Wygenerowanie świetnego obrazu AI nie jest już szczególnie trudne. Problem zaczyna się przy drugim.
Na pierwszej grafice bohater ma charakterystyczną twarz, odpowiednią fryzurę i proporcje. Na drugiej wygląda już jak jego kuzyn. Na trzeciej zmienił mu się nos. Na czwartej produkt ma inne logo, inny korek albo o jeden przycisk za dużo.
Jeżeli tworzysz pojedynczą ilustrację, można to zaakceptować.
Jeżeli tworzysz kampanię reklamową, katalog produktów, storyboard, wirtualnego influencera albo serię materiałów dla marki, taki poziom losowości staje się problemem produkcyjnym.
I właśnie tutaj kończy się proste promptowanie.
Najlepsi nie próbują znaleźć magicznego promptu, który „zmusi AI do zapamiętania postaci”. Budują system, w którym osobno kontrolowana jest tożsamość, osobno poza, osobno styl, a w przypadku produktów także geometria, logo i opakowanie.
To zasadnicza różnica między generowaniem obrazków a produkcją wizualną z pomocą AI.
Dlaczego dobry prompt nie wystarczy
Model generujący obrazy nie przechowuje postaci w taki sposób, w jaki fotograf przechowuje zdjęcie modelki albo grafik plik produktu.
Prompt:
„32-letnia kobieta, rude włosy, zielone oczy, drobna twarz, pieprzyk pod lewym okiem”
nie definiuje jednej konkretnej osoby.
Definiuje zbiór cech, z których model może stworzyć wiele różnych osób.
Podobny problem występuje z produktami. Prompt:
„czarna butelka kosmetyku z czerwonym logo i srebrną zakrętką”
nie mówi modelowi, jaka dokładnie ma być krzywizna butelki, wysokość zakrętki, pozycja logo, font na etykiecie, odstęp pomiędzy literami czy liczba elementów konstrukcyjnych.
Dlatego przy kolejnych generacjach zaczyna pojawiać się drift.
Twarz stopniowo się zmienia. Produkt zaczyna być „interpretowany”. Marka przestaje mieć kontrolę nad detalami.
Z tego samego powodu sam seed nie rozwiązuje problemu.
Seed pomaga odtworzyć określony przebieg generacji przy tej samej konfiguracji. Nie jest jednak identyfikatorem postaci. Zmień mocno prompt, model, rozdzielczość, sampler albo adapter, a rezultat również się zmieni.
Seed warto traktować jako narzędzie reprodukcji eksperymentu, nie jako sposób na stworzenie cyfrowego aktora.
Najważniejsza zasada: oddziel to, co może się zmieniać, od tego, co musi pozostać stałe
Najlepsze workflowy można sprowadzić do jednej reguły:
prompt powinien mówić AI, co ma się zmienić, natomiast inne mechanizmy powinny określać, czego AI zmieniać nie wolno.
Przykładowo w kampanii reklamowej:
Stałe mogą być:
- twarz bohaterki,
- proporcje jej ciała,
- produkt,
- logo,
- kolor opakowania,
- typografia.
Zmienne mogą być:
- lokalizacja,
- pora dnia,
- ubranie,
- poza,
- światło,
- perspektywa kamery,
- styl fotografii.
Jeżeli spróbujemy opisać wszystko jednym promptem, model otrzymuje swobodę interpretacji każdego elementu.
Profesjonalny workflow ogranicza tę swobodę.
Poziom pierwszy: obrazy referencyjne
Najprostszym rozwiązaniem jest przestanie generowania od zera.
Zamiast opisywać postać słowami, pokazujemy modelowi jej zdjęcie.
To podejście jest dziś dostępne w większości zaawansowanych generatorów.
ChatGPT Images pozwala edytować istniejące obrazy oraz pracować z obrazami wejściowymi. Midjourney rozwija system referencji i edycji. Modele Google Gemini również potrafią pracować na wielu obrazach i prowadzić wieloetapową edycję.
To ogromna zmiana względem klasycznego text-to-image.
Zamiast:
„stwórz brunetkę około trzydziestki”
możemy powiedzieć:
„użyj dokładnie tej osoby, ale przenieś ją do eleganckiej restauracji wieczorem”.
Im mniej model musi wymyślić od nowa, tym większa spójność.
Jeden master image jest lepszy niż dziesięć przypadkowych zdjęć
Dobrym początkiem jest stworzenie zatwierdzonego obrazu głównego postaci.
