AI આઉટફિટ ટ્રાન્સફર, અનસેન્સર્ડ

લોકોને ખરેખર જોઈતું મોટાભાગનું ઇમેજ કામ "મને એક વસ્તુનું ચિત્ર બનાવો" નથી. તે છે "આ જેકેટ આ વ્યક્તિ પર મૂકો," "આ ખુરશી આ રૂમમાં મૂકો," "આ પ્રોડક્ટને પેલા હાથમાં ફોટોગ્રાફ કરો." આ બધાને એક કરતાં વધુ ફોટોગ્રાફમાંથી સામગ્રીની જરૂર છે, અને આ બધા એક જ રીતે નિષ્ફળ જાય છે: એક ઇમેજ જોડાય છે, બીજી શબ્દોમાં વર્ણવાય છે, અને પાછું કંઈક પ્રામાણિક લાગતું આવે છે જે તમારી પોતાની વસ્તુ નથી. ઉકેલ તમે ધારો છો તેના કરતાં નાનો છે, અને તે દરેક જગ્યાએ કામ કરે છે.

01"ઇમેજ જોડવી" એટલે શું, અને એ ક્યાં થાય છે

Shannon 3 ઇમેજ સાથે ત્રણ અલગ વસ્તુઓ કરે છે: તે વર્ણનમાંથી નવી ઇમેજ જનરેટ કરે છે, તે એક હયાત ઇમેજ એડિટ કરે છે, અને તે બે કે વધુ ઇમેજને એક નવી ઇમેજમાં જોડે છે. તેમના નિયમો અલગ છે, અને ખોટું પસંદ કરવું એ પહેલી જગ્યા છે જ્યાં ક્વોલિટી બગડે છે.

જ્યારે પણ પૂરી થયેલી ઇમેજને એક કરતાં વધુ ફોટોગ્રાફમાંથી સામગ્રીની જરૂર હોય ત્યારે કમ્બાઇનિંગ વાપરો: આઉટફિટ અને કપડાં ટ્રાન્સફર, દ્રશ્યમાં ઓબ્જેક્ટ મૂકવો, વ્યક્તિ A વ્યક્તિ B ની બાજુમાં, ખરા મોડેલે પકડેલો ખરો પ્રોડક્ટ, એક ઇમેજની સ્ટાઇલ બીજાના વિષય પર લાગુ કરવી. જો તમને એકસાથે બે ચિત્રો તરફ ઇશારો કરવાની ઇચ્છા થાય, તો એ જ આ ઓપરેશન છે.

આ બધું Shannon ચેટ એપમાં, સામાન્ય વાતચીતમાં થાય છે. તે /v1 API પર નથી — API ટેક્સ્ટ અને વિઝન સર્વ કરે છે, એટલે તે તમે મોકલેલી ઇમેજ વાંચે છે, નવી બનાવતું નથી. જો તમે API સર્ચ પરથી આવ્યા હો, તો આ પ્રામાણિક જવાબ છે; એન્ડપોઇન્ટ શું સર્વ કરે છે તે માટે API ડોક્યુમેન્ટેશન જુઓ. ઇમેજ અમારા પોતાના GPU ક્લસ્ટર પર રેન્ડર થાય છે.

તમે સાદી ભાષામાં, તમે બોલો છો એ કોઈપણ ભાષામાં પૂછો છો. Shannon નક્કી કરે છે કે ઇમેજ માગવામાં આવી રહી છે, જનરેશન સૂચના જાતે અંગ્રેજીમાં લખે છે, અને કંઈપણ રેન્ડર થાય તે પહેલાં તેને પુષ્ટિકરણ કાર્ડ પર બતાવે છે. તમે પુષ્ટિ ન કરો ત્યાં સુધી કંઈ જનરેટ થતું નથી અને કંઈ બિલ થતું નથી — અને મલ્ટિ-ઇમેજ કામ માટે એ કાર્ડ એ જગ્યા છે જ્યાં તમે તપાસો કે ભૂમિકાઓ અને ક્રમ તમારા ઇરાદા મુજબ આવ્યાં. Shannon ક્યારેય આમંત્રણ વગર જનરેટ કરતું નથી: શુભેચ્છા, પ્રશ્ન કે અકસ્માતે જોડાયેલો ફોટો રેન્ડર શરૂ કરતાં નથી.

02નિયમ: દરેક ઇમેજની ભૂમિકા ક્રમમાં નામ આપો

સૂચનાએ દરેક ઇમેજ શું આપે છે તે કહેવું જ જોઈએ, અને તે ઇમેજ જે ક્રમમાં આપી હતી એ જ ક્રમમાં કહેવું જોઈએ. આ જ આખી ટેકનિક છે; નીચેનું બધું આ નિયમનો કોઈ ચોક્કસ કામ પર લાગુ કરેલો ઉપયોગ છે.

