Tekoälyn kuvakehoteopas

Useimmat saapuvat SDXL:llä opituin kehotetavoin: pilkulla erotettu substantiivijono, laatutokeneilla alkava johdanto, muutama sulkeisiin merkitty painotus ja negatiivinen kehote yhtä pitkänä kuin positiivinen. Ne tavat olivat oikeita niille malleille ja ovat täällä haitallisia. Tämä on lyhyt versio siitä mikä oikeasti toimii — ja koska Shannon kirjoittaa generointikehotteen puolestasi ja näyttää sen ennen kuin mitään renderöidään, tämä on yhtä lailla opas siihen miten luet ja korjaat sitä mitä Shannon ehdottaa.

01Miksi proosa voittaa tagit: malli lukee kuin kielimalli

Vanhemmat diffuusiomallit, joille useimmat kehoteohjeet kirjoitettiin, käyttivät tekstienkooderia joka käyttäytyi käytännössä kuin käsitteiden säkki: kieliopilla ei juuri ollut väliä, ja voittava strategia oli kasata olennaisia substantiiveja ja painottaa niitä. Tagikeitto oli oikea kehotteen muoto tuolle enkooderille.

Shannonin kuvamalli ei toimi niin. Se lukee kehotteen kuten kielimalli lukee tekstiä, joten syntaksi kantaa merkitystä. ”Holding an umbrella against her shoulder” on suhde henkilön, esineen ja ruumiinosan välillä; ”umbrella, shoulder” on kaksi asiaa jotka sattuvat olemaan läsnä. Prepositiot sijoittavat asioita. Verbit luovat asentoja. Lauseenosat kiinnittävät yksityiskohdan oikeaan substantiiviin sen sijaan että se leijuisi läpi koko kuvan.

Tässä on sama kuva pyydettynä molemmilla tavoilla.

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.

Katso mitä tagiversio ei pysty ilmaisemaan. Se ei koskaan sano että sateenvarjoa pidetään, joten se voi päätyä makaamaan maassa. Se ei koskaan sano että neon heijastuu asfaltista, vain että molemmat ovat olemassa, joten saat kylttejä ja märän kadun ilman optista suhdetta niiden välillä. Se ei koskaan sano mihin nainen katsoo, joten hänen asentonsa on kolikonheitto. ”Cinematic lighting” on tunnelmaleima, ei valonlähde. Ja viimeiset viisi tokenia ovat kohinaa, jotka luetaan valokuvausta koskevina englannin sanoina eikä ohjauskahvoina.

Proosaversio ei ole pidempi kukkaiskielisyyden vuoksi. Se on pidempi siksi että se vastaa kysymyksiin jotka tagiversio jätti auki. Siinä on koko temppu.

02Kuinka pitkä kuvakehotteen pitäisi olla?

Tähtää 30–80 sanaan. Älä mene juuri yli sadan. Tämä on helpoin käytettävissäsi oleva laatuvipu, ja vaihteluvälin molemmilla päillä on merkitystä.

Alle noin 30 sanassa sommittelu, valo ja rajaus ovat määrittelemättä, joten malli valitsee sen mikä on tilastollisesti tavanomaisinta. ”A woman in a coffee shop” on kelvollinen kehote, joka tuottaa unohdettavan kuvan, koska delegoit jokaisen kiinnostavan päätöksen.

Yli noin 100 sanassa ilmenee toinen vika: myöhäiset lauseenosat kilpailevat aiempien kanssa samoista kuvan alueista, ja yksityiskohtien kertymisen sijaan saat laimentumista. Kolmas valaistuksen kuvaus kumoaa ensimmäisen, ja kahdeksassa ensimmäisessä sanassa vakiinnuttamasi kohde saa suhteellisesti vähemmän huomiota jokaisen lisäämäsi lauseen myötä. Pitkät kehotteet vaikuttavat perusteellisilta. Ne eivät renderöidy perusteellisina.

Kuri: kirjoita haluamasi kehote ja karsi se sitten niihin lauseisiin, jotka poistettuina muuttaisivat kuvaa.

