ຄູ່ມືພຣອມຮູບ AI

ຄົນສ່ວນໃຫຍ່ມາພ້ອມກັບນິໄສການຂຽນພຣອມທີ່ຮຽນມາຈາກ SDXL: ສາຍຄຳນາມທີ່ຂັ້ນດ້ວຍຈຸດ, ຄຳນຳໜ້າພວກໂທເຄັນຄຸນນະພາບ, ນ້ຳໜັກໃນວົງເລັບຈຳນວນໜຶ່ງ, ແລະ ພຣອມລົບທີ່ຍາວເທົ່າກັບພຣອມບວກ. ນິໄສເຫຼົ່ານັ້ນຖືກຕ້ອງສຳລັບໂມເດວເຫຼົ່ານັ້ນ ແລະ ໃຫ້ຜົນກົງກັນຂ້າມຢູ່ນີ້. ນີ້ຄືສະບັບຫຍໍ້ຂອງສິ່ງທີ່ໃຊ້ໄດ້ຜົນແທ້ — ແລະ ຍ້ອນວ່າ Shannon ຂຽນພຣອມສ້າງຮູບໃຫ້ທ່ານ ແລະ ສະແດງມັນກ່ອນຈະເຣັນເດີສິ່ງໃດ, ມັນຈຶ່ງເປັນຄູ່ມືສຳລັບການອ່ານ ແລະ ແກ້ໄຂສິ່ງທີ່ Shannon ສະເໜີພໍໆກັນ.

01ເປັນຫຍັງປະໂຫຍກຈຶ່ງຊະນະແທັກ: ໂມເດວອ່ານແບບໂມເດວພາສາ

ໂມເດວ diffusion ລຸ້ນເກົ່າທີ່ຄຳແນະນຳການຂຽນພຣອມສ່ວນໃຫຍ່ຖືກຂຽນຂຶ້ນເພື່ອມັນ ໃຊ້ຕົວເຂົ້າລະຫັດຂໍ້ຄວາມທີ່ໃນທາງປະຕິບັດປະພຶດຄືຖົງແນວຄິດ: ໄວຍາກອນເກືອບບໍ່ສຳຄັນ, ແລະ ຍຸດທະສາດທີ່ຊະນະຄືການກອງຄຳນາມທີ່ກ່ຽວຂ້ອງແລ້ວຖ່ວງນ້ຳໜັກພວກມັນ. ແກງແທັກເປັນຮູບຮ່າງພຣອມທີ່ຖືກຕ້ອງສຳລັບຕົວເຂົ້າລະຫັດນັ້ນ.

ໂມເດວຮູບພາບຂອງ Shannon ບໍ່ໄດ້ເຮັດວຽກແບບນັ້ນ. ມັນອ່ານພຣອມແບບທີ່ໂມເດວພາສາອ່ານຂໍ້ຄວາມ, ສະນັ້ນໄວຍະສຳພັນຈຶ່ງແບກຄວາມໝາຍ. “Holding an umbrella against her shoulder” ຄືຄວາມສຳພັນລະຫວ່າງຄົນ, ວັດຖຸ ແລະ ສ່ວນຂອງຮ່າງກາຍ; “umbrella, shoulder” ຄືສອງສິ່ງທີ່ບັງເອີນຢູ່ນຳກັນ. ຄຳບຸບພະບົດວາງຕຳແໜ່ງສິ່ງຂອງ. ຄຳກິລິຍາສ້າງທ່າທາງ. ອະນຸປະໂຫຍກຜູກລາຍລະອຽດເຂົ້າກັບຄຳນາມທີ່ຖືກຕ້ອງ ແທນທີ່ຈະປ່ອຍໃຫ້ມັນລອຍໄປທົ່ວທັງຮູບ.

ນີ້ຄືຮູບອັນດຽວກັນທີ່ຖືກຂໍທັງສອງແບບ.

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.

ເບິ່ງສິ່ງທີ່ສະບັບແທັກສະແດງອອກບໍ່ໄດ້. ມັນບໍ່ເຄີຍບອກວ່າຄັນຮົ່ມຖືກຖືໄວ້, ສະນັ້ນມັນອາດຈົບລົງດ້ວຍການນອນຢູ່ພື້ນ. ມັນບໍ່ເຄີຍບອກວ່ານີອອນສະທ້ອນໃນຢາງມະຕອຍ, ບອກແຕ່ວ່າທັງສອງມີຢູ່, ສະນັ້ນທ່ານໄດ້ປ້າຍ ແລະ ຖະໜົນປຽກ ໂດຍບໍ່ມີຄວາມສຳພັນທາງແສງລະຫວ່າງກັນ. ມັນບໍ່ເຄີຍບອກວ່າຜູ້ຍິງເບິ່ງໄປທາງໃດ, ສະນັ້ນທ່າທາງຂອງນາງເປັນການໂຍນຫົວກ້ອຍ. “Cinematic lighting” ເປັນປ້າຍອາລົມ, ບໍ່ແມ່ນແຫຼ່ງແສງ. ແລະ ຫ້າໂທເຄັນສຸດທ້າຍເປັນສຽງລົບກວນ, ຖືກອ່ານເປັນຄຳພາສາອັງກິດກ່ຽວກັບການຖ່າຍພາບ ແທນທີ່ຈະເປັນມືຈັບຄວບຄຸມ.

ສະບັບປະໂຫຍກບໍ່ໄດ້ຍາວກວ່າຍ້ອນມັນຫຼູຫຼາ. ມັນຍາວກວ່າຍ້ອນມັນຕອບຄຳຖາມທີ່ສະບັບແທັກປະໄວ້. ນັ້ນຄືເຄັດລັບທັງໝົດ.