પહેલી ઇમેજ બેઝ છે — મુખ્ય વિષય, અથવા દ્રશ્ય, જેમાંથી પૂરી થયેલી ઇમેજ મોટાભાગે બનેલી હોય છે. તે ઓળખ, પોઝ, ફ્રેમિંગ, પ્રકાશ અને તમે બદલવાનું ન કહ્યું હોય એ બધું નક્કી કરે છે. પછીની ઇમેજ સોર્સ છે: લાવવામાં આવતા ભાગો. વાક્ય એવી રીતે લખો કે ક્રમમાં ઇમેજ પકડેલો કોઈ અજાણ્યો વ્યક્તિ પણ હાથે આ કામ કરી શકે.

કામ કરે છે
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.

નિષ્ફળ થાય છે
Combine these two images.   Merge the photos.   Put them together.

નિષ્ફળ થતી આવૃત્તિઓ ટૂંકી છે એટલે નિષ્ફળ થતી નથી પણ કારણ કે તે ક્યારેય કહેતી નથી કે કઈ તસવીર વ્યક્તિ છે અને કઈ સ્વેટર છે. ત્રણ ટેવો નિયમને વિશ્વસનીય બનાવે છે:

• સ્પષ્ટપણે ક્રમવાચક ભાષા વાપરો. "પહેલી ઇમેજમાંથી", "બીજી ઇમેજમાંથી". ચાર શબ્દો, અને અસ્પષ્ટતા જતી રહે છે.
• શું એ જ રહે છે તે કહો. "તેનો ચહેરો, વાળ અને પોઝ એકસમાન રાખો." બદલાયા વગરના ભાગોને નામ આપવું એ Shannon જે દરેક ઇમેજ ઓપરેશન કરે છે તેમાં સૌથી મોટું ક્વોલિટી લિવર છે, અને અહીં તે સૌથી વધુ મહત્વનું છે, કારણ કે કમ્પોઝિશન પાસે ભટકી જવા માટે બે કે વધુ વસ્તુઓ છે.
• ટૅગ નહીં, ગદ્ય લખો. ઇમેજ મોડેલ સૂચનાઓને એ રીતે વાંચે છે જેમ ભાષા મોડેલ વાક્ય વાંચે છે, એટલે પૂરાં વાક્યો અલ્પવિરામથી છૂટા પડેલા કીવર્ડ કરતાં ચડિયાતાં છે. 30 થી 80 શબ્દોનું લક્ષ્ય રાખો, અને SDXL-યુગનો કચરો ("masterpiece, best quality, 8k") અને (word:1.3) જેવો વેઇટ સિન્ટેક્સ છોડી દો.

જ્યારે એક ઇમેજમાં એક કરતાં વધુ વસ્તુ હોય, ત્યારે તમને તેમાંથી જોઈતો ભાગ નામ આપો. જો બીજી ઇમેજ સ્વેટર પહેરેલા મોડેલનો કેટલોગ શોટ છે, તો "બીજી ઇમેજમાંની સ્ત્રીએ પહેરેલું લાલ ગૂંથેલું સ્વેટર" કહે છે કે તમને વસ્ત્ર જોઈએ છે, મોડેલ નહીં. તેને ફક્ત "બીજી ઇમેજ" પર છોડી દેશો તો તમને તેનો ચહેરો પણ મળી શકે છે.

કામ પ્રમાણે ભૂમિકા ટેમ્પલેટ

કામ	પહેલી ઇમેજ	બીજી ઇમેજ	સૂચનાનું સ્વરૂપ
આઉટફિટ ટ્રાન્સફર	વ્યક્તિ	વસ્ત્ર	"પહેલી ઇમેજમાંની [વ્યક્તિ] બીજી ઇમેજમાંનું [વસ્ત્ર] પહેરેલી, [શું રહે છે]"
ઓબ્જેક્ટ સીનમાં	દ્રશ્ય	ઓબ્જેક્ટ	"પહેલી ઇમેજમાંનો [રૂમ] બીજી ઇમેજમાંનો [ઓબ્જેક્ટ] [ક્યાં] મૂકેલો, [પ્રકાશ] સાથે મેળ ખાતો"
વ્યક્તિ + વ્યક્તિ	વ્યક્તિ A અને સેટિંગ	વ્યક્તિ B	"પહેલી ઇમેજમાંનો [પુરુષ] બીજી ઇમેજમાંની [સ્ત્રી] ની બાજુમાં ઊભેલો, [સ્થિતિ, નજરની દિશા]"
પ્રોડક્ટ ઓન પર્સન	મોડેલ કે દ્રશ્ય	પ્રોડક્ટ	"પહેલી ઇમેજમાંનું [મોડેલ] બીજી ઇમેજમાંનું [પ્રોડક્ટ] પકડેલું, [પકડ, લેબલની દિશા]"
સ્ટાઇલ ટ્રાન્સફર	વિષય	સ્ટાઇલ રેફરન્સ	"પહેલી ઇમેજમાંનો [વિષય] બીજી ઇમેજની [સ્ટાઇલ ધરી]માં દોરેલો, [વિષય યથાવત]"

03એ ભૂલ જે મોટાભાગના પ્રયત્નોને બગાડે છે: જોડવાને બદલે વર્ણવવું

આ એ ભૂલ છે જેના વિશે હોબાળો કરવો યોગ્ય છે, કારણ કે તે અત્યાર સુધીની સૌથી સામાન્ય છે અને કારણ કે તે કામ કરી ગયું હોય એવું લાગે છે. વપરાશકર્તા પાસે બે ફોટોગ્રાફ છે — તેમનો ક્લાયન્ટ અને તેમના ક્લાયન્ટનો પ્રોડક્ટ, અથવા પોતે અને પોતાની માલિકીનું જેકેટ. તેઓ એક જોડે છે, અને બીજું ટાઇપ કરે છે.