Powinien możliwie dobrze pokazywać:
- twarz,
- charakterystyczne cechy,
- proporcje,
- kolor włosów,
- podstawową garderobę,
- styl wizualny.
Następnie kolejne sceny budujemy na jego podstawie.
Jeszcze lepiej przygotować mały zestaw referencji:
front, profil, trzy czwarte, pełna sylwetka oraz zbliżenie twarzy.
Model dostaje wtedy znacznie więcej informacji o tym, co właściwie oznacza „ta sama osoba”.
Generuj wariant istniejącego obrazu zamiast nowego obrazu
Kolejny krok to image-to-image.
W klasycznym text-to-image model zaczyna od szumu.
W image-to-image punktem wyjścia jest już istniejąca grafika.
To fundamentalna różnica.
Jeżeli mamy świetny portret postaci, możemy zachować jego dużą część, a AI pozwolić zmienić tylko określone elementy.
Podobnie z produktem.
Zamiast:
„stwórz tę butelkę w luksusowym hotelu”
lepiej rozpocząć od prawidłowej butelki i pozwolić AI przebudować scenę wokół niej.
Im mniejsza siła transformacji, tym większa szansa zachowania oryginału.
Im większa, tym więcej swobody dostaje model.
Dlatego profesjonalna praca z AI często przypomina bardziej edycję niż generowanie.
Inpainting: naprawiaj fragment, a nie cały obraz
Załóżmy, że obraz jest świetny, ale bohater ma nieprawidłową dłoń.
Najgorszym rozwiązaniem może być wygenerowanie całej grafiki jeszcze raz.
Możemy stracić twarz, światło, kompozycję i pozostałe elementy, które były już poprawne.
Lepszym rozwiązaniem jest inpainting.
Zaznaczamy tylko dłoń i pozwalamy modelowi zmodyfikować niewielki obszar.
Ta sama zasada dotyczy produktu.
Jeżeli etykieta jest prawidłowa, nie powinna znaleźć się w obszarze, który AI może ponownie wygenerować.
Generatywna edycja powinna obejmować tylko to, co naprawdę wymaga zmiany.
To banalnie prosta zasada, ale ma ogromne znaczenie.
Postać i poza to dwa różne problemy
Załóżmy, że nauczyliśmy model wyglądu konkretnego bohatera.
Nadal nie oznacza to, że będzie stał dokładnie tak, jak chcemy.
Dlatego w zaawansowanych workflowach pojawił się ControlNet i podobne mechanizmy kontroli struktury.
Możemy przekazać modelowi szkielet pozy, mapę głębi, krawędzie albo inną reprezentację sceny.
W uproszczeniu:
LoRA może powiedzieć:
„to ma być ta osoba”.
ControlNet może powiedzieć:
„ta osoba ma stać dokładnie w taki sposób”.
Prompt dodaje:
„znajduje się na lotnisku nocą”.
Styl można kontrolować jeszcze osobno.
Dopiero połączenie tych mechanizmów daje poziom kontroli zbliżający generatywne AI do klasycznego pipeline’u produkcyjnego.
Kiedy same referencje przestają wystarczać
Jeżeli postać ma wystąpić na pięciu grafikach, trenowanie własnego modelu może być przesadą.
Jeżeli ma wystąpić na pięciuset, sytuacja wygląda inaczej.
Wtedy warto nauczyć model konkretnego podmiotu.
Do najważniejszych metod należą DreamBooth, LoRA oraz Textual Inversion.
DreamBooth
DreamBooth został zaprojektowany właśnie po to, aby model nauczył się konkretnego podmiotu na podstawie niewielkiego zbioru obrazów.
Może to być osoba, zwierzę albo przedmiot.
Po treningu określony token reprezentuje tę konkretną postać.
Dzięki temu można później umieszczać ją w nowych scenach, pozach i warunkach oświetleniowych.
LoRA
LoRA osiąga podobny cel bardziej ekonomicznie.
Zamiast tworzyć pełny nowy model, zapisuje stosunkowo niewielki zestaw dodatkowych wag.
Dla agencji albo studia oznacza to możliwość posiadania osobnej LoRA dla każdego bohatera, produktu czy stylu bez przechowywania dziesiątek ogromnych checkpointów.
To jeden z powodów, dla których LoRA stała się tak popularna w ekosystemie Stable Diffusion i narzędziach takich jak ComfyUI.
Textual Inversion
Jeszcze lżejszym podejściem jest Textual Inversion.