02ພຣອມຮູບຄວນຍາວເທົ່າໃດ?

ຕັ້ງເປົ້າ 30 ຫາ 80 ຄຳ. ຢ່າເກີນ 100 ໄປໄກ. ນີ້ຄືຄັນໂຍກຄຸນນະພາບທີ່ງ່າຍທີ່ສຸດອັນດຽວທີ່ທ່ານມີ, ແລະ ທັງສອງປາຍຂອງຊ່ວງນີ້ລ້ວນສຳຄັນ.

ຕ່ຳກວ່າປະມານ 30 ຄຳ ການຈັດອົງປະກອບ, ແສງ ແລະ ການຈັດເຟຣມ ບໍ່ຖືກລະບຸ, ສະນັ້ນໂມເດວຈຶ່ງເລືອກສິ່ງທີ່ທຳມະດາທີ່ສຸດທາງສະຖິຕິ. “A woman in a coffee shop” ເປັນພຣອມທີ່ໃຊ້ໄດ້ ແຕ່ໃຫ້ຮູບທີ່ລືມງ່າຍ, ຍ້ອນທ່ານມອບການຕັດສິນໃຈທີ່ໜ້າສົນໃຈທຸກຢ່າງໃຫ້ຄົນອື່ນ.

ເໜືອປະມານ 100 ຄຳ ຄວາມລົ້ມເຫຼວອີກແບບປາກົດຂຶ້ນ: ອະນຸປະໂຫຍກທ້າຍໆແຂ່ງກັບອັນຕົ້ນໆ ເພື່ອພື້ນທີ່ດຽວກັນຂອງຮູບ, ແລະ ແທນທີ່ຈະສະສົມລາຍລະອຽດ ທ່ານກັບໄດ້ຄວາມເຈືອຈາງ. ຄຳບັນຍາຍແສງອັນທີສາມລົບລ້າງອັນທຳອິດ, ແລະ ປະທານທີ່ທ່ານຕັ້ງໄວ້ໃນແປດຄຳທຳອິດ ໄດ້ຮັບຄວາມສົນໃຈສຳພັດໜ້ອຍລົງທຸກປະໂຫຍກທີ່ທ່ານເພີ່ມ. ພຣອມຍາວອ່ານແລ້ວຮູ້ສຶກຮອບຄອບ. ພວກມັນບໍ່ໄດ້ເຣັນເດີອອກມາຮອບຄອບ.

ວິໄນ: ຂຽນພຣອມທີ່ທ່ານຢາກໄດ້, ແລ້ວຕັດກັບຄືນເຫຼືອແຕ່ປະໂຫຍກທີ່ຖ້າເອົາອອກແລ້ວຮູບຈະປ່ຽນ.

03ວິໄນເລື່ອງລຳດັບ: ສິ່ງສຳຄັນທີ່ສຸດມາກ່ອນ

ຍ້ອນໂມເດວອ່ານຕາມລຳດັບ, ຕຳແໜ່ງຄືການເນັ້ນ: ສິ່ງທີ່ມາກ່ອນຍຶດຮູບໄວ້, ສິ່ງທີ່ມາທ້າຍປັບແຕ່ງມັນ. ຈົ່ງວາງສິ່ງຕ່າງໆຕາມລຳດັບທີ່ໂມເດວຕ້ອງການ:

1. ປະທານ — ໃຜ ຫຼື ຫຍັງຄືສິ່ງທີ່ຮູບນີ້ເປັນຮູບຂອງ, ຢ່າງເປັນຮູບປະທຳ.
2. ການກະທຳ ຫຼື ທ່າທາງ — ພວກເຂົາກຳລັງເຮັດຫຍັງ, ຖືກຈັດວາງແນວໃດ.
3. ຮູບແບບ ຫຼື ອາລົມ — ຮູບຖ່າຍ, ຮູບແຕ້ມສີນ້ຳມັນ, ພາບປະກອບທາງເຕັກນິກ, ແລະ ນ້ຳສຽງທີ່ມັນຢູ່.
4. ສະຖານທີ່ ແລະ ແສງ — ສິ່ງນີ້ເກີດຂຶ້ນຢູ່ໃສ ແລະ ແສງໃດຕົກລົງໃສ່ມັນ.
5. ເຕັກນິກ — ການຈັດເຟຣມ, ເລນ, ຄວາມເລິກຂອງພາກສະໜາມ, ລາຍລະອຽດຂອງສີ.

ບາດແຜທີ່ຄົນເຮັດໃສ່ຕົນເອງເລື້ອຍທີ່ສຸດຄືການເລີ່ມດ້ວຍອະນຸປະໂຫຍກເຕັກນິກ. ການເປີດດ້ວຍ “Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper” ບອກໂມເດວວ່າລຸກສ໌ຄືປະທານ ແລະ ຜູ້ຊາຍເປັນລາຍລະອຽດ. ທ່ານຈະໄດ້ເຟຣມທີ່ງາມ, ວ່າງເປົ່າ, ມີຮ່າງນ້ອຍໆທີ່ບໍ່ຊັດເຈນຢູ່ໃນນັ້ນ.

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.