ભૂલ
[attaches one photo of a woman]
"Put a red knitted sweater on her, cable knit, kind of chunky,
with a rolled collar."

જે પાછું આવે છે તે લાલ ગૂંથેલા સ્વેટરમાં એક સ્ત્રી છે. તે એક સારું સ્વેટર છે. તે પેલું સ્વેટર નથી. કેબલ પેટર્ન બનાવેલી છે, રંગ અલગ લાલ છે, રિબિંગની ઊંડાઈ ખોટી છે, કોલર ખોટી દિશામાં વળે છે, અને નાની અસમાનતાઓ જે ખરા વસ્ત્રને ઓળખી શકાય એવું બનાવે છે — એક રિપેર, એક ખેંચાણ, કોણી પરનો સ્ટ્રેચ — જતી રહી છે, કારણ કે વાક્યમાં તે ક્યાંય નહોતું.

ટેક્સ્ટ એક લોસી ચેનલ છે અને ફોટોગ્રાફ નથી. એક કાળજીપૂર્વક લખેલું વાક્ય ઓબ્જેક્ટના કદાચ ડઝન લક્ષણો વહન કરે છે; ફોટોગ્રાફ હજારો વહન કરે છે, જેમાં દરેક એ પણ સામેલ છે જે તમે ક્યારેય લખવાનું વિચાર્યું જ ન હોત અને જેને તમે નામ પણ ન આપી શકો. જોડવાને બદલે વર્ણવવું એ બધું જ ફેંકી દે છે જે તમે વિચાર્યું નહોતું, જે એનો મોટાભાગનો ભાગ છે. જોડવાથી ખરો દેખાવ જળવાય છે કારણ કે ખરો દેખાવ હાજર છે.

ટેસ્ટ સાદો છે. જો ચિત્રનો મુદ્દો એ છે કે તે પેલું જ છે — તે ચોક્કસ વસ્ત્ર, તે વ્યક્તિ, તે ચોક્કસ પ્રોડક્ટ, તે રૂમ — તેને જોડો. જો તમે એક લાઇનઅપમાંથી વસ્તુ ઓળખી શકો અને પરિણામ એ જ સાથે મેળ ખાય એ મહત્વનું હોય, તો વર્ણન એ કામ નહીં કરે.

વર્ણવવા માટે એક કાયદેસર કિસ્સો છે: જ્યારે વસ્તુ હજુ અસ્તિત્વમાં નથી, અથવા જ્યારે તમને એક સામાન્ય આવૃત્તિ જ જોઈએ છે. કોઈએ ન ગૂંથેલું સ્વેટર ડિઝાઇન કરવું, એક કન્સેપ્ટનું રફ સ્કેચ બનાવવું — એ ટેક્સ્ટ-ટુ-ઇમેજ કામ છે, અને વર્ણન યોગ્ય છે કારણ કે ત્યાં કોઈ ખરો ઓબ્જેક્ટ નથી જેની ઓળખ તમે જાળવી રહ્યા છો. જે ક્ષણે એક ખરો ઓબ્જેક્ટ બ્રીફમાં પ્રવેશે છે, તેનો ફોટોગ્રાફ પણ પ્રવેશે છે.

એક સંબંધિત અડધી-ભૂલ: બંને ઇમેજ જોડવી અને પછી પણ બીજીનું વિગતવાર વર્ણન કરવું. વિશેષણો ફોટોગ્રાફ સાથે લડી શકે છે — જ્યારે ખરું વસ્ત્ર ફાઇન-ગેજ હોય ત્યારે "chunky" લખો અને તમે વિરોધાભાસ ઊભો કર્યો છે. બીજી ઇમેજનું વર્ણન ફક્ત તેમાંથી તમને કયો ભાગ જોઈએ છે તે ઓળખવા પૂરતું જ કરો.

04આઉટફિટ અને કપડાં ટ્રાન્સફર

પ્રામાણિક બે-ઇમેજનું કામ. વ્યક્તિને પહેલાં અને વસ્ત્રને બીજા ક્રમે જોડો. વસ્ત્રની ઇમેજ ફ્લેટ લે, હેંગર શોટ, કેટલોગ ફોટો, અથવા બીજું કોઈ તે પહેરેલું હોય એવી હોઈ શકે — બધું કામ કરે છે, જ્યાં સુધી તમે કહો કે તમને તેનો કયો ભાગ જોઈએ છે.

આઉટફિટ ટ્રાન્સફર
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

ત્રણ વસ્તુઓ કામ કરે છે: ભૂમિકાઓ ક્રમમાં નામ અપાયેલી છે, બદલાયા વગરના ભાગો મોટેથી યાદી કરેલા છે (જે ચહેરાને ડ્રિફ્ટ થતાં અટકાવે છે), અને છેલ્લી કલમ મોડેલને કહે છે કે વસ્ત્રની પોતાની વિગતો જ મુદ્દો છે — તેના વગર, કમ્પોઝિશન રંગ અને સિલુએટ રાખવાનું વલણ ધરાવે છે જ્યારે ચૂપચાપ ટેક્સ્ચરને સ્મૂધ કરી નાખે છે.

