වාරණයෙන් තොර AI රූප සංස්කාරකය
වාක්‍යයක් ලියා පවතින එක් රූපයක් වෙනස් කරන්න, ප්‍රතිශෛලීකරණය කරන්න, නැවත ආලෝකකරණය කරන්න, නැවත ඇඳ ගන්වන්න හෝ අලුත්වැඩියා කරන්න. මාස්ක් නැත, පෙරහන් නැත, ප්‍රතික්ෂේප නැත — සහ අනෙක් සියල්ලටම වඩා වැදගත් එක් තාක්ෂණයක්.
TL;DR
Shannon සරල භාෂා උපදෙසකින් පවතින හරියටම එක් රූපයක් සංස්කරණය කරයි — බ්‍රෂ් නැත, මාස්ක් නැත, තේරීමක් නැත. එම උපදෙසින් වෙනස් වන දේ සහ රැඳෙන දේ යන දෙකම කිව යුතුය, මන්ද ආකෘතිය මුළු රාමුවම නැවත උත්පාදනය කරන බැවිනි: ඔබ වෙනස් නොවන බව නම් නොකරන ඕනෑම දෙයක් නිදහසේ අපගමනය විය හැක. වෙනස් නොවන කොටස් නම් කිරීම — "keep the face, pose and clothing identical" — ඔබට ඇති විශාලතම ගුණාත්මක උපකරණයයි. සංස්කරණ මාර්ගය ඍණ විමසුමකට සහාය දක්වයි (පෙළ-සිට-රූප එසේ නොකරයි); "no X" ලෙස උපදෙසේ ලිවීම වෙනුවට අනවශ්‍ය දෝෂ එහි තබන්න. ප්‍රතිදානය මූලාශ්‍රයේ දර්ශන අනුපාතය ස්වයංක්‍රීයව උරුම කර ගනී. වීඩියෝ නිර්මාණයක් නැත සහ රූපයක් සජීවීකරණය කිරීමට ක්‍රමයක් නැත. සංස්කරණය කතාබස් යෙදුමේ අපගේම GPU පොකුරේ ධාවනය වන අතර, අන්තර්ගත පෙරහනක් හෝ ප්‍රතික්ෂේප ස්තරයක් නැත.
වාරණයෙන් තොර AI රූප සංස්කාරකයක් සොයන බොහෝ දෙනෙකුට ඇත්තේ එක් රූපයක් සහ එක් ගැටලුවකි: පසුබිම වැරදියි, ආලෝකය පැතලියි, කබාය වැරදි වර්ණයයි, නොදන්නා කෙනෙක් රාමුවේ සිටියි, ස්කෑන් එකේ රැළියක් ඇත — නැතහොත් සංස්කරණය සම්පූර්ණයෙන්ම නීත්‍යනුකූලය, නමුත් ඔවුන්ගේ වත්මන් මෙවලම එය ස්පර්ශ කිරීමට ප්‍රතික්ෂේප කරයි. මෙය ගැන කතා කරන්නේ එය හොඳින් කරන ආකාරයයි: වැඩිම ස්ලයිඩර ඇති සංස්කාරකය කුමක්ද යන්න නොව, සාර්ථක සංස්කරණයක් සහ ඔබ නොදැක සිටියදී ඔබේ විෂයයාගේ මුහුණ නිහඬව ප්‍රතිනිර්මාණය කරන සංස්කරණයක් අතර වෙනස ඇති කරන එකම පුරුද්දයි.
01උපදේශ පාදක සංස්කරණය ඇත්තටම යනු කුමක්ද
සම්භාව්‍ය AI සංස්කරණය ඔබෙන් අසන්නේ දුෂ්කර කොටස ඔබම කරන ලෙසයි: කැන්වසයක් විවෘත කර, ඔබ වෙනස් කිරීමට කැමති කලාපය මත මාස්ක් එකක් ආලේප කර, එහි තිබිය යුතු දේ විස්තර කරන වාක්‍ය ඛණ්ඩයක් ටයිප් කරන්න. නිවැරදියි, මන්දගාමීයි, සහ ඔබේ වෙනසට පැහැදිලි මායිමක් නොමැති මොහොතේම නිෂ්ඵලයි — ආලෝක මාරුවක්, සිල්වට් එක වෙනස් කරන ඇඳුම් මාරුවක්, හෝ සමස්ත වර්ණ ශ්‍රේණියක්.
Shannon ක්‍රියා කරන්නේ අනෙක් අතටයි. ඔබ කිසිවක් තෝරා නොගනී. ඔබ ඕනෑම භාෂාවකින් රූපය ගැන වාක්‍යයක් ලියයි, කලාපය ඔබේ වචනවලින් අනුමාන කෙරේ. එමගින් තේරීමේ වැඩකින් තොරව ප්‍රතිඵලය අවශ්‍ය ඕනෑම කෙනෙකුට එය ප්‍රායෝගික වාරණයෙන් තොර inpainting විකල්පයක් බවට පත් වේ — නමුත් ඔබ මුලින්ම තේරුම් ගත යුතු එක් යාන්ත්‍රික ප්‍රතිඵලයක් සහිතව:
සංස්කරණයක් යනු ඔබේ මූලාශ්‍ර රූපය මත රඳා පවතින මුළු රාමුවේම නැවත-විදැහුමකි — එහි කොටසකට යොදන පැච් එකක් නොවේ. රූප ආකෘතිය ඔබේ මුල් රූපය කියවයි, ඔබේ උපදෙස කියවයි, එමෙන්ම මුල් රූපය සහ වෙනස එකතු කළ විට ලැබිය යුතු නව රූපයක් නිපදවයි. යාන්ත්‍රිකව කිසිවක් ස්ථිර කර නොමැත. සෑම සංස්කරණයකදීම සෑම පික්සලයක්ම නැවත සාකච්ඡාවට විවෘතය.
