ساخت عکس با هوش مصنوعی برای مبتدیان: یک راهنمای ساده

چطور کار می‌کند، در یک بند

یک توصیف تایپ می‌کنید و تصویری پدیدار می‌شود. در پسِ پرده، ابزار از نویز تصویری تصادفی شروع می‌کند و بارها آن را به سمت چیزی که با واژه‌های شما می‌خواند هُل می‌دهد، چون از شمار عظیمی تصویر عنوان‌دار یاد گرفته که هر واژه چه شکلی است.

یک پیامد، بیشتر سرخوردگی مبتدی‌ها را توضیح می‌دهد: مدل توصیف شما را با الگوها تطبیق می‌دهد، نه اینکه مثل یک آدم دستور بگیرد. اگر بگویید «بدون سگ»، واژهٔ سگ همچنان آنجاست و ممکن است سگی هم ظاهر شود. اگر چیزی را نگویید، از شما نمی‌پرسد؛ جای خالی را با میانگین‌ترین نسخه‌ای که از آن دیده پر می‌کند.

کل مهارت همین است. مشخص بگویید چه می‌خواهید، و آنچه را نمی‌خواهید در جایی بگویید که برای همین ساخته شده است.

فرمول شش‌بخشی

تقریباً هر prompt تصویری خوب همین شش چیز را دارد. بخش‌های جاافتاده با پیش‌فرض‌ها پر می‌شوند، و همان پیش‌فرض‌هاست که تصویر را کلیشه‌ای می‌کند.

بخش	چه بگویید	اگر نگویید
سوژه	همان چیز مشخص، با جزئیاتی که مهم‌اند	کلیشه‌ای‌ترین نسخهٔ آن اسم
مکان	کجاست و چقدرش دیده می‌شود	پس‌زمینهٔ خالی یا شلوغ
نور	ساعت روز، جهت، کیفیت	تخت، یکنواخت، بی‌روح
کادر	نمای نزدیک یا باز، از چه زاویه‌ای	هر بار یک نمای متوسط وسط‌چین
سبک	عکس، نقاشی رنگ‌روغن، رندر سه‌بعدی، تصویرسازی	هنر دیجیتال براق
حال‌وهوا یا رنگ	احساس و پالت رنگی	اشباع بیش از حد و کنتراست بالا

یک prompt ضعیف: یک اتاق نشیمن دنج.

یک prompt قوی: یک اتاق نشیمن کوچک با شومینهٔ روشن و یک گربهٔ خط‌خطی خوابیده روی مبل راحتی فرسوده، نور اواخر بعدازظهر از پنجرهٔ رو به غرب، نمای باز از درگاه در، عکس واقع‌گرایانه، لنز ۳۵ میلی‌متری، قهوه‌ای‌های گرم و کهربایی ملایم، آرام و زندگی‌کرده.

فکرکردن به هر دو تقریباً به یک اندازه انرژی می‌برد. دومی یک تصویر است؛ اولی یک دسته‌بندی.

بعد بخشی را اضافه کنید که مبتدی‌ها کلاً از آن رد می‌شوند: فهرست منفی. منفی: متن، واترمارک، انگشت اضافه، پس‌زمینهٔ شلوغ، لبخند عکس استوکی. بیشتر آنچه یک تصویر را ساختهٔ هوش مصنوعی جلوه می‌دهد از مجموعهٔ کوچکی از خطاهای تکرارشونده می‌آید، و نام‌بردنشان حذفشان می‌کند.

ترفندی که این کار را آسان می‌کند

لازم نیست خودتان این prompt‌ها را بنویسید. از یک هوش مصنوعی متنی بخواهید برایتان بنویسد.

یک prompt تولید تصویر بنویس برای: [ایدهٔ خام شما]. کاربردش [هدف] است. آن را به این ترتیب بساز: سوژه، مکان، نور، کادر، سبک، رنگ و حال‌وهوا، بعد یک فهرست منفی. سه نسخه بده که تفاوتشان در کادربندی باشد نه در صفت‌ها.

مدل‌های زبانی به‌مراتب بهتر از بیشتر آدم‌ها prompt تصویری می‌نویسند، چون این قالب شناخته‌شده است و شمار عظیمی نمونه دیده‌اند. به همین دلیل ساختن تصویر داخل یک گفتگو واقعاً کاربردی‌تر از یک جعبهٔ تصویر مستقل است: ابزاری که prompt را می‌نویسد درست کنار ابزاری نشسته که تصویر را می‌کشد.

چرا تصویرتان اشتباه درآمد

یک فهرست کوتاه عیب‌یابی که تقریباً همهٔ مشکلات مبتدی‌ها را پوشش می‌دهد.