ທຸກອົງປະກອບຈາກສະບັບທຳອິດຍັງຢູ່ຄົບໃນສະບັບທີສອງ; ບໍ່ມີຫຍັງຖືກຕັດອອກ. ໂມເດວພຽງແຕ່ຮູ້ແລ້ວວ່າຮູບນີ້ເປັນຮູບຂອງຫຍັງ ກ່ອນທີ່ຈະຖືກບອກວ່າຈະຖ່າຍມັນແນວໃດ — ແລະ ການຈັດລຳດັບໃໝ່ອັນດຽວນັ້ນຍ້າຍປະທານຈາກສິ່ງບັງເອີນມາເປັນສູນກາງ.

04ຈົ່ງລະບຸປະທານໃຫ້ເປັນຮູບປະທຳ

“A person” ບໍ່ແມ່ນປະທານ, ມັນເປັນຕົວແທນຫວ່າງ — ແລະ ໂມເດວຕື່ມຕົວແທນຫວ່າງດ້ວຍຄ່າສະເລ່ຍຂອງທຸກສິ່ງທີ່ມັນເຄີຍເຫັນ, ຊຶ່ງນັ້ນຄືບ່ອນທີ່ລຸກສ໌ມັນເງົາ, ໄຮ້ອາຍຸ, ໄຮ້ບຸກຄະລິກ ມາຈາກ. ຄວາມເປັນຮູບປະທຳລາຄາຫ້າຄຳ ແລະ ຊື້ມະນຸດຄົນໜຶ່ງທີ່ສະເພາະເຈາະຈົງ:

ສັງເກດແບບແຜນ: ອາຍຸ ຫຼື ຍຸກ, ໜຶ່ງລັກສະນະທາງໂຄງສ້າງ, ໜຶ່ງຄວາມບໍ່ສົມບູນທີ່ບົ່ງບອກຕົວຕົນ. ລາຍການທີສາມນັ້ນຄືສິ່ງທີ່ເຮັດໃຫ້ຜົນລັບຮູ້ສຶກຄືຖືກຖ່າຍ ແທນທີ່ຈະຖືກສ້າງ. ແຂ້ວແຫ່ວ, ຊາຍເສື້ອທີ່ສຶກ, ປ້າຍທີ່ຖືກທາທັບ — ຄວາມບໍ່ສົມມາດຍ່ອຍໆຄືສັນຍານຕ້ານຄວາມເປັນພລາສຕິກທີ່ແຮງທີ່ສຸດທີ່ມີ, ແລະ ພວກມັນເກືອບບໍ່ກິນງົບຄຳຂອງທ່ານເລີຍ.

05ຄວາມເໝືອນຈິງ: ຂຽນຄຳຂໍໃຫ້ເປັນຮູບຖ່າຍ

ຄວາມເໝືອນຈິງເປັນນ້ຳສຽງເລີ່ມຕົ້ນ ເວັ້ນເສຍແຕ່ທ່ານຂໍສິລະປະ, ພາບປະກອບ ຫຼື ອານິເມະ. ແຕ່ຄຳວ່າ “photorealistic” ເຮັດວຽກໄດ້ໜ້ອຍ. ສິ່ງທີ່ໃຫ້ຮູບຖ່າຍຄືການບັນຍາຍການກະທຳຂອງການຖ່າຍພາບ: ກ້ອງແທ້, ເລນແທ້, ແລະ ຟິມແທ້ ຫຼື ແຫຼ່ງແສງແທ້.

ເຫດຜົນນັ້ນຊັດເຈນ. ທຸກຮູບທີ່ມີຄຳບັນຍາຍວ່າ “Kodak Portra 400” ຖືກສ້າງດ້ວຍຂະບວນການສະເພາະ ທີ່ມີໂຄງສ້າງເມັດ, ການໄລ່ແສງສະຫວ່າງ ແລະ ການໃຫ້ສີຜິວສະເພາະ, ແລະ ການເອີ່ຍຊື່ຟິມນັ້ນເອີ້ນທັງໝົດນັ້ນມາ. “8k ultra detailed” ເຄີຍປາກົດແຕ່ໃນສະແປມເວັບຂາຍຮູບສະຕັອກ, ສະນັ້ນມັນຈຶ່ງເອີ້ນສະແປມສະຕັອກມາ. ນີ້ຄືສູດທີ່ເຊື່ອຖືໄດ້ຈຳນວນໜຶ່ງ, ແຕ່ລະສູດໃຫ້ຮູບຂອງປະທານດຽວກັນທີ່ຕ່າງກັນຢ່າງຊັດເຈນ:

ຈົ່ງຈັບຄູ່ລາຍລະອຽດຮອງຮັບກັບສູດ — ພື້ນຜິວລະດັບຮູຂຸມຂົນບໍ່ມີຄວາມໝາຍໃນເລນກວ້າງ 24mm ທີ່ໜ້າສູງແປດສິບພິກເຊວ — ແລ້ວຈຶ່ງເພີ່ມມັນ. ລາຍລະອຽດຮອງຮັບ ຄື — ຫຼັກຖານດ້ານພື້ນຜິວທີ່ບອກວ່າເລນໄດ້ບັນທຶກສິ່ງນີ້ແທ້. ຮູຂຸມຂົນທີ່ເຫັນໄດ້ ແລະ ຂົນໜ້າລະອຽດ. ລາຍທໍຂອງເສື້ອຜ້າລິນິນ. ຝຸ່ນລອຍໃນລຳແສງ. ຮອຍຂູດເທິງເກີບໜັງ. ເສັ້ນຜົມທີ່ຫຼົງລອຍຕັດກັບພື້ນຫຼັງສະຫວ່າງ. ສອງ ຫຼື ສາມຢ່າງກໍພຽງພໍ, ແລະ ພວກມັນຄືຄວາມແຕກຕ່າງລະຫວ່າງພາບເຣັນເດີຂອງຄົນ ກັບ ຮູບຖ່າຍຂອງຄົນ.