Model uczy się nowego pojęcia reprezentowanego przez specjalny token.
To rozwiązanie jest niewielkie i wygodne, ale ma mniejszą pojemność niż pełniejszy tuning.
Przy prostej postaci może być wystarczające.
Przy skomplikowanym produkcie z wieloma detalami często nie będzie.
Jak przygotować materiały do treningu postaci
Jeden z najczęstszych błędów polega na wrzuceniu do treningu wielu prawie identycznych zdjęć.
Model nie potrzebuje dwudziestu fotografii tej samej twarzy z tego samego kąta.
Musi zrozumieć, co jest stałą cechą postaci, a co jest przypadkowym elementem konkretnego zdjęcia.
Dlatego dobry dataset powinien zawierać różnorodność:
różne kąty twarzy, różne odległości kamery, różne oświetlenie, różne tła oraz część zdjęć pokazujących całą sylwetkę.
Trzeba jednak uważać.
Jeżeli bohater na każdym zdjęciu ma czarne okulary, model może uznać okulary za część jego tożsamości.
Jeżeli produkt zawsze znajduje się na białym tle, model może zacząć łączyć białe tło z samym produktem.
Adobe w dokumentacji Firefly Custom Models zaleca obecnie zwykle kilkanaście do kilkudziesięciu dobrze przygotowanych materiałów, zamiast ogromnego zbioru przypadkowych zdjęć.
Jakość i kontrolowana różnorodność mają większe znaczenie niż sama liczba.
Największy błąd: traktowanie produktu tak samo jak postaci
Tutaj dochodzimy do najważniejszej różnicy.
Jeżeli twarz bohaterki zmieni się bardzo delikatnie, widz może nawet tego nie zauważyć.
Jeżeli w reklamie smartfona zniknie jeden obiektyw aparatu, powstaje inny produkt.
Jeżeli AI zmieni pięć liter na etykiecie kosmetyku, obraz może przestać nadawać się do publikacji.
Jeżeli samochód otrzyma inny kształt reflektora, producent może prezentować klientowi konfigurację, której w rzeczywistości nie sprzedaje.
Dlatego dla produktów wymagających zgodności 1:1 generowanie produktu od zera jest często złym pomysłem.
Najlepsi robią coś innego.
Generują świat wokół produktu, zamiast generować sam produkt.
Unilever i cyfrowe bliźniaki produktów
Dobrym przykładem jest podejście opisane przez NVIDIA w przypadku Unilever.
Zamiast wielokrotnie generować produkty, tworzony jest ich cyfrowy odpowiednik.
Model może zawierać:
- dokładną geometrię,
- materiały,
- etykietę,
- warianty opakowania,
- języki,
- ustawienia kamery,
- oświetlenie.
Taki digital twin staje się źródłem prawdy.
AI może następnie stworzyć tropikalną plażę, luksusową łazienkę, kuchnię, ludzi, dekoracje czy otoczenie.
Ale produkt pozostaje produktem.
Według opublikowanego przez NVIDIA studium przypadku takie podejście pozwoliło Unilever przyspieszyć produkcję i ograniczyć koszty. Są to oczywiście dane deklarowane przez uczestników projektu, nie niezależny benchmark.
Znacznie ważniejsza jest sama architektura procesu.
Nie próbujemy zmusić generatywnego modelu do idealnego odtwarzania obiektu.
Wyjmujemy krytyczny obiekt spod kontroli generatora.
Zalando: zeskanuj raz, wykorzystuj wszędzie
Podobną filozofię widać w rozwiązaniu Zalando i ALLSIDES.
Obuwie jest odwzorowywane jako wysokiej jakości cyfrowy asset, który może później posłużyć do tworzenia różnych materiałów:
packshotów, wizualizacji lifestyle, materiałów marketingowych, wideo, konfiguratorów czy doświadczeń AR.
To podejście można streścić jednym zdaniem:
scan once, use everywhere.
Im większa skala katalogu, tym bardziej opłaca się stworzyć wiarygodne źródło prawdy zamiast wielokrotnie prosić AI o odtworzenie tego samego produktu.
Idealny workflow dla produktu
Jeżeli sprzedajesz fizyczny produkt i jego wygląd musi pozostać zgodny, zacząłbym od prawidłowego master assetu.
Może to być profesjonalny packshot, render CAD, model 3D albo digital twin.
Następnie oddzieliłbym produkt od tła.
AI otrzymuje zadanie stworzenia sceny.