کسل‌کننده و کلیشه‌ای. نور یا کادر را مشخص نکرده‌اید. این دو بیش از هر جفت دیگری کار می‌کنند.

چیزهای درست، با چیدمان غلط. کادر را صریح بگویید: نمای باز از پایین، نمای نزدیک، سوژه در یک‌سوم چپ. تا نگویید، مدل هیچ تصوری ندارد که چه چیزی را کجا می‌خواهید.

چیزی که خواسته بودید دیده نشود در تصویر هست. نام‌بردنش در متن اصلی prompt احتمالش را بیشتر می‌کند، نه کمتر. به فهرست منفی منتقلش کنید.

دست‌ها، چهره‌ها یا جزئیات ریز تکرارشونده غلط‌اند. هنوز همه‌جا ضعیف‌ترین نقطه است. کادر نزدیک‌تر، زاویهٔ دیگر یا پنهان‌بودن دست‌ها را امتحان کنید. گاهی هم فقط دوباره تولید کنید.

متن بی‌معنی است. انتظارش را داشته باشید. بخش بعدی را ببینید.

شبیه عکس استوکی است. واژهٔ بدون ژست را اضافه کنید، به جای یک ژست یک کنش را توصیف کنید، و لبخند عکس استوکی به دوربین را در فهرست منفی بگذارید.

شکل نادرست برای جایی که لازمش دارید. همان نسبت ابعادی را بخواهید که واقعاً نیاز دارید. بریدن یک تصویر مربع برای ساختن بنر، همان ترکیب‌بندی‌ای را که خواسته بودید دور می‌ریزد.

تکرار بدون دور خود چرخیدن

مبتدی‌ها همان prompt را دوباره اجرا می‌کنند به امید شانس بهتر. مقداری تصادفی‌بودن اجتناب‌ناپذیر است، اما بیشتر تلاش‌های هدررفته از تغییردادن چند چیز به‌طور هم‌زمان می‌آید.

• در هر تلاش یک چیز را عوض کنید. نور، یا کادر، یا سبک. نه هر سه، وگرنه نمی‌فهمید کدام کمک کرد.
• پیش از جزئیات، ترکیب‌بندی را درست کنید. درست‌کردن کادر و نور در گام اول بسیار کارآمدتر از پرداختن به سوژه‌ای است که در جای اشتباه قاب نشسته.
• بگویید چه چیزی درست بود. وقتی تصویری نزدیک است، در prompt بعدی با واژه‌ها بگویید، نه اینکه فرض کنید ابزار به یاد دارد.
• prompt‌های موفق را ذخیره کنید. شش یا هشت قالب prompt قابل‌اتکا از هر تصویر تکی ارزشمندترند، و همان‌هاست که مجموعه‌ای از تصویرها را شبیه یک خانواده می‌کند.

کارهایی که هنوز نمی‌تواند انجام دهد

متن. واژه‌ها داخل تصویر همه‌جا غیرقابل‌اتکا مانده‌اند. یک واژهٔ کوتاه گاهی درمی‌آید؛ یک تیتر یا یک لوگو معمولاً نه. تصویر را تمیز و بدون متن بسازید و نوشته را در هر ابزار طراحی اضافه کنید، که فونت درست را هم به شما می‌دهد.

چیدمان‌های دقیق. «دقیقاً سه شیء، قرمزی سمت چپ» به‌طور قابل‌اتکا اجرا نمی‌شود. اگر چیدمان مهم است، اجزا را جداگانه بسازید و خودتان کنار هم بچینید.

همان شخصیت برای بار دوم. به‌دست‌آوردن یک آدم یا محصول یکسان در یک مجموعه دشوار است. توصیف‌های مفصل و تکراری کمک می‌کنند و نتیجهٔ یکسان تضمین نمی‌شود.

ویرایش دقیق یک عکس واقعی. می‌تواند پس‌زمینه، نور و سبک را خوب تنظیم کند. نمی‌تواند به‌طور قابل‌اتکا یک شیء را پنج سانتی‌متر به چپ ببرد.

و دربارهٔ استفاده از نتیجه: پیش از اینکه چیزی تولیدشده به مسیری تجاری برود، قوانین را بررسی کنید. با تصویرهایی که شبیه یک آدم واقعی، یک مکان شناخته‌شده یا سبک ویژهٔ یک هنرمند زنده هستند به‌ویژه محتاط باشید. شرایط ابزارها با هم فرق دارد و مسئولیت بر عهدهٔ کسی است که تصویر را منتشر می‌کند.