එබැවින් "a rainy Tokyo street" — මාස්ක් මෙවලමක නම් නිර්දෝෂය — මෙහි ටිකක් වෙනස් පුද්ගලයෙකු රාමුවේ සිටිනු ආපසු එයි. මාස්ක් මෙවලමක මාස්ක් එකම කීවේ පුද්ගලයා තහනම් බවයි; මෙහි එය කිව යුත්තේ ඔබේ වාක්‍යයයි. වාසිය: මාස්ක් වලට කළ නොහැකි දේ උපදේශ සංස්කරණය කරයි — හිරු ගමන් කර සෙවණ ගැලපෙන සේ සකසන්න, ඇඳුමක් වෙනස් කර ක්‍රියාත්මක ඉරියව්ව මතට රෙදි නැමීමට සලස්වන්න, සංයුතිය රඳවා ගනිමින් ඡායාරූපයක් තීන්ත සහ පැතලි වර්ණයට ප්‍රතිශෛලීකරණය කරන්න. එම සංස්කරණවලට තීන්ත ගාන්නට මායිමක් නැත; ඒවා මුළු රාමුව පුරාවටම ඇති සම්බන්ධතා වේ.
02නංගුරම් කිරීම: විශාලතම එකම ගුණාත්මක උපකරණය
නංගුරම් කිරීම යනු සෑම සංස්කරණ උපදෙසක්ම වගන්ති දෙකකින් ලිවීමයි: වෙනස් කිරීමේ වගන්තිය (වෙනස් විය යුත්තේ කුමක්ද, ධන ලෙසත් නිශ්චිතවත් ප්‍රකාශ කර) සහ රඳා ගැනීමේ වගන්තිය (ස්පර්ශ නොකර පැවතිය යුතු කොටස්, නිශ්චිත නාම පද ලෙස නම් කර). දෙකම බර දරයි — වෙනස් කිරීමේ වගන්තිය පමණක් ආශාවක් පමණි. ඔබ මෙම පිටුවෙන් එකක් රැගෙන යනවා නම්: ඔබේ ප්‍රතිඵලය ආධිපත්‍යය දරන්නේ රැඳෙන දේ ඔබ කෙතරම් පැහැදිලිව නම් කරනවාද යන්නෙනි, වෙනස් වන දේ ඔබ කෙතරම් සජීවීව විස්තර කරනවාද යන්නෙන් නොවේ.
නංගුරම් නොකළ උපදෙස් අපගමනය වන ආකාර තුනක්
- අනන්‍යතා අපගමනය. මුහුණ සුමට නිවැරදිව ආපසු එයි — ටිකක් වෙනස් නාසයක්, නිහඬව අලංකාරවත් කළ හනුවක්. වඩාත්ම හානිකර අසමත්වීම, මන්ද එය දුරකථනයක දැකීමට අපහසු වුවත් පුද්ගලයා දන්නා ඕනෑම කෙනෙකුට පැහැදිලි වන බැවිනි.
- අනුෂංගික ප්‍රතිශෛලීකරණය. ඔබ නව පසුබිමක් ඉල්ලුවා; ඔබට නව වර්ණ ශ්‍රේණියක්, නව කාචයක්, සහ කලින් රිබ් ගසා තිබූ ස්වෙටරයක්ද ලැබුණි. ආකෘතිය උපදෙස කියවුවේ මූලාශ්‍රයෙන් වෙනසක් ලෙස නොව, මුළු ඉලක්ක රූපයේ විස්තරයක් ලෙසයි.
- විශේෂණවලින් ඇතිවන විෂය පථ පැතිරීම. "More dramatic," "cleaner," "more professional" කිසිදු වස්තුවක් නම් නොකරයි. නාම පදයක් නොමැති විශේෂණයක් සියල්ලටම අදාළ වන අතර, එබැවින් සියල්ල චලනය වේ.
නංගුරම් වචන මාලාව
නංගුරම් ක්‍රියා කරන්නේ නිශ්චිත නාම පද ලෙසයි. "Keep it the same" දුර්වලයි — කුමන සමානත්වයක් ගැනද ඔබ සැලකිලිමත් වන්නේ යන්න ආකෘතියට දැනගත නොහැක. ඔබේ සංස්කරණයට වැදගත් අයිතම තුනක් සිට පහක් තෝරා, ඒවා ප්‍රකටව නම් කරන්න.
| ඔබ වෙනස් කරන්නේ කුමක්ද | පැහැදිලිව නම් කිරීමට වටින නංගුරම් |
|---|---|
| පසුබිම / පරිසරය | මුහුණ සහ මුහුණේ ලක්ෂණ, කෙස් විලාසය, ඉරියව්ව, අත්, ඇඳුම, කැමරා කෝණය, ක්‍රොප් එක, විෂයය මත ආලෝකය |
| ආලෝකය / මනෝභාවය | මුහුණ, ප්‍රකාශනය, සමේ වයනය, ඉරියව්ව, ඇඳුම, පසුබිම් අන්තර්ගතය, රාමුගත කිරීම |
| ඇඳුම් / වස්ත්‍ර | මුහුණ, රැවුල හෝ කෙස්, ඉරියව්ව, අත්, ශරීර අනුපාත, පසුබිම, ආලෝක දිශාව, වර්ණ ශ්‍රේණිය |
| ශෛලිය / මාධ්‍යය | සංයුතිය, ඉරියව්ව, කෙස් දිග, ඇඳුම් හැඩතල, විෂයයන් ගණන, ක්‍රොප් එක |
| වස්තු ඉවත් කිරීම / අලුත්වැඩියාව | රාමුවේ ඇති අනෙක් සියල්ල — විෂයය, අවට ගෘහ නිර්මාණ ශිල්පය, ග්‍රේන්, ටෝන් බව, ප්‍රතිවිරෝධය, වර්ණය |
| එක් දෙයක වර්ණය | රූපයේ අනෙක් සෑම වර්ණයක්ම, තවද වෙනස් කළ වස්තුවේ වයනය සහ ද්‍රව්‍යය |
අවසාන පේළිය සලකන්න. නැවත වර්ණකරණය නිහඬව වැරදෙයි, මන්ද "make the jacket red" පවසන විට එය ආරම්භයේ සිට නැවත තැනූ කබායකට ආරාධනා කරන බැවිනි — නව කැපුමක්, නව ද්‍රව්‍යයක්, නව නැමුම්. නංගුරම් කළ: "recolor the existing jacket to a deep crimson, keeping its exact cut, seams, fabric texture and the way it hangs." එක් වෙනස් වගන්තියක්, විශිෂ්ට ලෙස වඩා හොඳ ප්‍රතිඵලයක්.