06ສາກເປັນຊັ້ນ: ໜ້າ, ກາງ, ຫຼັງ

ເມື່ອສາກມີຄວາມເລິກ, ຈົ່ງບັນຍາຍສາມລະນາບແຍກກັນ ແລະ ຕາມລຳດັບ. ນີ້ຄືເຕັກນິກທີ່ໄດ້ຜົນທີ່ສຸດສຳລັບຮູບທີ່ຄວນຮູ້ສຶກຄືສະຖານທີ່ ແທນທີ່ຈະເປັນສາກຫຼັງ, ແລະ ເກືອບບໍ່ມີໃຜເຮັດ. ຖ້າບໍ່ມີມັນ ທ່ານໄດ້ຄວາມແປ: ທຸກສິ່ງທີ່ພຣອມເອີ່ຍເຖິງລົງໃນໄລຍະຫ່າງໃກ້ຄຽງກັນ, ແຍ່ງແຖບກາງອັນດຽວກັນຂອງເຟຣມ. ການຕັ້ງຊື່ລະນາບໃຫ້ງົບຄວາມເລິກແກ່ໂມເດວເພື່ອໃຊ້.

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.

ສອງການປັບປຸງ. ຈົ່ງວາງບາງສິ່ງໄວ້ໜ້າສຸດທີ່ຫຼຸດໂຟກັດໂດຍຕັ້ງໃຈ — ຮູບຖ່າຍແທ້ຂອງສາກເລິກເກືອບຈະມີສະເໝີ, ແລະ ການບໍ່ມີມັນເປັນສັນຍານທີ່ພົບເລື້ອຍ. ແລະ ຈົ່ງບອກວ່າປະທານຢູ່ລະນາບໃດ: ຖ້າຄົນສົ່ງເຄື່ອງດ້ວຍລົດຖີບຄືຈຸດສຳຄັນຂອງຮູບ ນາງຄວນຢູ່ລະນາບກາງ, ບໍ່ດັ່ງນັ້ນຕຶກ ແລະ ຈອກກາເຟຈະແຍ່ງເຟຣມກັບນາງ.

07ສີທີ່ແນ່ນອນ: ລະຫັດເຮັກຊ໌ທີ່ຜູກກັບວັດຖຸ

ສຳລັບວຽກແບຣນ, ຄວາມຕໍ່ເນື່ອງຂອງເຄື່ອງແຕ່ງກາຍ, ຫຼື ບ່ອນໃດກໍຕາມທີ່ “ສີແດງ” ບໍ່ສະເພາະພໍ, ຈົ່ງຂຽນລະຫັດເຮັກຊ໌ເປັນ color #RRGGBB ແລ້ວຜູກມັນເຂົ້າກັບວັດຖຸທີ່ມີຊື່:

...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...

ສາມຫຼັກງ່າຍໆ. ໃຊ້ເຮັກຊ໌ກັບສອງ ຫຼື ສາມສີທີ່ສຳຄັນແທ້ ແລະ ໃຊ້ຄຳສັບທຳມະດາກັບທີ່ເຫຼືອ — ພຣອມທີ່ມີເຮັກຊ໌ຫົກລະຫັດໃຊ້ງົບສ່ວນໃຫຍ່ໄປກັບແຜ່ນສີ. ຈົ່ງຜູກລະຫັດເຂົ້າກັບວັດຖຸທີ່ມີຂອບ, ຢ່າຜູກກັບ “ແສງ” ຫຼື “ອາລົມ”. ແລະ ຈົ່ງຈື່ວ່າມັນລະບຸສີຂອງວັດຖຸ, ບໍ່ແມ່ນຄ່າພິກເຊວສຸດທ້າຍ: ເສື້ອຄຸມ #8B0000 ໃນແສງຍ້ອນຫຼັງຊ່ວງໂມງທອງ ຈະເຣັນເດີອອກມາອົບອຸ່ນກວ່າແຜ່ນສີ, ຄືກັນກັບໃນຊີວິດຈິງ.

08ການເລືອກອັດຕາສ່ວນພາບ

ມີຫ້າອັດຕາສ່ວນໃຫ້ເລືອກ ແລະ ອັນທີ່ຖືກຕ້ອງມັກຖືກບອກເປັນນັຍໂດຍປະທານ, ແຕ່ຄຳຂໍທີ່ຊັດເຈນຈາກທ່ານຊະນະສະເໝີ — ຂໍວອລເປເປີແລ້ວທ່ານຈະໄດ້ tall ບໍ່ວ່າເນື້ອຫາຈະບອກເປັນນັຍວ່າແນວໃດ.

ການເລືອກຜິດຢູ່ຈຸດນີ້ເສຍຫາຍກວ່າທີ່ເບິ່ງ. ຮ່າງທີ່ຢືນເຕັມຕົວໃນເຟຣມ wide ບໍ່ໄດ້ໃຫ້ຮ່າງນ້ອຍໃນເຟຣມໃຫຍ່ — ມັນມັກໃຫ້ຮ່າງທີ່ຖືກຕັດ, ຍ້ອນໂມເດວຕື່ມເຕັມຄວາມກວ້າງ ແລ້ວຫົວ ຫຼື ຕີນອອກນອກເຟຣມ. ຈົ່ງຈັບຄູ່ເຟຣມກັບແກນເດັ່ນຂອງປະທານ ແລ້ວຄຳຕິກ່ຽວກັບອົງປະກອບສ່ວນໃຫຍ່ຈະຫາຍໄປ.

