Panduan Gesaan Imej AI

Kebanyakan orang tiba dengan tabiat gesaan yang dipelajari pada SDXL: rentetan kata nama dipisah koma, mukadimah token kualiti, beberapa pemberat berkurungan, dan gesaan negatif sepanjang gesaan positif. Tabiat itu betul untuk model-model tersebut dan memberi kesan songsang di sini. Inilah versi ringkas apa yang benar-benar berkesan — dan kerana Shannon menulis gesaan penjanaan untuk anda dan menunjukkannya sebelum apa-apa dijana, ia juga panduan untuk membaca dan membetulkan apa yang dicadangkan Shannon.

01Mengapa prosa mengalahkan tag: model membaca seperti model bahasa

Model resapan lama yang menjadi sasaran kebanyakan nasihat gesaan menggunakan pengekod teks yang berkelakuan, dalam amalan, seperti beg konsep: tatabahasa hampir tidak penting, dan strategi menang ialah menimbun kata nama berkaitan dan mencondongkannya dengan pemberat. Sup tag ialah bentuk gesaan yang betul untuk pengekod itu.

Model Imej Shannon tidak berfungsi begitu. Ia membaca gesaan seperti model bahasa membaca teks, jadi sintaks membawa makna. "Holding an umbrella against her shoulder" ialah hubungan antara seorang manusia, sebuah objek dan satu anggota badan; "umbrella, shoulder" ialah dua benda yang kebetulan hadir. Kata sendi meletakkan benda. Kata kerja mencipta pose. Klausa melekatkan butiran pada kata nama yang betul dan bukan membiarkannya terapung merentasi seluruh imej.

Inilah gambar yang sama diminta dengan kedua-dua cara.

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.

Perhatikan apa yang versi tag tidak dapat ungkapkan. Ia tidak pernah kata payung itu dipegang, jadi ia mungkin berakhir terbaring di atas tanah. Ia tidak pernah kata neon itu terpantul pada asfalt, hanya bahawa kedua-duanya wujud, jadi anda dapat papan tanda dan jalan basah tanpa sebarang hubungan optik antaranya. Ia tidak pernah kata ke mana wanita itu memandang, jadi posenya bergantung nasib. "Cinematic lighting" ialah label mood, bukan sumber cahaya. Dan lima token terakhir itu bising, dibaca sebagai perkataan Inggeris tentang fotografi dan bukan pemegang kawalan.

Versi prosa bukan lebih panjang kerana ia berbunga. Ia lebih panjang kerana ia menjawab soalan yang dibiarkan terbuka oleh versi tag. Itulah keseluruhan helahnya.

02Berapa panjang sepatutnya gesaan imej?

Sasarkan 30 hingga 80 patah perkataan. Jangan jauh melebihi 100. Ini tuas kualiti termudah yang ada pada anda, dan kedua-dua hujung julat itu penting.

Di bawah kira-kira 30 patah perkataan, gubahan, cahaya dan kerangka tidak ditetapkan, jadi model memilih apa sahaja yang paling lazim secara statistik. "A woman in a coffee shop" ialah gesaan yang sah yang menghasilkan imej mudah dilupakan, kerana anda menyerahkan setiap keputusan menarik.

Melebihi kira-kira 100 patah perkataan, satu kegagalan berbeza muncul: klausa lewat bersaing dengan klausa awal untuk kawasan imej yang sama, dan bukannya mengumpul butiran anda mendapat pencairan. Penerangan pencahayaan ketiga membatalkan yang pertama, dan subjek yang anda tetapkan dalam lapan patah perkataan pertama mendapat perhatian relatif yang lebih sedikit dengan setiap ayat yang anda tambah. Gesaan panjang dibaca sebagai teliti. Ia tidak dijana sebagai teliti.

Disiplinnya: tulis gesaan yang anda mahu, kemudian potong balik kepada ayat yang akan mengubah gambar itu jika dibuang.