03ක්‍රියාත්මක උදාහරණ: දුර්වල උපදෙස, එය අපගමනය වන්නේ ඇයි, නංගුරම් කළ නැවත ලිවීම
පහත එක් එක් යුගලය එකම චේතනාව දෙවරක් ලියා ඇත. මැදින් ඇති රෝග විනිශ්චය රැගෙන යා හැකි කොටසයි.
A. පසුබිමක් ප්‍රතිස්ථාපනය කිරීම
එය අපගමනය වන්නේ ඇයි: මෙය විස්තර කරන්නේ ගමනාන්ත රූපයක්, වෙනසක් නොවේ. කාන්තාව ගැන කිසිවක් ආරක්ෂිත නොවන අතර කැමරාව ස්ථිරව තබා ගන්නා කිසිවක් නැත, එබැවින් ආකෘතිය විශ්වසනීය දර්ශනයක් තනමින් ඇය නැවත රාමුගත කර නැවත විදහයි.
වෙනස් වූයේ කුමක්ද: රඳා ගැනීමේ වගන්තිය අනන්‍යතාව, වස්ත්‍රාභරණය සහ රාමුගත කිරීම සවි කරයි, අවසාන වාක්‍ය ඛණ්ඩය කියන්නේ මැහුම විසඳෙන්නේ කුමන අතටද යන්නයි — පසුබිම විෂයයේ ආලෝකයට නැඹුරු වේ, අනෙක් අතට නොවේ.
B. නැවත ආලෝකකරණය
එය අපගමනය වන්නේ ඇයි: "better" යනු නාම පදයක් නොමැති විශේෂණයකි. ආකෘතියට අර්ථ දැක්වීමක් නිර්මාණය කළ යුතු අතර, නැවත-විදැහුමකදී වඩා හොඳින් පෙනීමට ලාභම ක්‍රමය සුමට කළ සමක්, දීප්තිමත් දත් සහ තුනී හනුවකි. ඔබ ආලෝකයක් ඉල්ලා රීටච් එකක් ලැබුවා.
වෙනස් වූයේ කුමක්ද: ආලෝකය භෞතිකව විස්තර කර ඇත — දිශාව, ගුණාත්මකභාවය, උෂ්ණත්වය, ක්ෂය වීම. සමේ වයනය පැහැදිලිව නංගුරම් කර ඇත, මන්ද නැවත ආලෝකකරණය කරන අවස්ථාවේදීම ආකෘතියක් එය සුමට කර ඉවත් කිරීමට වඩාත්ම නැඹුරු වන බැවිනි.
C. විෂයයක් නැවත ඇඳ ගැන්වීම
එය අපගමනය වන්නේ ඇයි: කබායක් සිල්වට් එක වෙනස් කරන බැවින්, ශරීරයේ ඉහළ කොටස නැවත විදැහිය යුතුය — සහ එහි ඉහළින් ඇති හිසද සාමාන්‍යයෙන් එය සමඟ යයි. නංගුරම් නොකළ ඇඳුම් සංස්කරණ පසුබිම් මාරු කිරීම්වලින් පසුව අනන්‍යතා අපගමනයේ දෙවන විශාලතම මූලාශ්‍රයයි.
වෙනස් වූයේ කුමක්ද: "tailored to his current posture" යනුවෙන් ඇඳුම ඉරියව්වට යටත් කරයි. අත් වෙන වෙනම නංගුරම් කර ඇත, මන්ද ඇඳුම් සංස්කරණ වඩාත්ම පැහැදිලිව බිඳ වැටෙන්නේ අත් තුළ බැවිනි.
D. ඡායාරූපයක් ප්‍රතිශෛලීකරණය කිරීම
එය අපගමනය වන්නේ ඇයි: ශෛලි වචනයක් පමණක් සියල්ල භාර දෙයි — සංයුතිය, ක්‍රොප් එක, කෙස්, ඇඳුම්, පුද්ගලයන් ගණන — සහ "anime" යනු නොගැලපෙන සම්ප්‍රදායන් අවුරුදු තිහක්ම නියෝජනය කරයි. ඔබට ලැබෙන්නේ වෙනස් දර්ශනයක දක්ෂ නිදර්ශනයකි.
වෙනස් වූයේ කුමක්ද: ශෛලි සංස්කරණවලට වෙනස් නංගුරමක් අවශ්‍යයි. ඔබට වයනය නංගුරම් කළ නොහැක — වයනය යනු ප්‍රතිස්ථාපනය වන දෙයයි — එබැවින් ඔබ නංගුරම් කරන්නේ ව්‍යුහයයි: සංයුතිය, ඉරියව්ව, සිල්වට්, ක්‍රොප් එක, විෂයයන් ගණන. cel animation එකක් යටතේ "photorealistic skin" රඳවා ගන්නා ලෙස ඉල්ලීම පරස්පරයකි.
E. යමක් ඉවත් කිරීම
එය අපගමනය වන්නේ ඇයි: ප්‍රතික්ෂේපයක්වත් ආකෘතිය ඉදිරියේ සංකල්පය තබන අතර හිස් වූ ඉඩම පුරවන්නේ කුමක්දැයි කිසිවක් නොකියයි. ඉවත් කිරීම්වලට ඉලක්කයේ සහ පිරවීමේ දෙකෙහිම ධන ප්‍රකාශයක් අවශ්‍යයි.
වෙනස් වූයේ කුමක්ද: ඉලක්කය වස්තුව, වර්ණය සහ පිහිටීම අනුව නම් කර ඇත; පිරවීම නිශ්චිතව දක්වා ඇත, එබැවින් පදික වේදිකාවක් තිබිය යුතු තැන ආකෘතිය චතුරශ්‍රයක් නිර්මාණය නොකරයි; සහ "everything else" සැබෑ නාම පදවලට පරිවර්තනය කර ඇත.
