
• Äärmuslik mõõtkava erinevus on raske. 4000 piksli laiune tootevõte ühendatuna toa väikese pisipildiga annab mudelile vähe tööd. Kasuta iga lähtepildi parimat koopiat, mis sul on.
• Tugev varjatus piirab seda, mida saab üle kanda. Kokkuvolditult pildistatud rõivale, mille selga pole kunagi näha, ei saa selga tõetruult juurde mõelda. Kui kompositsioon näitab selga, anna selg ette.
• Rohkem pilte tähendab rohkem ruumi segaduseks. Neli lähtepilti on distsiplineeritud järgarvulise nimetamisega tehtav, aga see ei ole koht, kus olla muretu — kasuta seda arvu, mida töö vajab, ja mitte rohkem.
• Kaks suurt muudatust korraga võistlevad. Kanna üle riietus, kinnita, siis muuda tausta. Järjestikused töötlused löövad ühte ülekoormatud juhist peaaegu alati ja iga sammu on odav kontrollida.

13Korduma kippuvad küsimused

---

Pildigenereerimine, -töötlus ja mitme pildi kompositsioon on Shannoni vestlusrakenduse funktsioonid; otspunktid /v1/chat/completions, /v1/messages ja /v1/responses teenindavad teksti ja nägemist, mis tähendab, et nad loevad pilte, mitte ei genereeri neid. Videogenereerimist ei ole. Kuvasuhte valikud, negatiivse päringu tugi ja kinnituskäitumine on ajakohased 5. septembri 2026 seisuga. Seotud: tsenseerimata AI pildigenereerimine · tsenseerimata AI pilditöötlus · vastutustundlik kasutamine · API dokumentatsioon · uuringute register.