03Disiplin susunan: perkara paling penting dahulu

Kerana model membaca secara berturutan, kedudukan ialah penekanan: apa yang datang dahulu menambat imej, apa yang datang akhir melaraskannya. Letakkan perkara mengikut susunan yang model perlukan:

1. Subjek — siapa atau apa yang gambar ini tentangnya, secara konkrit.
2. Aksi atau pose — apa yang mereka lakukan, bagaimana mereka berada.
3. Gaya atau mood — fotograf, lukisan minyak, ilustrasi teknikal, dan nada yang digunakannya.
4. Latar dan pencahayaan — di mana ini berlaku dan cahaya apa yang jatuh padanya.
5. Teknikal — kerangka, kanta, kedalaman medan, spesifik warna.

Luka paling lazim yang dibuat sendiri ialah bermula dengan klausa teknikal. Membuka dengan "Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper" memberitahu model bahawa rupanya ialah subjek dan lelaki itu hanya butiran. Anda mendapat kerangka yang cantik tetapi kosong dengan satu figura kecil yang kabur di dalamnya.

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.

Setiap elemen daripada versi pertama kekal dalam versi kedua; tiada apa yang digugurkan. Model kini sekadar tahu gambar itu tentang apa sebelum ia diberitahu cara merakamnya — dan penyusunan semula itu sahaja mengalihkan subjek daripada sampingan kepada pusat.

04Jadikan subjek konkrit

"A person" bukan subjek, ia ruang letak — dan model mengisi ruang letak dengan purata segala yang pernah dilihatnya, dan tepat di situlah rupa berkilat, tanpa usia dan tanpa watak itu datang. Konkrit menelan lima patah perkataan dan membeli seorang manusia yang khusus:

Perhatikan coraknya: umur atau era, satu ciri struktur, satu ketidaksempurnaan yang membezakan. Item ketiga itulah yang menjadikan hasilnya terasa dirakam dan bukan dijana. Gigi retak, kelim lusuh, papan tanda yang dicat semula — ketaksimetrian kecil ialah isyarat anti-plastik terkuat yang ada, dan ia hampir tidak menelan apa-apa dalam bajet perkataan anda.

05Fotorealisme: tulis permintaan itu sebagai fotograf

Fotorealisme ialah nada lalai melainkan anda meminta seni, ilustrasi atau anime. Tetapi perkataan "photorealistic" tidak banyak berfungsi. Yang menghasilkan fotograf ialah menerangkan perbuatan fotografi: kamera sebenar, kanta sebenar, dan stok filem atau sumber cahaya sebenar.

Sebabnya mudah. Setiap imej berkapsyen "Kodak Portra 400" dibuat melalui proses tertentu dengan struktur bijian tertentu, pelepasan sorotan dan gambaran kulit tertentu, dan menamakan stok itu memanggil kesemuanya. "8k ultra detailed" hanya pernah muncul pada spam laman stok, jadi ia memanggil spam laman stok. Beberapa resipi yang boleh diharap, setiap satunya menghasilkan imej yang jelas berbeza bagi subjek yang sama:

Padankan pengukuh dengan resipi — tekstur kulit peringkat liang tidak bermakna apa-apa dalam syot lebar 24mm di mana wajah hanya lapan puluh piksel tinggi — kemudian tambahkannya. Butiran pengukuh ialah — bukti tekstur bahawa sebuah kanta benar-benar merakam ini. Liang kulit yang kelihatan dan bulu halus wajah. Tenunan baju linen. Zarah habuk dalam pancaran cahaya. Calar pada but kulit. Rambut terbang pada latar belakang cerah. Dua atau tiga sudah memadai, dan itulah bezanya antara janaan seorang manusia dan fotograf seorang manusia.

06Adegan berlapis: latar depan, latar tengah, latar belakang

Apabila sesuatu adegan mempunyai kedalaman, terangkan tiga satah itu secara berasingan dan mengikut urutan. Ini teknik paling berkesan untuk imej yang sepatutnya terasa seperti tempat dan bukan latar hias, dan hampir tiada siapa melakukannya. Tanpanya anda mendapat kerataan: segala yang disebut gesaan mendarat pada jarak yang lebih kurang sama, bersaing untuk jalur tengah kerangka yang sama. Menamakan satah memberi model bajet kedalaman untuk dibelanjakan.

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.

Dua penghalusan. Letakkan sesuatu di latar depan yang sengaja luar fokus — fotograf sebenar bagi adegan mendalam hampir sentiasa ada satu, dan ketiadaannya ialah petunjuk yang lazim. Dan nyatakan satah mana yang diduduki subjek: jika kurier basikal itu inti gambarnya, dia tergolong di latar tengah, jika tidak menara dan cawan kopi akan berebut kerangka dengannya.