F. හානි වූ ඡායාරූපයක් අලුත්වැඩියා කිරීම
එය අපගමනය වන්නේ ඇයි: "fix" කියවෙන්නේ "improve" ලෙසයි, පැරණි ඡායාරූපයක් වැඩිදියුණු කිරීම යනු එය නවීකරණය කිරීමයි — පිරිසිදු සමක්, ඉහළ ප්‍රතිවිරෝධයක්, තවදුරටත් ඔබේ ආච්චිගේම නොවන මුහුණකි.
වෙනස් වූයේ කුමක්ද: හානිය ගණන් කර ඇත, එබැවින් "fix" කියන එකට නිශ්චිත විෂය පථයක් ඇත, ග්‍රේන් සහ ටෝන් බව නංගුරම් කර ඇත්තේ ඒවා මුද්‍රණය කාල-සත්‍ය ලෙස කියවෙන සේ සලසන බැවිනි. තහනම් තුන ප්‍රතික්ෂේපය එහි ස්ථානය දිනාගන්නා දුර්ලභ අවස්ථාවයි — ක්‍රියාවලිය පිළිබඳ නියෝග මිස වස්තු පිළිබඳ නොවේ.
හොඳ උපදෙසක හැඩය
කොමාවෙන් වෙන් කළ මූලපද ටැග් වෙනුවට, සම්පූර්ණ වාක්‍යවලින් වචන 25 සිට 60 දක්වා ඉලක්ක කරන්න — රූප ආකෘතිය විමසුම් කියවන්නේ භාෂා ආකෘතියක් කරන ආකාරයටමය, එබැවින් ගද්‍යය ටැග් සුප් එකට වඩා ජයගනී. SDXL යුගයේ කුණු (masterpiece, best quality, 8k) සහ (word:1.3) වැනි බර වාක්‍ය ඛණ්ඩන මඟ හරින්න; ඒවා මෙහි කිසිවක් නොකරයි. එක් උපදෙසකට එක් වෙනසක් කරන්න — එක් වාක්‍යයක අදාළ නොවන වෙනස්කම් දෙකක් අවධානය සඳහා තරඟ කරන අතර, දෙකම අඩකින් අහම්බෙන් ආපසු එයි.
04ඍණ විමසුම — පෙළ-සිට-රූප මෙන් නොව, මෙහි සහාය දක්වයි
මෙය බොහෝ දෙනා පටලවා ගනී, එබැවින් එය පැහැදිලිව කියමු:
| මාර්ගය | මූලාශ්‍ර රූප | ඍණ විමසුම | දර්ශන අනුපාතය | විමසුම් ආකෘතිය |
|---|---|---|---|---|
| පෙළ-සිට-රූප | 0 | සහාය නොදක්වයි | තෝරාගත් (චතුරස්‍රය පෙරනිමිය) | විස්තරාත්මක ගද්‍යය |
| එක් රූපයක් සංස්කරණය | හරියටම 1 | සහාය දක්වයි | මූලාශ්‍රයෙන් උරුම වේ | උපදෙස: වෙනස් + රඳවා ගැනීම |
| රූප 2+ සම්බන්ධ කිරීම | 2 හෝ වැඩි | සහාය දක්වයි | නව කැන්වසයක් තෝරාගත හැක | භූමිකා-නම් කළ ගද්‍යය |
පෙළ-සිට-රූප කිසිසේත්ම ඍණ විමසුමක් නොගනී — කිසිවකින් නිර්මාණය කිරීම, ඔබට අවශ්‍ය දේ පමණක් විස්තර කිරීම ම විනයයි (බලන්න වාරණයෙන් තොර AI රූප නිර්මාණය). සංස්කරණය වෙනස්ය: ඔබට දැනටමත් මූලාශ්‍රයක් ඇත, නැවත-විදැහුමක ලාක්ෂණික අසමත්වීම් දන්නා සහ නම් කළ හැකි බැවින්, මැඩපැවැත්විය යුතු නිශ්චිත දෙයක් ඍණ විමසුමට ඇත.
එහි තිබිය යුතු දේ
දෝෂ, දෝෂ පමණි. එය දෝෂ ලැයිස්තුවක්, දෙවන උපදෙස් නාලිකාවක් නොවේ:
- extra fingers, fused fingers, malformed hands — පුද්ගලයෙකු නැවත විදහන ඕනෑම සංස්කරණයක්.
- warped text, garbled lettering, misspelled signage — රාමුවේ සලකුණු, ලේබල් හෝ ඇසුරුම් ඇති ඕනෑම දෙයක්.
- duplicated limbs, duplicated railing, repeated windows — ඉවත් කිරීම් සහ පසුබිම් දිගුකිරීම්.
- smeared texture, blurry patch, halo around the subject, visible seam — පසුබිම් මාරුවීම් සහ වස්තු ඉවත් කිරීම.
- plastic skin, waxy skin, over-smoothed face, watermark, jpeg artifacts — නැවත ආලෝකකරණය, ප්‍රතිරූප සංස්කරණ, සාමාන්‍ය සනීපාරක්ෂාව.
එහි නොතිබිය යුතු දේ
අන්තර්ගත තීරණ. ඔබට තොප්පිය ඉවත් වීමට අවශ්‍ය නම්, උපදෙස වන්නේ "remove the hat" ය — "hat" කියවෙන ඍණ විමසුමක් නොවේ. ඍණ විමසුම ඔබේ මූලාශ්‍රයේ පවතින දේවල් විශ්වාසදායක ලෙස ඉවත් නොකරයි; එය දෝෂ නැවත-විදැහුමේ පෙනී සිටීම අධෛර්යමත් කරයි. එහි අන්තර්ගතය තැබීමෙන් ලැබෙන්නේ දෙකෙහිම නරකම දෙයයි: තොප්පිය ඉතුරු වේ, විකෘති අත් මැඩපැවැත්විය හැකි ස්ථානයක් අහිමි වේ.