ສອງພຶດຕິກຳທີ່ຄວນຈື່: ການແກ້ໄຂຮັກສາອັດຕາສ່ວນພາບຂອງຮູບຕົ້ນສະບັບໂດຍອັດຕະໂນມັດ, ສະນັ້ນທ່ານຈັດເຟຣມໃໝ່ດ້ວຍການແກ້ໄຂບໍ່ໄດ້, ຂະນະທີ່ການລວມໃຫ້ທ່ານເລືອກຜ້າໃບໃໝ່ໄດ້ — ມັກເປັນວິທີທີ່ສະອາດທີ່ສຸດໃນການປ່ຽນຮູບຮ່າງຂອງສິ່ງທີ່ທ່ານມີຢູ່ແລ້ວ.

09ຮູບແບບຜິດ: ສິ່ງທີ່ຄວນເຊົາເຮັດ

ໂທເຄັນຄຸນນະພາບ: “masterpiece, best quality, 8k, ultra detailed”

ສິ່ງເຫຼົ່ານີ້ເປັນມືຈັບທີ່ຊຸມຊົນຄົ້ນພົບສຳລັບການແຈກແຈງການຝຶກລຸ້ນເກົ່າສະເພາະ, ຊຶ່ງວະລີຄຳບັນຍາຍບາງອັນສຳພັນກັບແຫຼ່ງຮູບບາງແຫຼ່ງ. ພວກມັນບໍ່ໂອນຍ້າຍ. ຢູ່ນີ້ພວກມັນຖືກອ່ານເປັນຄຳພາສາອັງກິດທຳມະດາ, ບໍ່ໃຫ້ຫຍັງເລີຍ, ແລະ ກິນສ່ວນໜຶ່ງຂອງງົບຄຳທີ່ທ່ານຖືກບອກແລ້ວວ່າຈຳກັດ. ສິ່ງທີ່ໃຊ້ແທນຄືການບອກວ່າຢາກໄດ້ລາຍລະອຽດອັນໃດ: ບໍ່ແມ່ນ “ultra detailed” ແຕ່ເປັນ “visible weave in the coat fabric and fine stubble along the jaw” — ເຈຕະນາດຽວກັນ, ສະແດງອອກເປັນສິ່ງທີ່ໂມເດວເຣັນເດີໄດ້.

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

ບໍ່ຖືກແຍກວິເຄາະ. ວົງເລັບ, ວົງເລັບສີ່ຫຼ່ຽມ, ຈຸດຄູ່ ແລະ ຕົວເລກ ລົງເປັນຂໍ້ຄວາມຕົງຕົວ ແລະ ຖ້າມີຜົນຫຍັງ ກໍເຮັດໃຫ້ອະນຸປະໂຫຍກອ້ອມຂ້າງອ່ານຍາກຂຶ້ນ. ຖ້າທ່ານຢາກເນັ້ນບາງສິ່ງໃຫ້ຫຼາຍຂຶ້ນ, ຈົ່ງໃຊ້ສອງຄັນໂຍກທີ່ໃຊ້ໄດ້ຜົນ: ຍ້າຍມັນມາກ່ອນໃນພຣອມ, ແລະ ໃຫ້ຄຳກັບມັນຫຼາຍຂຶ້ນ. “A crimson silk scarf, its fringed ends lifting in the wind” ໜັກກວ່າ “(red scarf:1.4)” ໃນທຸກມາດຕະການທີ່ສຳຄັນ.

ຄຳສັ່ງທີ່ຂັດກັນ

ການປົນຄຳສັ່ງທີ່ເຂົ້າກັນບໍ່ໄດ້ ບໍ່ໄດ້ຜະສົມພວກມັນ; ມັນໃຫ້ຄ່າສະເລ່ຍທີ່ບໍ່ໝັ້ນຄົງ ຊຶ່ງມັກບໍ່ຕອບສະໜອງທັງສອງຝ່າຍ. ຜູ້ກະທຳຜິດທີ່ພົບເລື້ອຍ:

• ສື່ — “photorealistic” ບວກ “watercolor”; “oil painting” ບວກ “shot on 85mm”. ຈົ່ງເລືອກອັນດຽວແລ້ວຜູກມັດ.
• ການຈັດເຟຣມ — “wide establishing shot” ບວກ “extreme close-up on her eyes”; “full body” ບວກ “detailed facial pores”.
• ແສງ — “harsh midday sun” ບວກ “soft golden hour glow”; “low key, deep shadows” ບວກ “bright and airy”.
• ຍຸກ — “1970s film aesthetic” ບວກ “modern minimalist” ບວກ “cyberpunk”.
• ການຊ້ອນຮູບແບບ — ສີ່ສິລະປິນ ຫຼື ສີ່ແນວ ພ້ອມກັນ. ສອງອ້າງອີງທີ່ກ່ຽວຂ້ອງກັນໃຊ້ໄດ້; ສີ່ອັນຫັກລ້າງກັນຈົນກາຍເປັນທຳມະດາ.
• ການເຝືອ — “rustic, weathered, ancient, timeworn wooden door” ຄືແນວຄິດອັນດຽວທີ່ຖືກຂຽນສີ່ເທື່ອ, ແລະ ການຊ້ຳແຕ່ລະເທື່ອເຈືອຈາງສ່ວນທີ່ເຫຼືອຂອງພຣອມ.