• ફિટ એક ભૌતિક દાવો છે, એટલે તે કરો. "તેના શરીર પર કુદરતી રીતે લટકે છે", "કમર પર ફિટ", "કાંડા સુધીની બાંય" — નહીંતર વસ્ત્ર પહેરનારના પ્રમાણને બદલે તેના સોર્સના પ્રમાણમાં આવી શકે છે.
• ઓક્લુઝન અઘરો કિસ્સો છે. જો હાથ વાળેલા હોય કે બેગનો સ્ટ્રેપ છાતી પરથી પસાર થતો હોય, તો તેનું શું થાય છે તે કહો. ત્યાં અસ્પષ્ટતા ક્લાસિક ઓગળેલી-બાંયનો આર્ટિફેક્ટ પેદા કરે છે.
• વધુ વસ્ત્રો એટલે વધુ ઇમેજ. પહેલાં વ્યક્તિ, પછી ટોપ, પછી પેન્ટ, પછી જૂતાં — અને તેમને સતત બીજી, ત્રીજી અને ચોથી ઇમેજ તરીકે સંદર્ભિત કરો. અડધે રસ્તે "જૂતાંનું ચિત્ર" પર સ્વિચ ન કરો.

05દ્રશ્યમાં ઓબ્જેક્ટ મૂકવો

અહીં ભૂમિકાઓ ઊલટી થાય છે: દ્રશ્ય પહેલાં આવે છે, કારણ કે દ્રશ્ય એ છે જેમાંથી પૂરી થયેલી ઇમેજ મોટાભાગે બનેલી છે, અને ઓબ્જેક્ટ લાવવામાં આવતો ભાગ છે. ઇન્ટીરિયર મોકઅપ, તમે ન ખરીદેલા ફર્નિચરથી રૂમ સજાવવો, રસ્તા પર વાહન મૂકવું, ગેલેરીમાં શિલ્પ મૂકવું — દર વખતે એ જ સ્વરૂપ.

ઓબ્જેક્ટ સીનમાં
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

અહીંની નિષ્ફળતાની રીત ઓળખ નથી, તે ભૌતિકશાસ્ત્ર છે. જે ઓબ્જેક્ટ પોતાનો પ્રકાશ જાળવી રાખે તે ચોંટાડેલો દેખાય છે, અને દર્શકો તેને તરત જ પકડી પાડે છે, ભલે તેઓ કારણ ન કહી શકે. તમારા શબ્દો એ ત્રણ વસ્તુઓ પર ખર્ચો જે એકલા ઓબ્જેક્ટના ફોટોગ્રાફને ખબર ન હોઈ શકે: સ્થાન (ફ્રેમમાં ક્યાં, શેની સાપેક્ષે), સેન્ટિમીટરને બદલે દ્રશ્યની દ્રષ્ટિએ સ્કેલ ("કમર જેટલી ઊંચાઈ", "દરવાજાના હેન્ડલ જેટલું ઊંચું"), અને પ્રકાશ અને પડછાયો — દિશા, ગુણવત્તા, અને પડછાયો ક્યાં પડે છે. છેલ્લી વસ્તુ જ કમ્પોઝિટને ફોટોગ્રાફમાં ફેરવે છે.

06વ્યક્તિ A વ્યક્તિ B ની બાજુમાં

બે લોકો જે ક્યારેય એક રૂમમાં નહોતા: પેઢીઓ પારના કૌટુંબિક ફોટોગ્રાફ, જ્યારે સહ-સ્થાપક પ્રવાસમાં હતા ત્યારનું ફાઉન્ડર પોર્ટ્રેટ, બે કલાકારો સાથેનું પોસ્ટર. તે કામ કરે છે, અને તેને એકલ-વિષયનાં કામોને ન જોઈતી બે વસ્તુઓની જરૂર છે.

બે વ્યક્તિઓ
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

બે વધારાની બાબતો: સાપેક્ષ ભૂમિતિ — કોણ કઈ બાજુ છે, કેટલા દૂર, કોની નજરની દિશા ક્યાં જાય છે, અને સાપેક્ષ ઊંચાઈ, કારણ કે અલગ-અલગ રીતે ક્રોપ કરેલા બે પોર્ટ્રેટ મોડેલને ખબર પાડવાની કોઈ રીત આપતા નથી કે એક વ્યક્તિ માથા જેટલી ઊંચી છે — અને એક એકસમાન શેર કરેલો પ્રકાશ, સ્પષ્ટપણે જણાવેલો, કારણ કે તમે બે પ્રકાશ વાતાવરણ ભેગાં કરી રહ્યા છો અને એકે જીતવું પડે છે.