රීතියේ අනෙක් අර්ධය ඔබේ උපදෙසට අදාළ වේ: එහි "no X" ලිවීම නවත්වන්න. "A street with no cars," "a portrait with no glasses" යන දෙකම අනවශ්‍ය සංකල්පය වාක්‍යයේ තබා එය ප්‍රතික්ෂේප කරන ලෙස ආකෘතියෙන් ඉල්ලයි — භාෂාව හොඳින් හසුරුවන නමුත් රූප සන්නායනය දුර්වල ලෙස හසුරුවන කාර්යයකි. ඒ වෙනුවට තිබිය යුත්තේ කුමක්දැයි කියන්න: "an empty street with clear asphalt," "a portrait with unobstructed eyes." උදාහරණ F හි මෙන් එකම ව්‍යතිරේකය වන්නේ ක්‍රියාවලිය පිළිබඳ නියෝගයකි — "do not sharpen," "do not recolor" — එය වස්තුවක් නම් කිරීම වෙනුවට ක්‍රියාවලියක් ප්‍රතික්ෂේප කරයි.
එක් පේළියකින්, කාර්ය බෙදීම
උපදෙස: වෙනස් වන දේ, රැඳෙන දේ — ධන ලෙස ප්‍රකාශිත. ඍණ විමසුම: විදැහුමක් විකෘති විය හැකි ආකාර. ඒවා වෙන් කර තබන්න, එවිට දෙකම වැඩිදියුණු වේ.
05එක් මූලාශ්‍ර රූපයක්, සහ Shannon එය තෝරාගන්නා ආකාරය
සංස්කරණයක් ක්‍රියාත්මක වන්නේ හරියටම එක් මූලාශ්‍ර රූපයක් මතයි: සංවාදයේ දැනටමත් ඇති රූපයක් — කලින් අමුණන ලද, හෝ ඔබ වෙනුවෙන් නිර්මාණය කළ — නැතහොත් ඔබ දැන් එවන පණිවිඩයට අමුණා ඇති එකකි. නූලෙන් පිටතින් කිසිවක් ඇද ගනු නොලැබේ, සංස්කරණ මාර්ගය කිසි විටෙක නිහඬව රූප දෙකක් ඒකාබද්ධ නොකරයි. ඔබේ අරමුණට එක් රූපයකට වඩා අංග අවශ්‍ය නම් — ඡායාරූප A හි ඇඳුම ඡායාරූප B හි පුද්ගලයා මතට — එය සම්බන්ධ කිරීමකි, එහිදී එක් එක් රූපයේ භූමිකාව අනුපිළිවෙලින් නම් කරන වෙනස් විමසුම් හැඩයක් භාවිත වේ.
පසු විචාරණ සහ මෑතම අදාළ රූපය
රූපයක් සංවාදයේ පවතින විට, කෙටි පසු විචාරණ ඔබ බලාපොරොත්තු වන ආකාරයටම ක්‍රියා කරයි. "Make it darker." "Now try it at sunset." මේවා විසඳෙන්නේ නූලේ ඇති මෑතම අදාළ රූපයට එරෙහිවයි — සාමාන්‍යයෙන් ඔබ දැන් ලැබූ ප්‍රතිඵලයට — එබැවින් කුඩා උපදෙස් අනුපිළිවෙලක් සංස්කරණ තොගයක් ලෙස හැසිරේ. ප්‍රතිඵල තුනක්:
- තනි පියවරවලින් පුනරාවර්තනය කරන්න. සෑම පසු විචාරණයක්ම තවත් සම්පූර්ණ නැවත-විදැහුමකි, එබැවින් "make it darker and change her coat and move the camera lower" යනු එක් ගමනක් සඳහා සටන් කරන සංස්කරණ තුනකි. පණිවිඩ තුනක් එවන්න; ඔබ කැමති ඕනෑම එකකදී නවත්වන්න.
- පරම්පරාගත හානිය නිරීක්ෂණය කරන්න. කුඩා අපගමන එකතු වේ; හයවන අඛණ්ඩ සංස්කරණය වන විට එක් පියවරක්වත් වැරදි නොපෙනුනත් මුහුණක් මුල් රූපයෙන් බෙහෙවින් ඈත් විය හැක. ඔබ අපගමනයක් දුටු විට, පැච් කිරීම නවත්වන්න — මුල් ගොනුව නැවත අමුණා, එතැන් සිට ඔබට අවශ්‍ය බව ඉගෙන ගත් සෑම දෙයක්ම කේතනය කරන එක් ඒකාබද්ධ උපදෙසක් ලියන්න.
- දිගු නූලක, පැහැදිලි වන්න. "Using the beach photo I attached earlier, …" රූප කිහිපයක් ක්‍රියාත්මක වන විට අපැහැදිලිත්වය ඉවත් කරයි.
නංගුරමක් එක් කිරීමට ඔබට ඇති අවසාන අවස්ථාව තහවුරු කිරීමේ කාඩ්පතයි
ඔබ කතා කරන ඕනෑම භාෂාවකින්, සරල වචනවලින් ඉල්ලයි. Shannon රූප මෙහෙයුමක් ඉල්ලා ඇති බව තීරණය කරයි, අවසාන උපදෙස තමාම ඉංග්‍රීසියෙන් ලියයි, සහ කිසිවක් විදැහෙන්නට පෙර එය තහවුරු කිරීමේ කාඩ්පතක ඔබට පෙන්වයි. ඔබ තහවුරු කරන තුරු කිසිවක් නිපදවෙන්නේ නැත, කිසිදු ගාස්තුවක් අය නොවේ. එම කාඩ්පත කියවන්න — කිසිවක් වියදම් කිරීමට පෙර නොමැති රඳා ගැනීමේ වගන්තියක් ඔබ අල්ලා ගන්නේ එහිදීය.
අදාළ හැසිරීම් දෙකක්: Shannon කිසි විටෙක ආරාධනා නොකර නිර්මාණය නොකරයි — ආචාරයක්, ප්‍රශ්නයක් හෝ අහම්බෙන් අමුණන ලද ඡායාරූපයක් රූප මෙහෙයුමක් අවුලුවන්නේ නැත. තවද Shannon ගෙන් රූපයක් බැලීමට පමණක් ඉල්ලීම — එය විස්තර කිරීම, එහි පෙළ කියවීම, සංයුතිය ක්‍රියා නොකරන්නේ ඇයිදැයි කීම — සාමාන්‍ය දෘශ්‍ය කාර්යයකි, නිර්මාණයක් නොවේ, අමතර කිසිවක් අය නොවේ. "What would you change about this photo?" යනු නොමිලේ උපදෙසකි; එය මත ක්‍රියා කිරීම සංස්කරණයයි.