10ບໍ່ມີພຣອມລົບໃນ ຂໍ້ຄວາມ-ເປັນ-ຮູບ

ນີ້ຄືຮູບແບບຜິດທີ່ດັກຜູ້ໃຊ້ທີ່ມີປະສົບການໜັກທີ່ສຸດ, ຍ້ອນເທິງລະບົບເກົ່າ ພຣອມລົບເປັນເຄິ່ງໜຶ່ງຂອງຝີມື.

ສຳລັບການສ້າງ ກົດນີ້ເດັດຂາດ ແລະ ຂັດຄວາມຮູ້ສຶກເລັກນ້ອຍ: ການຂຽນ “no text, no watermark, no extra fingers” ລົງໃນພຣອມ ເຮັດໃຫ້ສິ່ງເຫຼົ່ານັ້ນມີໂອກາດເກີດຫຼາຍຂຶ້ນ, ບໍ່ແມ່ນໜ້ອຍລົງ. ໂມເດວອ່ານ “no text” ເປັນປະໂຫຍກທີ່ມີແນວຄິດ text ຢູ່ໃນນັ້ນ; ການປະຕິເສດເປັນສັນຍານອ່ອນ ແລະ ຄຳນາມເປັນສັນຍານແຮງ. ໃນທາງປະຕິບັດທ່ານໄດ້ຂໍຕົວອັກສອນ. ຈົ່ງລະບຸໃນຮູບແບບບວກແທນສະເໝີ:

ສຳລັບການແກ້ໄຂ ແລະ ການລວມ ພຣອມລົບມີຢູ່ ແລະ ທ່ານຄວນໃຊ້ມັນ — ແຕ່ສຳລັບສິ່ງແປກປອມ, ບໍ່ແມ່ນເນື້ອຫາ. ວັດຖຸດິບທີ່ດີ: ລາຍນ້ຳ, ຂໍ້ຄວາມຊ້ອນທັບ, ແຂນຂາຊ້ຳ, ມືບິດເບືອນ, ຮັດສະໝີຈາກການເພີ່ມຄວາມຄົມເກີນ, ການເປັນບລັອກຂອງ JPEG, ເສັ້ນຮອຍຕໍ່ຕາມຂອບພາບປະສົມ. ວັດຖຸດິບທີ່ບໍ່ດີ: ອັນໃດກໍຕາມທີ່ກ່ຽວກັບວ່າຮູບເປັນຮູບຂອງຫຍັງ, ຊຶ່ງເປັນເລື່ອງຂອງຄຳສັ່ງ.

11ການອ່ານພຣອມທີ່ Shannon ຂຽນໃຫ້ທ່ານ

ນີ້ຄືສິ່ງທີ່ເຮັດໃຫ້ຄູ່ມືນີ້ໃຊ້ໄດ້ທັນທີ ແທນທີ່ຈະເປັນທິດສະດີ. ທ່ານບໍ່ຈຳເປັນຕ້ອງຂຽນພຣອມສ້າງຮູບເອງ. ທ່ານຖາມເປັນພາສາທຳມະດາ, ໃນພາສາໃດກໍໄດ້; Shannon ຮັບຮູ້ວ່າມີການຂໍຮູບ, ຂຽນພຣອມສ້າງຮູບເປັນພາສາອັງກິດ, ແລະ ສະແດງມັນໃຫ້ທ່ານເຫັນເທິງບັດຢືນຢັນກ່ອນຈະເຣັນເດີສິ່ງໃດ. ບໍ່ມີຫຍັງຖືກສ້າງ ແລະ ບໍ່ມີຫຍັງຖືກຄິດເງິນຈົນກວ່າທ່ານຈະຢືນຢັນ.

ສະນັ້ນທັກສະທີ່ໃຫ້ຜົນຕອບແທນຫຼາຍທີ່ສຸດບໍ່ແມ່ນການຂຽນພຣອມຈາກສູນ — ແຕ່ຄືການອ່ານອັນທີ່ຢູ່ເທິງບັດ. ຈົ່ງໄລ່ຕາມລາຍການນີ້:

1. ປະທານເປັນຮູບປະທຳບໍ? ຖ້າບັດເວົ້າວ່າ “a person” ຫຼື “a woman”, ທ່ານໄດ້ພົບການປັບປຸງທີ່ໃຫຍ່ທີ່ສຸດອັນດຽວທີ່ມີ. ຈົ່ງໃຫ້ອາຍຸ, ຮູບຮ່າງ, ລັກສະນະແກ່ມັນ.
2. ປະທານມາກ່ອນບໍ? ຖ້າພຣອມເປີດດ້ວຍຮູບແບບ ຫຼື ກ້ອງ, ຈົ່ງຂໍໃຫ້ນຳດ້ວຍປະທານແທນ.
3. ຢູ່ໃນຊ່ວງບໍ? ຕ່ຳກວ່າ 30 ຄຳ, ຈົ່ງຂໍຄວາມສະເພາະເພີ່ມກ່ຽວກັບແສງ ແລະ ສະຖານທີ່. ເກີນ 100, ຈົ່ງຂໍໃຫ້ຕັດ.
4. ມີແຫຼ່ງແສງບໍ? ບໍ່ແມ່ນຄຳບອກອາລົມ — ແຕ່ເປັນແສງແທ້: ປ່ອງຢ້ຽມ, ໂຄມໄຟຖະໜົນ, ແຟລດ, ທ້ອງຟ້າມືດຄຶ້ມ, ຊອບບັອກ.
5. ມີຄວາມຂັດແຍ້ງບໍ? ຈົ່ງກວດຫາສອງສື່, ສອງການຈັດເຟຣມ, ຫຼື ສອງເງື່ອນໄຂແສງ ໃນພຣອມອັນດຽວກັນ.
6. ມີຄຳປະຕິເສດລັກລອບບໍ? ຖ້າບັດມີ “without”, “no”, ຫຼື “avoid”, ນັ້ນຄືພຣອມ ຂໍ້ຄວາມ-ເປັນ-ຮູບ ທີ່ກຳລັງຂໍສິ່ງທີ່ມັນເອີ່ຍຊື່.
7. ອັດຕາສ່ວນຖືກກັບປະທານບໍ? ຮ່າງເຕັມຕົວໃນ wide ຄືການຈັບຄູ່ຜິດແບບຄລາສສິກ.