આ એ પણ છે જ્યાં નવો કેનવાસ એસ્પેક્ટ પસંદ કરવો પોતાનું મૂલ્ય સાબિત કરે છે: બે પોર્ટ્રેટ-ઓરિએન્ટેશન સોર્સ એક ખરાબ પોર્ટ્રેટ-ઓરિએન્ટેશન ગ્રુપ શોટ બનાવે છે, એટલે landscape કે wide માગો. અને એક સ્પષ્ટ વાત એક વાર કહી દઈએ — વાસ્તવિક વ્યક્તિને એવી ઇમેજમાં મૂકવી જેમાં તે નહોતી, શક્તિશાળી છે અને આપમેળે નિર્દોષ નથી. અધિકાર કે સંમતિ હોવી જોઈએ; અમારી જવાબદાર ઉપયોગ નીતિ તેની ટૂંકી આવૃત્તિ છે.

07પ્રોડક્ટ-ઓન-પર્સન, અને અનસેન્સર્ડ પ્રોડક્ટ ફોટોગ્રાફી

વ્યવસાયિક રીતે, આ કમ્પોઝિશન પોતાનો ખર્ચ ઉઠાવે છે. તમારી પાસે સફેદ પર પ્રોડક્ટ શોટ છે અને તમારી પાસે એક મોડેલ, હાથ, રસોડું, વર્કબેન્ચ છે. તેમને જોડવાથી તમને સ્ટુડિયોના દિવસ વગર એક લાઇફસ્ટાઇલ ફોટોગ્રાફ મળે છે — અને જનરેટ કરેલા અંદાજને બદલે તેમાં તમારો ખરો પ્રોડક્ટ હોય છે, જે વાપરી શકાય તેવી માર્કેટિંગ સામગ્રી અને માફી માગવી પડે એવા મોકઅપ વચ્ચેનો આખો ફરક છે.

પ્રોડક્ટ ઓન પર્સન
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

પ્રોડક્ટ કામ માટે ખાસ બે ઉમેરાઓ. પકડ: ઓબ્જેક્ટ પકડેલા હાથ એ જગ્યા છે જ્યાં કમ્પોઝિશન સૌથી વધુ વાર ખોટું જાય છે, એટલે કયો હાથ, કઈ ઊંચાઈએ, અને આંગળીઓ લેબલને ઢાંક્યા વગર કુદરતી રીતે વીંટળાયેલી છે તે કહો. ફોટોગ્રાફિક ટ્રીટમેન્ટ: કેમેરા, લેન્સ અને ફિલ્મ કે લાઇટ સોર્સનું નામ આપો. આઉટપુટ એક લેવાયેલા ફોટોગ્રાફ જેવું વાંચવું જોઈએ, જોડેલા બે ફોટોગ્રાફ જેવું નહીં, અને તેને ફોટોગ્રાફ તરીકે લખવું જ તમને ત્યાં પહોંચાડે છે.

અહીં અનસેન્સર્ડ હોવું તે લાગે છે તેના કરતાં વધુ સામાન્ય રીતે મહત્વનું છે. ફિલ્ટર કરેલા જનરેટર સામાન્ય, કાયદેસર વેપારની આખી શ્રેણીઓ નકારે છે: લિન્જરી અને સ્વિમવેર કેટલોગ, તમાકુ અને વેપ હાર્ડવેર, દારૂ, ફાયરઆર્મ્સ એસેસરીઝ, પુખ્ત વેલનેસ પ્રોડક્ટ, જ્યાં કાયદેસર છે ત્યાં કેનાબિસ, મેડિકલ ડિવાઇસ, ટેક્ટિકલ અને હન્ટિંગ ગિયર. તેઓ હકધારક દ્વારા થતું બ્રાન્ડ અને ચહેરાનું કામ પણ નકારે છે. આમાંનું કંઈ પણ અસામાન્ય કિસ્સો નથી; તે એજન્સીમાં એક સામાન્ય મંગળવાર છે. Shannon પાસે જનરેશન પાથ પર કોઈ કન્ટેન્ટ ફિલ્ટર નથી અને પ્રોમ્પ્ટ લખતા મોડેલ પર કોઈ ઇનકાર સ્તર નથી, એટલે કામ થાય છે અને અધિકારનો પ્રશ્ન તમારી પાસે જ રહે છે, જ્યાં તે હોવો જોઈએ.

08એક ઇમેજમાંથી સ્ટાઇલ, બીજામાંથી વિષય

વિષય પહેલાં, સ્ટાઇલ રેફરન્સ બીજા ક્રમે. આ કામને અલગ બનાવે છે તે એ છે કે તમે ઓબ્જેક્ટને બદલે એક ગુણવત્તા ઉધાર લઈ રહ્યા છો, એટલે તમારે કઈ ગુણવત્તાઓ તે નામ આપવું પડે — અને કહેવું પડે કે રેફરન્સનો પોતાનો વિષય અને કમ્પોઝિશન સાથે નથી આવી રહ્યાં.