06දර්ශන අනුපාතය ස්වයංක්‍රීයව උරුම වේ
සංස්කරණය කළ රූපයක් එහි මූලාශ්‍රයේම දර්ශන අනුපාතයෙන් ආපසු එයි. ඔබ එකක් තෝරන්නේ නැත, තෝරාගැනීමට අවශ්‍යද නැත: 4:5 ප්‍රතිරූපයක් 4:5 ලෙසම පවතී, 16:9 එකක් 16:9 ලෙසම පවතී, අපහසු දුරකථන තිර රුවක් එහි අනුපාත රඳවා ගනී. ඔබේ රූපය නිහඬව නැවත රාමුගත කරන සංස්කරණයක් සංස්කරණයක් නොවනු ඇත — එය මුල් මායිම්වලින් පිටත ඇත්තේ කුමක්දැයි අනුමානයක් සමඟ ක්‍රොප් කිරීමක් වනු ඇත.
එය අනෙක් මාර්ග දෙකෙන් ඇති සැබෑ වෙනසකි. පෙළ-සිට-රූප ඔබෙන් square (පෙරනිමිය), portrait, landscape, wide (සිනමාත්මක) සහ tall (පෝස්ටර් සහ බිත්ති කඩදාසි) අතුරින් තෝරන ලෙස ඉල්ලයි, පැහැදිලි ඉල්ලීමක් සැමවිටම ජයගනී; සම්බන්ධ කිරීමේදී උරුම විය හැකි එක් මූලාශ්‍රයක් නොමැති බැවින් නව කැන්වසයක් තෝරාගැනීමට ඉඩ ලැබේ. එබැවින් ඔබට වෙනස් හැඩයක් අවශ්‍ය නම්, එය සංස්කරණයක් නොවේ — 1:1 නිෂ්පාදන ඡායාරූපයක් 16:9 බැනරයක් බවට හැරවීම යනු කිසි විටෙක ඡායාරූප ගත නොකළ පික්සල නිර්මාණය කිරීමයි. එය අභිප්‍රාය සහගතව, නව කැන්වසයකට නිර්මාණය කිරීමෙන් හෝ සම්බන්ධ කිරීමෙන් කරන්න.
07වීඩියෝ නිර්මාණයක් නොපවතී
මිනිසුන් අසන බැවින්, පැහැදිලිව කියමු
Shannon වීඩියෝ නිර්මාණය නොකරයි, රූප සජීවීකරණයද නොකරයි. රූප-සිට-වීඩියෝ මාර්ගයක් නැත, "make this photo move" එකක් නැත, ලූපයක් නැත, cinemagraph එකක් නැත. මෙය පෙරදසුනක හෝ ළඟදීම එන හැකියාවක් නොවේ — එය නිෂ්පාදනයේ නොපවතින අතර, මෙම පිටුවේ කිසිවක් වෙනත් ලෙස ඉඟි කරන බව නොසිතිය යුතුය.
Shannon 3 රූප සමඟ කරන්නේ හරියටම කරුණු තුනකි: නව රූපයක් නිර්මාණය කිරීම, පවතින එක් රූපයක් සංස්කරණය කිරීම, සහ රූප දෙකක් හෝ වැඩි ගණනක් එකකට සම්බන්ධ කිරීම. මෙහි ඇති සියල්ල ඒවායින් දෙවැන්න තුළ පවතී.
දෙවරක් කීමට වටී, මන්ද "AI image editor" සහ "AI video generator" මිනිසුන්ගේ මනසේ ආසන්නව පවතින බැවිනි, ඔබේ ඡායාරූපය සතුටින් නැවත ආලෝකකරණය කරන මෙවලමක් එය චලනය කිරීමට බොත්තමක් දුරින් තිබිය යුතු බව හැඟේ. එය එසේ නොවේ — ඔබ එය දහවන මිනිත්තුවේ නොව පළමු මිනිත්තුවේම දැනගත යුතුය.
08වාරණයෙන් තොර වීම නිර්මාණයට වඩා සංස්කරණයට වැඩි වැදගත්කමක් ඇත්තේ ඇයි
පෙරහන් සහිත සංස්කාරක පෙරහන් සහිත උත්පාදකවලට වඩා වෙනස් ලෙස අසමත් වන අතර, සාමාන්‍යයෙන් වඩාත් නරකින්. පෙරහන් සහිත උත්පාදකයක් ඔබේ විමසුම ප්‍රතික්ෂේප කරයි; ඔබ නැවත ලියා නැවත උත්සාහ කරයි. පෙරහන් සහිත සංස්කාරකයකට ඔබේ උපදෙසේ වචනයක්වත් කියවීමට පෙර මූලාශ්‍ර රූපයම ප්‍රතික්ෂේප කළ හැක. සිද්ධි වාර්තාවක් සඳහා සායනික තුවාල ඡායාරූපයක් උඩුගත කරන්න, එය ආදානයේදීම ප්‍රතික්ෂේප වේ. රැළියක් අලුත්වැඩියා කිරීමට ඓතිහාසික යුද ඡායාරූපයක් උඩුගත කරන්න, රාමුවේ ඇති තුවක්කුව සංවාදය අවසන් කරයි. නීත්‍යනුකූල කාර්යයක්, පරිපූර්ණ ප්‍රතික්ෂේපයක්, උපකාරී වන කිසිදු නැවත ලිවීමක් නැත.
Shannon රූප මාර්ගය ධාවනය කරන්නේ ප්‍රතිදානයට අන්තර්ගත පෙරහනක් නොමැතිව සහ උපදෙස ලියන ආකෘතියේ ප්‍රතික්ෂේප ස්තරයක් නොමැතිවය. එය මෙම සාමාන්‍ය කාර්යයන් කළ හැකි කරන්නේ එයයි:
- කලා නග්න රූප සහ ශරීර ශිල්පීය කාර්යය — කැමැත්තෙන් යුත් වැඩිහිටි විෂයයන් සමඟ වැඩ කරන කලාකරුවන් සහ ඡායාරූප ශිල්පීන් සඳහා රීටච් කිරීම, නැවත ආලෝකකරණය සහ ප්‍රතිශෛලීකරණය.