03Järjestyksen kuri: tärkein asia ensin

Koska malli lukee peräkkäin, sijainti on painotus: se mikä tulee ensin ankkuroi kuvan, se mikä tulee viimeisenä säätää sitä. Laita asiat siihen järjestykseen jossa malli ne tarvitsee:

1. Kohde — kenestä tai mistä tämä kuva on, konkreettisesti.
2. Toiminta tai asento — mitä he tekevät, miten heitä pidetään.
3. Tyyli tai tunnelma — valokuva, öljymaalaus, tekninen kuvitus, ja missä rekisterissä se on.
4. Ympäristö ja valaistus — missä tämä tapahtuu ja mikä valo siihen lankeaa.
5. Tekninen — rajaus, objektiivi, syväterävyys, väriyksityiskohdat.

Yleisin itse aiheutettu haava on aloittaa teknisestä lauseenosasta. Aloitus ”Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper” kertoo mallille, että ulkoasu on kohde ja mies on yksityiskohta. Saat upean, tyhjän ruudun jossa on pieni epämääräinen hahmo.

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.

Jokainen ensimmäisen version elementti säilyy toisessa; mitään ei pudotettu. Malli vain tietää nyt mistä kuva on ennen kuin sille kerrotaan miten se kuvataan — ja pelkkä tuo uudelleenjärjestys siirtää kohteen sivuseikasta keskiöön.

04Ole konkreettinen kohteesta

”A person” ei ole kohde, se on paikanvaraaja — ja malli täyttää paikanvaraajat kaiken näkemänsä keskiarvolla, mistä juuri se kiiltävä, iätön ja luonteeton ulkoasu tulee. Konkreettisuus maksaa viisi sanaa ja ostaa tietyn ihmisen:

Huomaa kaava: ikä tai aikakausi, yksi rakenteellinen piirre, yksi erottava epätäydellisyys. Tuo kolmas kohta on se, joka saa tuloksen tuntumaan valokuvatulta eikä generoidulta. Lohjennut hammas, kulunut helma, ylimaalattu kyltti — pienet epäsymmetriat ovat vahvin käytettävissä oleva muovisuutta torjuva signaali, eivätkä ne maksa juuri mitään sanabudjetistasi.

05Valokuvamaisuus: kirjoita pyyntö valokuvana

Valokuvamaisuus on oletusrekisteri ellet pyydä taidetta, kuvitusta tai animea. Mutta sana ”photorealistic” tekee vähän työtä. Valokuvan tuottaa valokuvaamisen kuvaaminen: oikea kamera, oikea objektiivi ja oikea filmi tai valonlähde.

Syy on suoraviivainen. Jokainen kuva, jonka kuvatekstinä oli ”Kodak Portra 400”, syntyi tietyllä prosessilla jolla on tietty rakeisuus, huippuvalojen taittuminen ja ihonrenderöinti, ja filmin nimeäminen värvää kaiken tuon. ”8k ultra detailed” esiintyi aikanaan vain kuvapankkien roskasisällössä, joten se värvää kuvapankkien roskasisältöä. Muutama luotettava resepti, joista kukin tuottaa selvästi erilaisen kuvan samasta kohteesta:

Sovita maadoitus reseptiin — huokostason ihotekstuuri ei merkitse mitään 24mm laajakuvassa jossa kasvot ovat kahdeksankymmentä pikseliä korkeat — ja lisää se sitten. Maadoittava yksityiskohta on — tekstuuritodiste siitä että objektiivi todella tallensi tämän. Näkyvät ihohuokoset ja hienot kasvokarvat. Pellavapaidan kudos. Pölyhiukkaset valojuovassa. Naarmu nahkasaappaassa. Irralliset hiukset kirkasta taustaa vasten. Kaksi tai kolme riittää, ja ne ovat ero ihmisen renderöinnin ja ihmisen valokuvan välillä.

06Kerrokselliset kohtaukset: etuala, keskiala, tausta

Kun kohtauksessa on syvyyttä, kuvaile kolme tasoa erikseen ja järjestyksessä. Tämä on tehokkain tekniikka kuville, joiden pitäisi tuntua paikoilta eikä taustakankailta, eikä sitä tee juuri kukaan. Ilman sitä saat litteyttä: kaikki mitä kehote mainitsee päätyy suunnilleen samalle etäisyydelle kilpailemaan samasta ruudun keskikaistasta. Tasojen nimeäminen antaa mallille syvyysbudjetin käytettäväksi.

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.

Kaksi tarkennusta. Laita etualalle jotain joka on tarkoituksella epätarkkaa — oikeissa syvissä kohtauksissa on lähes aina sellainen, ja sen puuttuminen on yleinen paljastin. Ja kerro millä tasolla kohde on: jos pyöräkuriiri on kuvan pointti, hän kuuluu keskialalle, muuten torni ja kahvikuppi taistelevat hänen kanssaan ruudusta.