સ્ટાઇલ રેફરન્સ
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

સ્ટાઇલ ધરીઓ સ્પષ્ટપણે નામ આપો, કારણ કે એકલું "બીજી ઇમેજની સ્ટાઇલમાં" ઓછું નિર્દિષ્ટ છે: પેલેટ (અથવા ચોક્કસ રંગો, નામ અપાયેલા ઓબ્જેક્ટ સાથે જોડાયેલા color #8B0000 તરીકે લખેલા), બ્રશવર્ક કે ગ્રેન, પ્રકાશની ગુણવત્તા, લાઇન વેઇટ, એબ્સ્ટ્રેક્શનનું સ્તર, એજ ટ્રીટમેન્ટ. બે કે ત્રણ પસંદ કરો જે લુક વ્યાખ્યાયિત કરે; બધા છ નામ આપવાથી તેમની સરેરાશ થાય છે. અને વિરોધાભાસી દિશાઓ ભેગી ન કરો — "photorealistic" વત્તા "watercolor" ગોટાળો પેદા કરે છે, બ્લેન્ડ નહીં. જો તમને ફક્ત પેલેટ ઉધાર લેતો ફોટોગ્રાફ જોઈએ, તો બરાબર એ જ કહો.

09નેગેટિવ પ્રોમ્પ્ટ અને નવો કેનવાસ એસ્પેક્ટ પસંદ કરવો

બે ક્ષમતાઓ જે કમ્બાઇનિંગ અને એડિટિંગ માટે અસ્તિત્વમાં છે પણ ટેક્સ્ટ-ટુ-ઇમેજ માટે નથી, અને બંને ઓછી વપરાય છે.

નેગેટિવ પ્રોમ્પ્ટ

ઇમેજ કમ્બાઇનિંગ નેગેટિવ પ્રોમ્પ્ટને સમર્થન આપે છે. અનિચ્છનીય આર્ટિફેક્ટ ત્યાં જાય છે — અને એ મહત્વનું છે કે તે સૂચનાને બદલે ત્યાં જાય, કારણ કે મુખ્ય સૂચનામાં "no extra fingers" લખવું જે વસ્તુ તમે ટાળવા માગો છો તેને એ જ શ્વાસમાં નામ આપે છે જેમાં તમે જે જોઈએ છે તે બધું કહો છો. બાકાત રાખવાની વસ્તુઓને પોતાની ચેનલમાં મૂકો. જે એન્ટ્રીઓ સતત પોતાનું સ્થાન કમાય છે:

• એનાટોમી — વધારાની આંગળીઓ, ડુપ્લિકેટ થયેલા અંગો, વિકૃત હાથ, બીજો ચહેરો.
• કમ્પોઝિટિંગની નિશાનીઓ — કટ-આઉટ ધાર, દેખાતી સીમ લાઇન, તરતો ઓબ્જેક્ટ, ડુપ્લિકેટ પડછાયા, વિષયની આસપાસ હેલો.
• પ્રકાશની અસંગતતા — અસંગત કલર ટેમ્પરેચર, અસંગત પડછાયાની દિશા, વિષયો વચ્ચે અસમાન એક્સપોઝર.
• ટેક્સ્ચરની નિષ્ફળતાઓ — પ્લાસ્ટિક જેવી ત્વચા, સ્મૂધ કરેલું કાપડ, વિકૃત લેબલ ટેક્સ્ટ, વાંચી ન શકાય એવો લોગો.

તેને તમારી ઇમેજ માટે સંભવિત હોય એટલી મુઠ્ઠીભર વસ્તુઓ સુધી મર્યાદિત રાખો. ત્રીસ વસ્તુઓની યાદી ધરાવતો નેગેટિવ પ્રોમ્પ્ટ એક પ્રસરેલી સૂચના છે, મજબૂત નહીં.

કેનવાસ એસ્પેક્ટ

એક ઇમેજ એડિટ કરવી આપમેળે સોર્સ ઇમેજનો એસ્પેક્ટ રેશિયો વારસામાં લે છે — ત્યાં એક જ સોર્સ છે, અને તેનો આકાર જ જવાબ છે. કમ્બાઇનિંગ પાસે એવો કોઈ ડિફૉલ્ટ નથી, એટલે તમે નવો કેનવાસ એસ્પેક્ટ પસંદ કરી શકો છો, અને તમારે ઘણી વાર કરવો પણ જોઈએ, કારણ કે જે આકાર એક સોર્સને બંધબેસે તે ભાગ્યે જ કમ્પોઝિશનને બંધબેસે છે.

એસ્પેક્ટ	શેના માટે શ્રેષ્ઠ	સામાન્ય કમ્પોઝિશન ઉપયોગ
square	ડિફૉલ્ટ, સોશિયલ ફીડ	એક ટ્રાન્સફર થયેલા તત્વ સાથે એકલ વિષય
portrait	લોકો, ઊંચા વિષયો	આઉટફિટ ટ્રાન્સફર, એક મોડેલે પકડેલો પ્રોડક્ટ
landscape	દ્રશ્યાવલિ, ગ્રુપ	બે વ્યક્તિ પડખોપડખ, રૂમમાં મૂકેલો ઓબ્જેક્ટ
wide	સિનેમેટિક ફ્રેમિંગ	ગ્રુપ શોટ, પર્યાવરણીય પ્રોડક્ટ દ્રશ્યો, બેનર
tall	પોસ્ટર, ફોન વૉલપેપર	પૂરી-લંબાઈના આઉટફિટ શોટ, પોસ્ટર લેઆઉટ

સ્પષ્ટ વિનંતી હંમેશાં જીતે છે. કંઈ ન કહો તો તમને ચોરસ મળે છે — મોટાભાગના બે-વ્યક્તિ અને પૂરી-લંબાઈના આઉટફિટ કામ માટે ખોટો આકાર, એટલે એક શબ્દ ખર્ચવો યોગ્ય છે.