Produkt jest następnie komponowany z wygenerowanym otoczeniem lub pozostaje nienaruszonym elementem procesu image-to-image.
Generatywna edycja może poprawić:
cień, odbicia, światło, otoczenie i integrację produktu ze sceną.
Nie powinna natomiast swobodnie zmieniać:
logo, tekstu, proporcji, liczby elementów czy konstrukcji.
To znacznie mniej efektowne niż „wygeneruj wszystko jednym zdaniem”.
Ale właśnie dlatego działa.
A co z ChatGPT, Midjourney i Gemini?
Dla większości użytkowników trenowanie LoRA i budowanie workflowu w ComfyUI będzie na początku niepotrzebne.
Nowoczesne zamknięte modele znacząco poprawiły pracę z obrazami referencyjnymi.
ChatGPT Images 2.5 koncentruje się między innymi na lepszym zachowywaniu elementów z obrazu źródłowego oraz bardziej precyzyjnych edycjach.
Midjourney pozwala pracować z wieloma referencjami i posiada osobne mechanizmy dotyczące stylu oraz edycji obrazu.
Google rozwija generowanie i edycję obrazów wewnątrz modeli Gemini, w tym pracę wieloetapową i z materiałami referencyjnymi.
Dla pojedynczego twórcy często najlepszy workflow wygląda więc bardzo prosto:
stwórz świetny master image, używaj go jako referencji, edytuj zamiast generować od zera i nie zmieniaj całej grafiki, kiedy wystarczy poprawić mały fragment.
Dopiero jeżeli zaczynasz produkować dziesiątki lub setki materiałów tej samej postaci, LoRA, DreamBooth albo prywatny custom model zaczynają mieć wyraźny sens ekonomiczny.
Midjourney Style Reference nie jest tym samym co Character Reference
To również częste źródło nieporozumień.
Styl i tożsamość to dwa różne problemy.
Style Reference może zachować między obrazami podobny charakter fotografii:
kolory, światło, tekstury, medium czy sposób renderowania.
Nie oznacza to automatycznie zachowania tej samej osoby.
Profesjonalny pipeline powinien więc rozdzielać:
subject reference, czyli kto lub co znajduje się na obrazie,
od:
style reference, czyli jak obraz ma wyglądać.
Jeżeli obie informacje próbujemy przekazać jednym zdjęciem, model czasami zaczyna kopiować nie te cechy, które chcieliśmy.
Workflow profesjonalnej postaci krok po kroku
Gdybym miał dziś stworzyć wirtualnego ambasadora marki, który ma występować przez wiele miesięcy w setkach materiałów, nie opierałbym projektu na promptach.
Najpierw stworzyłbym kanoniczny wygląd postaci.
Następnie przygotowałbym serię zaakceptowanych referencji pokazujących twarz i sylwetkę z różnych perspektyw.
Na ich podstawie powstałaby LoRA albo inna forma personalizacji modelu.
Podczas generacji nadal używałbym materiału referencyjnego.
Jeżeli poza ma znaczenie, dodałbym ControlNet lub podobny mechanizm kontroli struktury.
Błędy twarzy, rąk, ubrań i detali poprawiałbym lokalnym inpaintingiem.
Na końcu każda grafika przechodziłaby kontrolę podobieństwa i ręczną akceptację.
Model nie podejmowałby sam decyzji, czy postać „jest wystarczająco podobna”.
Profesjonalny workflow produktu wygląda inaczej
Dla produktu kolejność byłaby jeszcze bardziej restrykcyjna.
Najpierw tworzymy zatwierdzony master asset.
Następnie określamy elementy, których generator nie może zmieniać.
Produkt pozostaje na osobnej warstwie albo pochodzi z renderu 3D.
AI generuje tło, ludzi i otoczenie.
Dopiero później wykonywana jest integracja światła, cienia i odbić.
Na końcu automatyczna kontrola może sprawdzać:
OCR etykiety, obecność logo, kolor, proporcje, położenie elementów i zgodność ze zdjęciem referencyjnym.
W kampanii wysokiego ryzyka ostatnim krokiem nadal powinien być człowiek.
Można automatycznie mierzyć, czy postać nadal jest tą samą postacią
Przy większej skali nie trzeba oglądać ręcznie każdej z tysiąca generacji.
Można stosować modele embeddingowe do mierzenia podobieństwa twarzy lub całego obrazu do zatwierdzonych referencji.
Ale również tutaj trzeba uważać.