07Tarkat värit: heksakoodit kiinnitettyinä esineisiin

Brändityössä, puvustuksen jatkuvuudessa tai aina kun ”punainen” ei ole tarpeeksi täsmällinen, kirjoita heksakoodi muodossa color #RRGGBB ja kiinnitä se nimettyyn esineeseen:

...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...

Kolme nyrkkisääntöä. Käytä heksaa kahteen tai kolmeen väriin joilla on aidosti merkitystä ja tavallisia sanoja loppuihin — kehote jossa on kuusi heksakoodia käyttää suurimman osan budjetistaan värimalleihin. Sido koodi esineeseen jolla on reunat, älä koskaan ”valaistukseen” tai ”tunnelmaan”. Ja muista että se määrittää esineen värin, ei lopullista pikseliarvoa: #8B0000-takki kultaisen hetken vastavalossa renderöityy lämpimämpänä kuin värimalli, aivan kuten kävisi oikeastikin.

08Kuvasuhteen valinta

Viisi suhdetta on käytettävissä ja oikean vihjaa yleensä kohde, mutta sinun nimenomainen pyyntösi voittaa aina — pyydä taustakuvaa ja saat muodon tall riippumatta siitä mitä sisältö ehdottaa.

Tämän pieleen meneminen on vahingollisempaa kuin miltä näyttää. Kokovartalokuva seisovasta hahmosta wide-ruudussa ei anna sinulle pientä hahmoa isossa ruudussa — se antaa yleensä rajatun, koska malli täyttää leveyden ja pää tai jalat jäävät ruudun ulkopuolelle. Sovita ruutu kohteen hallitsevaan akseliin, niin useimmat sommitteluvalitukset katoavat.

Kaksi käyttäytymistä kannattaa muistaa: muokkaus säilyttää lähdekuvan kuvasuhteen automaattisesti, joten et voi rajata uudelleen muokkaamalla, kun taas yhdistäminen antaa valita uuden kuva-alan — usein siistein tapa muuttaa jo olemassa olevan asian muotoa.

09Antikuviot: mitä kannattaa lopettaa

Laatutokenit: ”masterpiece, best quality, 8k, ultra detailed”

Nämä olivat yhteisön löytämiä kahvoja tiettyyn vanhempaan koulutusjakaumaan, jossa tietyt kuvatekstifraasit korreloivat tiettyjen kuvalähteiden kanssa. Ne eivät siirry. Täällä ne luetaan tavallisina englannin sanoina, ne eivät tuo mitään ja ne syövät osan sanabudjetista jonka on jo kerrottu olevan tiukka. Korvaava tapa on sanoa mikä yksityiskohta halutaan: ei ”ultra detailed” vaan ”visible weave in the coat fabric and fine stubble along the jaw” — sama aikomus ilmaistuna jonain jonka malli voi renderöidä.

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

Ei jäsennetä. Sulkeet, hakasulkeet, kaksoispisteet ja luvut päätyvät kirjaimellisena tekstinä ja tekevät jos jotain ympäröivästä lauseesta vaikeammin luettavan. Jos haluat painottaa jotain enemmän, käytä kahta vipua jotka toimivat: siirrä se aiemmaksi kehotteessa ja anna sille enemmän sanoja. ”A crimson silk scarf, its fringed ends lifting in the wind” päihittää ilmaisun ”(red scarf:1.4)” jokaisella mittarilla jolla on merkitystä.

Ristiriitaiset ohjeet

Yhteensopimattomien ohjeiden sekoittaminen ei sulauta niitä; se tuottaa epävakaan keskiarvon, joka ei yleensä tyydytä kumpaakaan. Yleisimmät rikkojat:

• Väline — ”photorealistic” ja ”watercolor”; ”oil painting” ja ”shot on 85mm”. Valitse yksi ja sitoudu siihen.
• Rajaus — ”wide establishing shot” ja ”extreme close-up on her eyes”; ”full body” ja ”detailed facial pores”.
• Valaistus — ”harsh midday sun” ja ”soft golden hour glow”; ”low key, deep shadows” ja ”bright and airy”.
• Aikakausi — ”1970s film aesthetic” ja ”modern minimalist” ja ”cyberpunk”.
• Tyylien kasaaminen — neljä taiteilijaa tai neljä genreä kerralla. Kaksi toisiinsa liittyvää viittausta voi toimia; neljä kumoaa toisensa geneeriseksi.
• Rönsyily — ”rustic, weathered, ancient, timeworn wooden door” on yksi ajatus kirjoitettuna neljästi, ja jokainen toisto laimentaa loppua kehotetta.