- වෛද්‍ය හා අධිකරණ වෛද්‍ය නිදර්ශන — ප්‍රධාන ධාරාවේ සංස්කාරක දැකීමෙන්ම ප්‍රතික්ෂේප කරන ඉගැන්වීමේ ද්‍රව්‍ය, සිද්ධි වාර්තා සහ ප්‍රතිනිර්මාණ කාර්යය සඳහා පිරිසිදු කළ සායනික රූප.
- ආරක්ෂක පර්යේෂණ රූප — ෆිෂින් දැනුවත් කිරීමේ වැඩසටහන් සහ රතු-කණ්ඩායම් වාර්තාකරණය සඳහා තිර රු, භෞතික-ආරක්ෂක ඡායාරූප සහ දෘඪාංග ලේඛන.
- ප්‍රබන්ධයේ ප්‍රචණ්ඩත්වය — තුවාලයක් හෝ ආයුධයක් විෂය වන චිත්‍රපට, ක්‍රීඩා සහ විකට කතා නිෂ්පාදන කලාව.
- දේශපාලන උපහාසය සහ කතුවැකි නිදර්ශන — එහි පිටුපස ශතවර්ෂ ගණනාවක ඉතිහාසයක් ඇත, පෙරහන් සහිත මෙවලම්වල ආධාරය ශුන්‍යයට ආසන්නය.
- අයිතිකරු විසින්ම කරන වෙළඳ නාම හා පෙනුම් කාර්යය — ඔබට අවසර ඇත්දැයි වර්ගීකාරකයෙකු සමඟ තර්ක නොකර, ඔබේම නිෂ්පාදන ඡායාරූප, ලාංඡන සැකසුම් සහ ප්‍රතිරූප, සහ දුෂ්කර පවුල් සංරක්ෂණාගාර.
වාරණයෙන් තොර වීම වගකීම් රහිත බවක් නොවේ. Shannon ක්‍රියාත්මක කරනු ලබන්නේ ප්‍රකාශිත වගකීම් සහගත භාවිත ප්‍රතිපත්තිය යටතේ Shannon Lab LLC (New Mexico, USA) විසිනි, තුවාල ඡායාරූපයක් ගැන වර්ගීකාරකයෙකුට ඇති අපහසුතාවයට වඩා නීතිය සහ හානිය පිළිබඳ සැබෑ සීමා පවතින්නේ එහිය. ප්‍රත්‍යාවර්ත ප්‍රතික්ෂේපයක් නොමැති වීම මෙවලම ගැන ප්‍රකාශයකි, ඔබ සාදන දේ පිළිබඳ ඔබේ වගකීම ගැන නොවේ.
09API එක ගැලපෙන්නේ කොහේද — සහ නොගැලපෙන්නේ කොහේද
API සෙවීමකින් පැමිණෙන පාඨකයන් සඳහා මෙය පොදු වැරදි හැරීමකි. රූප නිර්මාණය සහ සංස්කරණය සිදු වන්නේ Shannon කතාබස් යෙදුමේය, API එකේ නොවේ. /v1 උපභාෂා තුන — /v1/chat/completions (OpenAI-හැඩැති), /v1/messages (Anthropic-හැඩැති) සහ /v1/responses, සියල්ල ප්‍රවාහන සහිත, සියල්ල එකම ආකෘති මත — පෙළ සහ දෘශ්‍ය හැකියාව සපයයි. දෘශ්‍ය හැකියාව යනු ආකෘති ඔබ එවන රූප කියවීමයි: ඒවා විස්තර කිරීම, පෙළ පිටපත් කිරීම, ප්‍රස්ථාරයක් විශ්ලේෂණය කිරීම. එහි අර්ථය ඒවා නිර්මාණය හෝ වෙනස් කිරීම නොවේ.
එහෙත් එයින් ප්‍රයෝජනවත් රටාවක් ඉතිරි වේ: දෘශ්‍ය හැකියාව සහ වාරණයෙන් තොර පෙළ ආකෘතියක් ශක්තිමත් උපදෙස්-ලිවීමේ සහායකයෙකි. ඔබේ මූලාශ්‍ර රූපය API එකට එවා, රාමුවේ ඇති දේ විස්තර කර වෙනස සහ නංගුරම් නම් කරන නංගුරම් කළ උපදෙසක කෙටුම්පතක් ලියන ලෙස එයින් ඉල්ලා, පසුව එම උපදෙස කතාබසේ ධාවනය කරන්න — ඔබ අමතක කරන්නට තිබූ නංගුරම් එය අල්ලා ගනී. ඉල්ලීම් සහ ප්‍රතිචාර හැඩතල API ලේඛනයේ ඇත.
10නිතර අසන ප්‍රශ්න
වාරණයෙන් තොර AI රූප සංස්කරණ මෙවලමක් යනු කුමක්ද?
පවතින රූපයක් සහ සරල භාෂා උපදෙසක් ගෙන, ප්‍රතිදානයට අන්තර්ගත පෙරහනක් නොමැතිව සහ උපදෙස ලියන ආකෘතියේ ප්‍රතික්ෂේප ස්තරයක් නොමැතිව, සංස්කරණය කළ රූපය ලබා දෙන සංස්කරණ මෙවලමකි. එය Shannon කතාබස් යෙදුම තුළ අපගේම GPU පොකුරේ ධාවනය වන අතර, එබැවින් පෙරහන් සහිත සංස්කරණ මෙවලම් ප්‍රතික්ෂේප කරන කාර්යයන් — කලා නග්න රූප රීටච් කිරීම, වෛද්‍ය හා අධිකරණ වෛද්‍ය නිදර්ශන, ආරක්ෂක පර්යේෂණ රූප, ප්‍රබන්ධයේ ප්‍රචණ්ඩත්වය, දේශපාලන උපහාසය — ප්‍රතික්ෂේප වෙනුවට සම්පූර්ණ වේ.
මම පසුබිම වෙනස් කරන්න කීවත් මුහුණ වෙනස් වන්නේ ඇයි?