ການແກ້ໄຂເປັນແບບສົນທະນາ: “make her early thirties with a scar through one eyebrow, shoot it on Portra at 85mm, and use portrait” ເປັນຄຳສັ່ງທີ່ດີຢ່າງສົມບູນ. ທ່ານຈະໄດ້ບັດໃໝ່ ແລ້ວຢືນຢັນອັນນັ້ນແທນ. ບໍ່ມີການລົງໂທດສຳລັບການທົດລອງຊ້ຳ, ຍ້ອນຍັງບໍ່ມີຫຍັງຖືກເຣັນເດີເລີຍ.

ແລະ Shannon ບໍ່ສ້າງໂດຍບໍ່ໄດ້ຮັບເຊີນ. ຄຳທັກທາຍ, ຄຳຖາມ, ຫຼື ຮູບທີ່ທ່ານແນບມາເພື່ອສົນທະນາ ບໍ່ໄດ້ກະຕຸ້ນການເຣັນເດີ. ການຂໍໃຫ້ Shannon ເບິ່ງຮູບ — ບັນຍາຍມັນ, ອ່ານມັນ, ວິເຄາະມັນ — ເປັນວຽກວິຊັນທຳມະດາ, ບໍ່ແມ່ນການສ້າງ, ແລະ ບໍ່ເສຍຄ່າເພີ່ມ.

12ຝີມືປ່ຽນໄປແນວໃດສຳລັບການແກ້ໄຂ ແລະ ການລວມ

ກົດຂ້າງເທິງຂຽນສຳລັບການສ້າງ. ສອງໂໝດຂ້າງຄຽງປ່ຽນຮູບຮ່າງຂອງພຣອມ.

ການແກ້ໄຂຮູບໜຶ່ງຮູບ

ພຣອມແກ້ໄຂຄືຄຳສັ່ງ, ບໍ່ແມ່ນຄຳບັນຍາຍ: ຈົ່ງລະບຸວ່າຫຍັງປ່ຽນ ແລະ ຫຍັງຄົງເດີມ. ການເອີ່ຍຊື່ສ່ວນທີ່ບໍ່ປ່ຽນຄືຄັນໂຍກຄຸນນະພາບທີ່ໃຫຍ່ທີ່ສຸດອັນດຽວໃນຜະລິດຕະພັນ — “Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is” ຢູ່ໄດ້ ຂະນະທີ່ຄຳຂໍອັນດຽວກັນທີ່ບໍ່ມີອະນຸປະໂຫຍກນັ້ນຈະແຕ້ມໜ້ານາງໃໝ່ຢ່າງງຽບໆ. ຈົ່ງລະບຸຈຸດຍຶດໃຫ້ຊັດ: ຮັກສາໜ້າ, ທ່າທາງ, ຜົມ ແລະ ເສື້ອຜ້າ ໃຫ້ຄືເກົ່າ. ໃຊ້ຮູບຕົ້ນສະບັບໜຶ່ງຮູບເທົ່ານັ້ນ, ແລະ ຜົນລັບຮັກສາອັດຕາສ່ວນພາບຂອງມັນ.

ການລວມສອງຮູບຂຶ້ນໄປ

ເມື່ອໃດກໍຕາມທີ່ອົງປະກອບມາຈາກຫຼາຍກວ່າໜຶ່ງຮູບ — ການໂອນຊຸດ, ວັດຖຸເຂົ້າສາກ, ສອງຄົນໃນເຟຣມດຽວ, ສິນຄ້າເທິງຕົວຄົນ, ຮູບແບບຈາກຮູບໜຶ່ງກັບປະທານຈາກອີກຮູບໜຶ່ງ — ພຣອມຕ້ອງເອີ່ຍບົດບາດຂອງແຕ່ລະຮູບ, ຕາມລຳດັບ: “The woman from the first image wearing the red knitted sweater from the second image, standing in the same park.” ຮູບທຳອິດຄືປະທານ ຫຼື ສາກຫຼັກ; ຮູບຕໍ່ມາໃຫ້ສ່ວນປະກອບທີ່ຖືກນຳເຂົ້າມາ. ຢ່າຍຸບຄຳຂໍຫຼາຍຮູບໃຫ້ເປັນຮູບຕົ້ນສະບັບໜຶ່ງຮູບບວກຄຳບັນຍາຍ — ການລວມຮູບແທ້ຄືສິ່ງທີ່ຮັກສາວ່າສິ່ງເຫຼົ່ານັ້ນເບິ່ງແລ້ວເປັນແນວໃດແທ້.