07Warna tepat: kod heks, dilekatkan pada objek

Untuk kerja jenama, kesinambungan kostum, atau di mana-mana "merah" tidak cukup khusus, tulis kod heks sebagai color #RRGGBB dan lekatkannya pada objek bernama:

...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...

Tiga petua umum. Gunakan heks untuk dua atau tiga warna yang benar-benar penting dan perkataan biasa untuk selebihnya — gesaan dengan enam kod heks membelanjakan sebahagian besar bajetnya pada cebisan cat. Ikat kod itu pada objek yang mempunyai tepi, bukan pada "pencahayaan" atau "mood". Dan ingat ia menetapkan warna objek itu, bukan nilai piksel akhir: kot #8B0000 dalam cahaya belakang waktu keemasan dijana lebih hangat daripada cebisan warnanya, tepat seperti dalam kehidupan sebenar.

08Memilih nisbah bidang

Lima nisbah tersedia dan yang betul biasanya tersirat daripada subjeknya, tetapi permintaan jelas daripada anda sentiasa menang — minta kertas dinding dan anda dapat tall tidak kira apa yang disiratkan oleh kandungannya.

Tersilap dalam hal ini lebih memudaratkan daripada yang kelihatan. Figura berdiri sepenuh badan dalam kerangka wide tidak memberi anda figura kecil dalam kerangka besar — ia biasanya memberi anda figura yang terpotong, kerana model mengisi kelebaran dan kepala atau kaki keluar dari kerangka. Padankan kerangka dengan paksi dominan subjek dan kebanyakan aduan gubahan akan hilang.

Dua tingkah laku yang wajar diingat: penyuntingan mengekalkan nisbah bidang imej sumber secara automatik, jadi anda tidak boleh mengubah kerangka melalui penyuntingan, sementara penggabungan membolehkan anda memilih kanvas baharu — selalunya cara paling bersih untuk mengubah bentuk sesuatu yang sudah anda miliki.

09Anti-corak: apa yang perlu dihentikan

Token kualiti: "masterpiece, best quality, 8k, ultra detailed"

Ini pemegang yang ditemui komuniti bagi taburan latihan lama yang tertentu, di mana frasa kapsyen tertentu berkorelasi dengan sumber imej tertentu. Ia tidak boleh dipindahkan. Di sini ia dibaca sebagai perkataan Inggeris biasa, tidak menyumbang apa-apa, dan memakan sebahagian bajet perkataan yang sudah pun diberitahu ketat. Gantinya ialah menyatakan butiran yang mana anda mahu: bukan "ultra detailed" tetapi "visible weave in the coat fabric and fine stubble along the jaw" — niat yang sama, diungkapkan sebagai sesuatu yang model boleh jana.

Sintaks pemberat: (word:1.3), [word], {{word}}

Tidak dihuraikan. Kurungan, kurungan siku, titik bertindih dan nombor mendarat sebagai teks harfiah dan, jika ada apa-apa pun, menjadikan klausa sekelilingnya lebih sukar dibaca. Jika anda mahu lebih penekanan pada sesuatu, gunakan dua tuas yang memang berkesan: alihkannya lebih awal dalam gesaan, dan beri ia lebih banyak perkataan. "A crimson silk scarf, its fringed ends lifting in the wind" mengatasi "(red scarf:1.4)" dari setiap sudut yang penting.

Arahan bercanggah

Mencampurkan arahan tidak serasi tidak mengadunkannya; ia menghasilkan purata tidak stabil yang biasanya tidak memuaskan kedua-duanya. Pesalah yang kerap:

• Medium — "photorealistic" ditambah "watercolor"; "oil painting" ditambah "shot on 85mm". Pilih satu dan komited.
• Kerangka — "wide establishing shot" ditambah "extreme close-up on her eyes"; "full body" ditambah "detailed facial pores".
• Pencahayaan — "harsh midday sun" ditambah "soft golden hour glow"; "low key, deep shadows" ditambah "bright and airy".
• Era — "1970s film aesthetic" ditambah "modern minimalist" ditambah "cyberpunk".
• Penindanan gaya — empat pelukis atau empat genre serentak. Dua rujukan berkaitan boleh berkesan; empat saling membatalkan menjadi generik.
• Serakan — "rustic, weathered, ancient, timeworn wooden door" ialah satu idea ditulis empat kali, dan setiap pengulangan mencairkan selebihnya gesaan itu.