10Tekstistä kuvaksi -generoinnissa ei ole negatiivista kehotetta

Tämä on antikuvio joka nappaa kokeneet käyttäjät kovimmin, koska vanhemmissa pinoissa negatiivinen kehote oli puolet taidosta.

Generoinnissa sääntö on ehdoton ja hieman vastaintuitiivinen: kirjoittamalla kehotteeseen ”no text, no watermark, no extra fingers” teet noista asioista todennäköisempiä, et epätodennäköisempiä. Malli lukee ilmaisun ”no text” lauseena joka sisältää käsitteen text; kielto on heikko signaali ja substantiivi vahva. Olet käytännössä pyytänyt tekstiä. Ilmaise sen sijaan aina myönteinen muoto:

Muokkauksessa ja yhdistämisessä negatiivinen kehote on olemassa ja sitä kannattaa käyttää — mutta artefakteihin, ei sisältöön. Hyvää materiaalia: vesileima, tekstipäällys, kahdentuneet raajat, vääntyneet kädet, ylikorostuksen halot, JPEG-lohkoutuminen, saumaviivat komposiitin reunassa. Huonoa materiaalia: mikä tahansa siitä mistä kuva on, joka kuuluu ohjeeseen.

11Shannonin puolestasi kirjoittaman kehotteen lukeminen

Tässä on se mikä tekee tästä oppaasta heti käyttökelpoisen eikä teoreettisen. Sinun ei tarvitse kirjoittaa generointikehotetta itse. Pyydät tavallisella kielellä, millä tahansa kielellä; Shannon tunnistaa että kuvaa pyydetään, laatii englanninkielisen generointikehotteen ja näyttää sen sinulle vahvistuskortilla ennen kuin mitään renderöidään. Mitään ei generoida eikä laskuteta ennen kuin vahvistat.

Joten eniten tuottava taito ei ole kehotteiden kirjoittaminen tyhjästä — se on kortilla olevan kehotteen lukeminen. Käy läpi tämä lista:

1. Onko kohde konkreettinen? Jos kortilla lukee ”a person” tai ”a woman”, olet löytänyt suurimman käytettävissä olevan parannuksen. Anna sille ikä, ruumiinrakenne, piirre.
2. Onko kohde ensin? Jos kehote alkaa tyylillä tai kameralla, pyydä että se aloittaa kohteesta.
3. Onko se vaihteluvälillä? Alle 30 sanaa: pyydä lisää täsmällisyyttä valosta ja ympäristöstä. Yli 100: pyydä karsimaan.
4. Onko valonlähdettä? Ei tunnelmasanaa — oikea valo: ikkuna, katulamppu, salama, pilvinen taivas, softboksi.
5. Ristiriitoja? Silmäile onko samassa kehotteessa kaksi välinettä, kaksi rajausta tai kaksi valaistusolosuhdetta.
6. Salakuljetettuja kieltoja? Jos kortilla on ”without”, ”no” tai ”avoid”, kyseessä on tekstistä kuvaksi -kehote joka pyytää nimeämäänsä asiaa.
7. Onko suhde oikea kohteelle? Kokovartalohahmo wide-muodossa on klassinen epäsopivuus.

Korjaukset ovat keskustelunomaisia: ”tee hänestä reilun kolmenkymmenen, arpi toisen kulmakarvan läpi, kuvaa se Portralle 85 millimetrillä ja käytä portrait-muotoa” on täysin kelpo ohje. Saat uuden kortin ja vahvistat sen sijaan sen. Iteroinnista ei rangaista, koska mitään ei ole vielä renderöity.

Eikä Shannon generoi pyytämättä. Tervehdys, kysymys tai keskustelua varten liittämäsi valokuva ei laukaise renderöintiä. Kun pyydät Shannonia katsomaan kuvaa — kuvaile se, lue se, analysoi se — kyse on tavallisesta näkötyöstä, ei generoinnista, eikä se maksa mitään ylimääräistä.