13ການຂຽນພຣອມແບບບໍ່ມີການເຊັນເຊີ: ເວົ້າໃຫ້ຕົງກັບທີ່ໝາຍ

ບໍ່ມີຕົວກັ່ນຕອງເນື້ອຫາເທິງເສັ້ນທາງການສ້າງ ແລະ ບໍ່ມີຊັ້ນປະຕິເສດເທິງໂມເດວທີ່ຂຽນພຣອມ. ນັ້ນຄືປະເດັນທັງໝົດຂອງຜະລິດຕະພັນ: ຕົວສ້າງທີ່ຖືກກັ່ນຕອງມັກປະຕິເສດວຽກທີ່ຖືກຕ້ອງເປັນປະຈຳ — ຮູບເປືອຍທາງສິລະປະ, ພາບປະກອບທາງການແພດ ແລະ ນິຕິວິທະຍາສາດ, ຮູບສຳລັບການຄົ້ນຄວ້າຄວາມປອດໄພ, ຄວາມຮຸນແຮງໃນນິຍາຍ, ການເສຍດສີການເມືອງ, ວຽກແບຣນ ແລະ ໜ້າຕາບຸກຄົນໂດຍເຈົ້າຂອງສິດ. ເຄິ່ງໜຶ່ງຂອງຝີມືການຂຽນພຣອມເທິງແພລດຟອມທີ່ຖືກກັ່ນຕອງຄືວິສະວະກຳຄຳອ້ອມ, ແລະ ຄຳອ້ອມຄືສັດຕູຂອງຮູບທີ່ຖືກຕ້ອງ.

ສະນັ້ນຍັງມີອີກສິ່ງໜຶ່ງທີ່ຄວນກວດເທິງບັດ: ວ່າມັນບັນຍາຍປະທານແທ້ດ້ວຍຄຳທຳມະດາ ແທນທີ່ຈະເປັນຄຳສັບອ້ອມທີ່ຄົນຮຽນມາຈາກເຄື່ອງມືທີ່ຖືກກັ່ນຕອງ. ພາບປະກອບນິຕິວິທະຍາສາດຂອງບາດແຜຄວນບອກວ່າບາດແຜນັ້ນຄືຫຍັງ. ພາສາອ້ອມໆໃຫ້ຮູບທີ່ແຍ່ກວ່າໃນທຸກບ່ອນ, ຍ້ອນໂມເດວເຣັນເດີສິ່ງທີ່ຄຳສັບບອກ.

ຄວາມສາມາດ ແລະ ວິຈາລະນະຍານເປັນຄົນລະເລື່ອງ. Shannon Lab LLC ດຳເນີນສິ່ງນີ້ພາຍໃຕ້ນະໂຍບາຍການໃຊ້ຢ່າງມີຄວາມຮັບຜິດຊອບທີ່ເຜີຍແຜ່ໄວ້: ການສ້າງແບບບໍ່ກັ່ນຕອງເປັນເຄື່ອງມືວິຊາຊີບ, ແລະ ຄວາມຍິນຍອມ, ສິດ ແລະ ກົດໝາຍ ຍັງໃຊ້ກັບສິ່ງທີ່ທ່ານສ້າງທັງໝົດ.

14API ຢູ່ບ່ອນໃດ

ຈຸດຄວາມຖືກຕ້ອງໜຶ່ງສຳລັບຜູ້ອ່ານທີ່ມາຈາກການຄົ້ນຫາ API: ການສ້າງຮູບ, ການແກ້ໄຂ ແລະ ການລວມ ຢູ່ໃນແອັບແຊັດ Shannon, ບໍ່ແມ່ນເທິງ API /v1. API ໃຫ້ບໍລິການຂໍ້ຄວາມ ແລະ ວິຊັນ — ມັນອ່ານ, ບັນຍາຍ ແລະ ວິເຄາະຮູບທີ່ທ່ານສົ່ງໃຫ້ໄດ້ ໃນທັງສາມສຳນຽງ (/v1/chat/completions, /v1/messages, /v1/responses, ສະຕຣີມທັງໝົດ) — ແຕ່ມັນບໍ່ໄດ້ສ້າງພວກມັນ. ຖ້າທ່ານກຳລັງສ້າງທໍ່ທີ່ຕ້ອງເຂົ້າໃຈຮູບ, ເອກະສານ API ຄືບ່ອນເລີ່ມຕົ້ນ. ຖ້າທ່ານຢາກສ້າງຮູບ, ນັ້ນຄືແອັບແຊັດ, ແລະ ທຸກຢ່າງໃນຄູ່ມືນີ້ໃຊ້ໄດ້ຢູ່ບ່ອນນັ້ນ. ຮູບຖືກເຣັນເດີເທິງຄລັດສເຕີ GPU ຂອງພວກເຮົາເອງ.

15ຄຳຖາມທີ່ພົບເລື້ອຍ

ອ່ານທີ່ກ່ຽວຂ້ອງ: ການສ້າງຮູບ AI ບໍ່ມີການເຊັນເຊີ · ການແກ້ໄຂຮູບ AI ບໍ່ມີການເຊັນເຊີ · ນະໂຍບາຍການໃຊ້ຢ່າງມີຄວາມຮັບຜິດຊອບ · ເອກະສານ API · ການຄົ້ນຄວ້າ Shannon ທັງໝົດ. ຄຳແນະນຳຢູ່ນີ້ມາຈາກການທົດສອບໂມເດວຮູບພາບຂອງ Shannon ດ້ວຍຕົນເອງ; ຄຳແນະນຳທີ່ຂຽນສຳລັບລະບົບ diffusion ລຸ້ນກ່ອນ ໂດຍທົ່ວໄປແລ້ວໂອນຍ້າຍບໍ່ໄດ້.