10Tiada gesaan negatif dalam teks-ke-imej

Inilah anti-corak yang menjerat pengguna berpengalaman paling teruk, kerana pada tindanan lama gesaan negatif ialah separuh daripada kemahirannya.

Untuk penjanaan, peraturannya mutlak dan sedikit berlawanan gerak hati: menulis "no text, no watermark, no extra fingers" ke dalam gesaan menjadikan perkara itu lebih berkemungkinan, bukan kurang. Model membaca "no text" sebagai satu ayat yang mengandungi konsep text; penafian ialah isyarat lemah dan kata nama ialah isyarat kuat. Anda sebenarnya telah meminta teks. Sentiasa nyatakan bentuk positifnya sebaliknya:

Untuk penyuntingan dan penggabungan, gesaan negatif memang wujud dan anda patut menggunakannya — tetapi untuk artifak, bukan kandungan. Bahan yang baik: tera air, tindanan teks, anggota badan berganda, tangan bengkok, halo penajaman berlebihan, blok JPEG, garis jahitan pada tepi komposit. Bahan yang buruk: apa-apa tentang gambar itu tentang apa, yang tergolong dalam arahan.

11Membaca gesaan yang Shannon tulis untuk anda

Inilah yang menjadikan panduan ini terus boleh digunakan dan bukan teori semata-mata. Anda tidak perlu menulis gesaan penjanaan itu sendiri. Anda meminta dalam bahasa biasa, dalam mana-mana bahasa; Shannon mengenal pasti bahawa sebuah imej sedang diminta, menggubah gesaan penjanaan dalam bahasa Inggeris, dan menunjukkannya kepada anda pada kad pengesahan sebelum apa-apa dijana. Tiada apa-apa dijana dan tiada apa-apa dicaj sehingga anda mengesahkan.

Jadi kemahiran yang paling berbaloi bukanlah menulis gesaan dari kosong — ia membaca gesaan yang ada pada kad. Turuti senarai ini:

1. Adakah subjeknya konkrit? Jika kad itu kata "a person" atau "a woman", anda telah menemui penambahbaikan terbesar yang ada. Beri ia umur, bentuk badan, satu ciri.
2. Adakah subjek didahulukan? Jika gesaan bermula dengan gaya atau kamera, minta ia dimulakan dengan subjek sebaliknya.
3. Adakah ia dalam julat? Di bawah 30 patah perkataan, minta lebih kekhususan pada cahaya dan latar. Melebihi 100, minta ia dipotong.
4. Adakah ada sumber cahaya? Bukan perkataan mood — cahaya sebenar: tingkap, lampu jalan, denyar, langit mendung, softbox.
5. Ada percanggahan? Imbas untuk dua medium, dua kerangka, atau dua keadaan pencahayaan dalam gesaan yang sama.
6. Ada penafian terselinap? Jika kad mengandungi "without", "no", atau "avoid", itu gesaan teks-ke-imej yang sedang meminta perkara yang dinamakannya.
7. Adakah nisbahnya betul untuk subjek? Figura sepenuh badan dalam wide ialah ketidakpadanan klasik.

Pembetulan dilakukan secara berbual: "jadikan dia awal tiga puluhan dengan parut menembusi satu kening, rakam pada Portra dengan 85mm, dan guna portrait" ialah arahan yang sangat baik. Anda mendapat kad baharu dan mengesahkan yang itu sebaliknya. Tiada penalti untuk mengulang, kerana belum ada apa-apa yang dijana.

Dan Shannon tidak menjana tanpa diminta. Ucapan salam, soalan, atau foto yang anda lampirkan untuk dibincangkan tidak mencetuskan penjanaan. Meminta Shannon melihat sesuatu imej — menerangkannya, membacanya, menganalisisnya — ialah kerja visi biasa, bukan penjanaan, dan tidak menelan kos tambahan.