10Shannon કઈ ઇમેજ વાપરે છે: વાતચીત વિરુદ્ધ આ મેસેજ

ઇમેજ કમ્પોઝિશનમાં પ્રવેશવાની બે રીતો છે, અને તમે કઈ પર આધાર રાખો છો તે જાણવાથી મોટાભાગની ક્રમની ગૂંચવણ અટકે છે.

વર્તમાન મેસેજ સાથે જોડેલી. સીધો રસ્તો: સૂચના ધરાવતા મેસેજ સાથે બધું જ જોડો, જે ક્રમમાં તમે તેનો સંદર્ભ આપવાના છો એ જ ક્રમમાં, અને "પહેલી ઇમેજ" અને "બીજી ઇમેજ" બરાબર એ જ અર્થ ધરાવે છે જે તે દેખાય છે. મૂળભૂત રીતે આ કરો.

વાતચીતમાં પહેલેથી હાજર. થ્રેડમાં અગાઉ મોકલેલી તસવીરો ઉપલબ્ધ રહે છે અને સામાન્ય ભાષામાં સંદર્ભિત કરી શકાય છે — "મેં અગાઉ મોકલેલો ફોટો", "પહેલાંનું સ્વેટરનું ચિત્ર", "તમે બનાવેલી બીજી આવૃત્તિ". Shannon એ સંદર્ભને થ્રેડ સામે ઉકેલે છે, જે લાંબા સેશનમાં ખરેખર અનુકૂળ છે: તમે એક પરિણામ પર પુનરાવર્તન કરી શકો છો અને પછી બધું ફરીથી અપલોડ કર્યા વગર નવું તત્વ લાવી શકો છો.

બંને માટે સુરક્ષા એક જ છે. પુષ્ટિકરણ કાર્ડ કંઈપણ રેન્ડર થાય તે પહેલાં સૂચના બતાવે છે, જેમાં તેણે પસંદ કરેલો ક્રમ પણ સામેલ છે. તેને વાંચો. જો ભૂમિકાઓ ઊલટી આવી હોય — સ્વેટર બેઝ તરીકે, વ્યક્તિ સોર્સ તરીકે — તો કહી દો અને એક પણ પિક્સેલ જનરેટ કે બિલ થાય તે પહેલાં તે સુધારાય છે. છતાં, જ્યારે થ્રેડ લાંબો હોય અને ઇમેજથી ભરેલો હોય, ત્યારે તમને જોઈતી ઇમેજ ફરીથી જોડો; છ તસવીરો પાછળ, "બીજી ઇમેજ" કોઈપણ વાચક માટે અસ્પષ્ટ છે.

Shannon ને ઇમેજ જોવાનું કહેવું — તેનું વર્ણન કરવું, લેબલ વાંચવું, કાપડ શું છે તે કહેવું — સામાન્ય વિઝન કામ છે, જનરેશન નહીં. તેનો કોઈ વધારાનો ખર્ચ થતો નથી અને કમ્પોઝ કરતાં પહેલાં એ એક સારી ચકાસણી છે: જો Shannon નું વર્ણન તમને મહત્વની લાગતી વિગતનો ઉલ્લેખ ન કરે, તો તમારી સૂચનાએ તેને નામ આપવું જોઈએ.

11અનસેન્સર્ડ, અને તેનો ખરેખર અર્થ શું છે

જનરેશન પાથ પર કોઈ કન્ટેન્ટ ફિલ્ટર નથી અને પ્રોમ્પ્ટ લખતા મોડેલ પર કોઈ ઇનકાર સ્તર નથી. કમ્પોઝિશન એ છે જ્યાં ફિલ્ટર કરેલા ટૂલ સૌથી વધુ સ્પષ્ટપણે નિષ્ફળ જાય છે, કારણ કે ઇનકાર સિસ્ટમ તમારી માલિકીની ઇમેજ જોડવા અને તમારે ન રાખવી જોઈએ એવી ઇમેજ જોડવા વચ્ચેનો ફરક કહી શકતી નથી — એટલે તે બંનેને બ્લોક કરે છે.

એ ટૂલ જે કામ સામાન્ય રીતે નકારે છે તે વિચિત્ર નથી: આર્ટ ન્યૂડ અને ફિગર સ્ટડી, મેડિકલ અને ફોરેન્સિક ઇલસ્ટ્રેશન, સિક્યુરિટી રિસર્ચ ઇમેજરી, પુસ્તકના કવર અને ગેમ આર્ટ માટે કાલ્પનિક કથામાં હિંસા, રાજકીય વ્યંગ, અને ઉપર જણાવેલી કાયદેસર પ્રોડક્ટ શ્રેણીઓ. દરેક એક કાયદેસર વ્યાવસાયિક કામ છે જેને કીવર્ડ ફિલ્ટર દુરુપયોગથી અલગ પાડી શકતું નથી.