මන්ද උපදේශ සංස්කරණයක් ඔබේ මූලාශ්‍ර රූපය මත රඳා පවතින මුළු රාමුවම නැවත උත්පාදනය කරන අතර, ඔබ මනසේ තැබූ කලාපය පමණක් නොවේ — ඔබ වෙනස් නොවන බව නම් නොකරන ඕනෑම දෙයක් නිදහසේ අපගමනය විය හැක. විසඳුම නංගුරම් කිරීමයි: "keep the face, hairstyle, pose and clothing identical, same camera angle and crop" වැනි රඳා ගැනීමේ වගන්තියක් එක් කරන්න. වෙනස් නොවන කොටස් නම් කිරීම ඔබට ඇති විශාලතම ගුණාත්මක උපකරණයයි.
Shannon රූප සංස්කරණය ඍණ විමසුමකට සහාය දක්වයිද?
ඔව්. කිසිසේත් ඍණ විමසුමක් නොගන්නා පෙළ-සිට-රූප මාර්ගයට වඩා වෙනස්ව, සංස්කරණය සහ බහු-රූප සම්බන්ධ කිරීමේ මාර්ග දෙකම එකකට සහාය දක්වයි. උපදෙසේ "no X" ලෙස ලිවීම වෙනුවට, extra fingers, warped text, duplicated railings, smeared texture, plastic skin, watermarks වැනි අනවශ්‍ය දෝෂ සඳහා එය භාවිත කරන්න. අන්තර්ගත තීරණ ධන ලෙස ප්‍රකාශිත උපදෙසේ ම තිබිය යුතුය; දෝෂ මැඩපැවැත්වීම ඍණ විමසුමේ ම තිබිය යුතුය.
Shannon මගේ රූපය සජීවීකරණය කළ හැකිද නැතහොත් වීඩියෝවක් බවට හරවන්නද?
නැත. Shannon වීඩියෝ නිර්මාණය නොකරයි, රූප සජීවීකරණයද නොකරයි. රූප-සිට-වීඩියෝ මාර්ගයක් නොමැති අතර එවැන්නක් නිවේදනය කෙරෙන්නේද නැත. Shannon 3 නව රූපයක් නිර්මාණය කරයි, පවතින එක් රූපයක් සංස්කරණය කරයි, හෝ රූප දෙකක් හෝ වැඩි ගණනක් එකකට සම්බන්ධ කරයි — එම කරුණු තුන පමණි, ඊට වඩා කිසිවක් නැත.
සංස්කරණයක් භාවිත කරන්නේ මූලාශ්‍ර රූප කීයක්ද?
හරියටම එකක්: සංවාදයේ දැනටමත් ඇති රූපයක් හෝ ඔබේ වත්මන් පණිවිඩයට අමුණා ඇති එකක්. එක් ඡායාරූපයක ඇඳුමක් වෙනත් ඡායාරූපයක පුද්ගලයෙකු මතට යනවා වැනි අංග රූප දෙකකින් හෝ වැඩි ගණනකින් පැමිණිය යුතු නම්, එය සංස්කරණයක් නොව සම්බන්ධ කිරීමකි, එවිට ඔබ දෙවන රූපය වචනවලින් විස්තර කරනවා වෙනුවට සැබෑ රූප ලබා දිය යුතුය.
මට මාස්ක් එකක් අඳින්න හෝ inpainting භාවිත කරන්න අවශ්‍යද?
නැත. බ්‍රෂ්, ලාසෝ හෝ මාස්ක් ස්තරයක් නොමැත. ඔබ වෙනස වාක්‍යයකින් විස්තර කරන අතර කලාපය ඔබේ භාෂාවෙන් අනුමාන කෙරේ, එබැවින් නිශ්චිත නාම පද වැදගත් වේ: "the parked silver car on the right" යනු "that thing" යනවාට වඩා බෙහෙවින් හොඳින් ඉලක්ක කරයි. එය තෝරාගැනීමේ වැඩකින් තොරව ප්‍රතිඵලය අවශ්‍ය අයට Shannon ප්‍රායෝගික වාරණයෙන් තොර inpainting විකල්පයක් බවට පත් කරයි.
Shannon API එක හරහා රූප සංස්කරණය කළ හැකිද?
නැත. රූප නිර්මාණය සහ සංස්කරණය පවතින්නේ Shannon කතාබස් යෙදුමේය. /v1 උපභාෂා — /v1/chat/completions, /v1/messages සහ /v1/responses — පෙළ සහ දෘශ්‍ය හැකියාව සපයයි: ඒවා ඔබ එවන රූප කියවා විශ්ලේෂණය කරයි, නමුත් ඒවා නිර්මාණය හෝ සංස්කරණය නොකරයි. පොදු ක්‍රියාවලියක් නම් API එකේ දෘශ්‍ය හැකියාවෙන් නංගුරම් කළ උපදෙසේ කෙටුම්පතක් ලබාගෙන, පසුව කතාබසේ සංස්කරණය ධාවනය කිරීමයි.
පෙරහනක් සමඟ තර්ක නොකර රූපයක් සංස්කරණය කරන්න
ඡායාරූපයක් අමුණන්න, එක් වාක්‍යයක් ලියන්න, රැඳෙන දේ නම් කරන්න.
සංස්කරණය අරඹන්න API ලේඛන කියවන්නරූප අපගේම GPU පොකුරේ විදැහේ · ඔබ කාඩ්පත තහවුරු කරන තුරු කිසිවක් නොවිදැහෙන අතර ගාස්තුවක්ද අය නොවේ
Shannon AI ක්‍රියාත්මක කරනු ලබන්නේ Shannon Lab LLC, New Mexico, USA විසිනි. රූප නිර්මාණය, සංස්කරණය සහ සම්බන්ධ කිරීම Shannon 3 හි කතාබස්-යෙදුම් අංගයන් වේ; /v1 API එක සපයන්නේ පෙළ සහ දෘශ්‍ය හැකියාව පමණි. නිෂ්පාදනයේ වීඩියෝ නිර්මාණයක් නොපවතී. සංස්කරණය හරියටම එක් මූලාශ්‍ර රූපයක් පිළිගෙන එහි දර්ශන අනුපාතය උරුම කර ගනී. වාරණයෙන් තොර රූප මාර්ග භාවිතය වගකීම් සහගත භාවිත ප්‍රතිපත්තිය මගින් පාලනය වේ.