12Bagaimana kemahiran ini berubah untuk penyuntingan dan penggabungan

Peraturan di atas ditulis untuk penjanaan. Dua mod bersebelahan mengubah bentuk gesaan.

Menyunting satu imej

Gesaan suntingan ialah arahan, bukan penerangan: nyatakan apa yang berubah dan apa yang kekal. Menamakan bahagian yang tidak berubah ialah tuas kualiti tunggal terbesar dalam produk ini — "Tukar latar belakang kepada jalan bandar pada malam hujan dengan pantulan neon, kekalkan wanita itu tepat seperti sedia ada" bertahan di tempat permintaan sama tanpa klausa itu diam-diam melukis semula wajahnya. Jadilah khusus tentang tambatnya: kekalkan wajah, pose, rambut dan pakaian sama persis. Tepat satu imej sumber digunakan, dan output mengekalkan nisbah bidangnya.

Menggabungkan dua atau lebih imej

Bila-bila masa elemen datang daripada lebih daripada satu gambar — pemindahan pakaian, objek ke dalam adegan, dua orang dalam satu kerangka, produk-pada-orang, gaya daripada satu imej dengan subjek daripada satu lagi — gesaan mesti menamakan peranan setiap imej, mengikut urutan: "The woman from the first image wearing the red knitted sweater from the second image, standing in the same park." Imej pertama ialah subjek atau adegan utama; imej kemudian membekalkan bahagian yang dibawa masuk. Jangan runtuhkan permintaan berbilang imej menjadi satu sumber ditambah penerangan teks — menggabungkan imej sebenar itulah yang memelihara rupa sebenar benda-benda tersebut.

13Gesaan tanpa tapisan: katakan apa yang anda maksudkan

Tiada penapis kandungan pada laluan penjanaan dan tiada lapisan penolakan pada model yang menulis gesaan. Itulah keseluruhan inti produk ini: penjana bertapis lazimnya menolak kerja yang sah — seni bogel, ilustrasi perubatan dan forensik, imej penyelidikan keselamatan, keganasan dalam fiksyen, satira politik, kerja jenama dan rupa diri oleh pemegang hak. Separuh daripada kemahiran gesaan pada platform bertapis ialah kejuruteraan kiasan, dan kiasan ialah musuh imej yang tepat.

Jadi ada satu lagi perkara untuk disemak pada kad itu: bahawa ia menerangkan subjek sebenar dengan perkataan biasa dan bukan perbendaharaan kata berpagar yang orang pelajari daripada alat bertapis. Ilustrasi forensik sesuatu luka patut menyatakan luka itu apa. Bahasa berpagar menghasilkan imej yang lebih buruk di mana-mana, kerana model menjana apa yang dikatakan oleh perkataan.

Keupayaan dan pertimbangan ialah dua perkara berasingan. Shannon Lab LLC mengendalikan ini di bawah Dasar Penggunaan Bertanggungjawab yang diterbitkan: penjanaan tanpa penapis ialah alat profesional, dan persetujuan, hak dan undang-undang semuanya tetap terpakai kepada apa yang anda hasilkan.

14Di mana API bersesuaian

Satu perkara ketepatan untuk pembaca yang tiba daripada carian API: penjanaan, penyuntingan dan penggabungan imej berada dalam aplikasi sembang Shannon, bukan pada API /v1. API menyajikan teks dan visi — ia boleh membaca, menerangkan dan menganalisis imej yang anda hantar kepadanya merentasi ketiga-tiga dialek (/v1/chat/completions, /v1/messages, /v1/responses, semuanya menstrim) — tetapi ia tidak menciptanya. Jika anda sedang membina saluran yang perlu memahami imej, dokumentasi API ialah tempat untuk bermula. Jika anda mahu membuat imej, itu aplikasi sembang, dan segala yang ada dalam panduan ini terpakai di sana. Imej dijana pada kluster GPU kami sendiri.

15Soalan lazim

Bacaan berkaitan: Penjanaan imej AI tanpa tapisan · Penyuntingan imej AI tanpa tapisan · Dasar Penggunaan Bertanggungjawab · dokumentasi API · Semua penyelidikan Shannon. Panduan di sini diambil daripada ujian kami sendiri ke atas Model Imej Shannon; nasihat yang ditulis untuk tindanan resapan terdahulu umumnya tidak boleh dipindahkan.