અનસેન્સર્ડનો અર્થ જવાબદારીથી મુક્ત નથી. તમે ખરા ઓબ્જેક્ટના, અને ઘણી વાર ખરા લોકોના, ફોટોગ્રાફ પૂરા પાડી રહ્યા છો; અધિકાર અને સંમતિ તમારે જ ધારણ કરવાનાં છે, અને પરિણામની જવાબદારી પણ. Shannon Lab LLC એક ન્યૂ મેક્સિકોની કંપની છે જે પ્રકાશિત જવાબદાર ઉપયોગ નીતિ હેઠળ ચાલે છે — બીજા લોકોના ચહેરાનું કામ શરૂ કરતાં પહેલાં પાંચ મિનિટ ફાળવવા જેવી.

12શરૂ કરતાં પહેલાં જાણવા જેવી મર્યાદાઓ

કોઈ વીડિયો જનરેશન નથી. Shannon ઇમેજને એનિમેટ કરતું નથી અને આમાંના કોઈપણ ઓપરેશનમાંથી, કોઈપણ સ્વરૂપમાં, વીડિયો ઉત્પન્ન કરતું નથી — એક ઇમેજમાંથી નહીં, કમ્પોઝિશનમાંથી નહીં, પ્રાયોગિક વિકલ્પ તરીકે પણ નહીં. જો તમારો બ્રીફ ગતિમાં પૂરો થાય છે, તો છેલ્લા પગલા માટે આ ટૂલ નથી. એ પ્રોડક્ટ શું છે તે છે, રોડમેપનો સંકેત નહીં.

અન્ય પ્રામાણિક મર્યાદાઓ, બધા પાસે ઉકેલ સાથે:

• ઝીણો ટેક્સ્ટ સૌથી નબળો વિસ્તાર છે. નાનું પ્રિન્ટ, ગીચ પેકેજિંગ કૉપી અને લાંબા સિરિયલ નંબર અપૂર્ણ આવી શકે છે. પ્રોડક્ટને એ રીતે ફ્રેમ કરો કે મહત્વનો ટેક્સ્ટ મોટો હોય, નેગેટિવ પ્રોમ્પ્ટમાં warped label text મૂકો, અને પૂરા કદે તપાસો.
• અત્યંત સ્કેલ મિસમેચ અઘરું છે. એક રૂમના નાના થંબનેલ સાથે જોડેલો 4000-પિક્સેલનો પ્રોડક્ટ શોટ મોડેલને કામ કરવા માટે થોડું આપે છે. તમારી પાસે દરેક સોર્સની શ્રેષ્ઠ કૉપી વાપરો.
• ભારે ઓક્લુઝન ટ્રાન્સફર થઈ શકે તેને મર્યાદિત કરે છે. વાળેલું ફોટોગ્રાફ કરેલું વસ્ત્ર, જેની પાછળની બાજુ ક્યારેય દેખાતી ન હોય, તેની પાછળની બાજુ વિશ્વસનીય રીતે બનાવી શકાતી નથી. જો કમ્પોઝિશન પાછળની બાજુ બતાવે છે, તો પાછળની બાજુ પૂરી પાડો.
• વધુ ઇમેજ એટલે ગૂંચવણ માટે વધુ જગ્યા. શિસ્તબદ્ધ ક્રમવાચક નામકરણ સાથે ચાર સોર્સ કામ કરી શકાય એવા છે, પણ ત્યાં બેદરકાર થવાની જગ્યા નથી — કામને જરૂરી હોય એટલી જ સંખ્યા વાપરો, વધુ નહીં.
• એકસાથે બે મોટા ફેરફારો સ્પર્ધા કરે છે. આઉટફિટ ટ્રાન્સફર કરો, પુષ્ટિ કરો, પછી બેકગ્રાઉન્ડ બદલો. ક્રમિક એડિટ લગભગ દર વખતે એક ઓવરલોડ થયેલી સૂચના કરતાં ચડિયાતા છે, અને દરેક પગલું તપાસવું સસ્તું છે.

13વારંવાર પુછાતા પ્રશ્નો

---

ઇમેજ જનરેશન, એડિટિંગ અને મલ્ટિ-ઇમેજ કમ્પોઝિશન Shannon ચેટ એપની સુવિધાઓ છે; /v1/chat/completions, /v1/messages અને /v1/responses એન્ડપોઇન્ટ ટેક્સ્ટ અને વિઝન સર્વ કરે છે, એટલે કે તે ઇમેજ જનરેટ કરવાને બદલે વાંચે છે. કોઈ વીડિયો જનરેશન નથી. એસ્પેક્ટ વિકલ્પો, નેગેટિવ-પ્રોમ્પ્ટ સપોર્ટ અને પુષ્ટિકરણ વર્તન 5 સપ્ટેમ્બર, 2026 મુજબ વર્તમાન છે. સંબંધિત: અનસેન્સર્ડ AI ઇમેજ જનરેશન · અનસેન્સર્ડ AI ઇમેજ એડિટિંગ · જવાબદાર ઉપયોગ · API ડોક્યુમેન્ટેશન · સંશોધન અનુક્રમણિકા.