12Miten taito muuttuu muokkauksessa ja yhdistämisessä

Yllä olevat säännöt on kirjoitettu generointia varten. Kaksi lähitilaa muuttaa kehotteen muotoa.

Yhden kuvan muokkaus

Muokkauskehote on ohje, ei kuvaus: kerro mikä muuttuu ja mikä pysyy. Muuttumattomien osien nimeäminen on tuotteen suurin yksittäinen laatuvipu — ”Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is” pysyy kasassa siinä missä sama pyyntö ilman tuota lauseenosaa piirtää hänen kasvonsa hiljaa uusiksi. Ole täsmällinen ankkurista: pidä kasvot, asento, hiukset ja vaatetus identtisinä. Käytössä on tasan yksi lähdekuva, ja tulos säilyttää sen kuvasuhteen.

Kahden tai useamman kuvan yhdistäminen

Aina kun elementit tulevat useammasta kuin yhdestä kuvasta — asukokonaisuuden siirto, esine ympäristöön, kaksi ihmistä samaan ruutuun, tuote päällä ihmisellä, yhden kuvan tyyli toisen kohteella — kehotteen täytyy nimetä kunkin kuvan rooli järjestyksessä: ”The woman from the first image wearing the red knitted sweater from the second image, standing in the same park.” Ensimmäinen kuva on pääkohde tai ympäristö; myöhemmät kuvat tuovat mukaan osat. Älä kutista monikuvapyyntöä yhdeksi lähteeksi ja tekstikuvaukseksi — aitojen kuvien yhdistäminen on se mikä säilyttää sen miltä ne oikeasti näyttävät.

13Sensuroimaton kehottaminen: sano mitä tarkoitat

Generointipolulla ei ole sisällönsuodatinta eikä kehotteen kirjoittavassa mallissa kieltäytymiskerrosta. Se on koko tuotteen pointti: suodatetut generaattorit kieltäytyvät rutiininomaisesti oikeutetusta työstä — taiteelliset alastonkuvat, lääketieteellinen ja oikeuslääketieteellinen kuvitus, tietoturvatutkimuksen kuvat, väkivalta fiktiossa, poliittinen satiiri, oikeudenhaltijan oma brändi- ja henkilökuvatyö. Puolet kehotetaidosta suodatetuilla alustoilla on kiertoilmaisujen insinöörityötä, ja kiertoilmaisu on tarkan kuvan vihollinen.

Joten kortilta kannattaa tarkistaa vielä yksi asia: että se kuvaa todellisen kohteen tavallisin sanoin eikä sillä varovaisella sanastolla jonka ihmiset oppivat suodatetuista työkaluista. Oikeuslääketieteellisen vammakuvituksen pitäisi sanoa mikä vamma on kyseessä. Varovainen kieli tuottaa huonomman kuvan kaikkialla, koska malli renderöi sen mitä sanat sanovat.

Kyky ja harkinta ovat eri asioita. Shannon Lab LLC operoi tätä julkaistun vastuullisen käytön käytännön alaisuudessa: suodattamaton generointi on ammattityökalu, ja suostumus, oikeudet ja laki koskevat edelleen kaikkea mitä teet.

14Mihin API sopii

Yksi täsmennys API-haun kautta saapuville lukijoille: kuvien generointi, muokkaus ja yhdistäminen ovat Shannonin chat-sovelluksessa, eivät /v1-API:ssa. API tarjoaa tekstin ja näön — se voi lukea, kuvailla ja analysoida lähettämiäsi kuvia kaikissa kolmessa murteessa (/v1/chat/completions, /v1/messages, /v1/responses, kaikki suoratoistolla) — mutta se ei luo niitä. Jos rakennat putkea joka tarvitsee kuvien ymmärtämistä, API-dokumentaatio on oikea paikka aloittaa. Jos haluat tehdä kuvia, se tapahtuu chat-sovelluksessa, ja kaikki tässä oppaassa koskee sitä. Kuvat renderöidään omalla GPU-klusterillamme.

15Usein kysytyt kysymykset

Lisälukemista: Sensuroimaton tekoälykuvien generointi · Sensuroimaton tekoälykuvien muokkaus · Vastuullisen käytön käytäntö · API-dokumentaatio · Kaikki Shannonin tutkimus. Tämän oppaan ohjeet perustuvat omaan testaukseemme Shannonin kuvamallilla; aiemmille diffuusiopinoille kirjoitetut neuvot eivät yleensä siirry.