Wysoki wynik podobieństwa semantycznego nie oznacza zgodności produktu.
Model może uznać dwie butelki za niemal identyczne, mimo że na jednej z nich znajduje się błędna nazwa.
Dlatego QA powinno składać się z kilku testów.
Dla postaci można badać zgodność twarzy.
Dla produktu dodatkowo geometrię, tekst, liczbę elementów, kolory i położenie logo.
Dopiero zestaw kryteriów daje sensowną kontrolę.
Czy warto budować własny model?
Nie zawsze.
To jedna z najważniejszych decyzji.
Jeżeli tworzysz kilka grafik miesięcznie, używanie ChatGPT Images, Midjourney albo Gemini z dobrymi referencjami może być w zupełności wystarczające.
Jeżeli prowadzisz agencję i tworzysz dziesiątki kampanii z tym samym bohaterem, LoRA daje znacznie więcej kontroli.
Jeżeli jesteś dużą marką posiadającą tysiące produktów, kluczowy staje się nie sam generator, lecz system zarządzania cyfrowymi assetami.
Jeżeli jesteś Disneyem, Coca-Colą czy innym właścicielem ogromnego IP, możesz pójść jeszcze dalej i trenować prywatne modele na kontrolowanym katalogu własnych materiałów.
Adobe rozwija właśnie taki model współpracy poprzez Firefly Custom Models i Firefly Foundry.
Disney Imagineering ogłosił wykorzystanie prywatnie dostrajanych modeli do pracy na własnym katalogu projektowym.
To pokazuje kierunek rynku.
Największe firmy nie będą próbowały pisać coraz dłuższych promptów.
Będą budowały własne warstwy kontroli nad modelami.
Największy mit generowania spójnych obrazów AI
Największym mitem jest przekonanie, że problem spójności zostanie rozwiązany jednym coraz lepszym generatorem.
Modele bez wątpienia stają się coraz lepsze.
Ale w zastosowaniach profesjonalnych wymagania rosną równie szybko.
Jeżeli przygotowujesz post na Instagram, „bardzo podobna osoba” może wystarczyć.
Jeżeli budujesz wirtualnego influencera, już nie.
Jeżeli tworzysz luźną grafikę produktu, niewielka zmiana opakowania może być niezauważalna.
Jeżeli grafika trafia na stronę e-commerce producenta, może być niedopuszczalna.
Dlatego wraz ze wzrostem znaczenia obrazu musi rosnąć poziom kontroli.
Co wybrałbym dzisiaj
Dla twórcy solo zacząłbym od ChatGPT Images, Midjourney albo Gemini i konsekwentnego używania jednego zestawu referencji.
Nie trenowałbym od razu własnego modelu.
Dla agencji tworzącej duże serie contentu z tymi samymi postaciami wdrożyłbym ComfyUI lub inny kontrolowalny pipeline, LoRA, referencje, ControlNet i automatyczny QA.
Dla sklepu internetowego nie pozwoliłbym modelowi swobodnie regenerować krytycznych produktów.
Użyłbym prawidłowego packshotu lub assetu 3D jako źródła prawdy, a AI odpowiadałoby głównie za scenę.
Dla dużej marki budowałbym bibliotekę cyfrowych bliźniaków i prywatne modele brandowe.
To cztery różne problemy i cztery różne rozwiązania.
AI nie powinno kontrolować wszystkiego
Najciekawszy wniosek z rozwoju generowania obrazów jest trochę paradoksalny.
Im bardziej profesjonalnie wykorzystujemy AI, tym mniej rzeczy pozwalamy mu dowolnie generować.
Na początku użytkownik pisze:
„stwórz mi reklamę tego produktu”.
Na bardziej dojrzałym poziomie mówi:
„ten produkt, logo, geometria i tekst są zamrożone. Możesz zmienić scenografię, człowieka w tle, światło i kamerę”.
To właśnie tam zaczyna się prawdziwa kontrola.
I prawdopodobnie tak będzie wyglądała przyszłość profesjonalnej grafiki generatywnej.
Nie jeden magiczny prompt.
System, w którym część obrazu pozostaje kreatywna, a część staje się deterministyczna.
Źródła
- DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Driven Generation, Google Research / arXiv.
- An Image is Worth One Word: Personalizing Text-to-Image Generation using Textual Inversion, arXiv.
- Low-Rank Adaptation of Large Language Models, oryginalna publikacja LoRA, arXiv.
- Adding Conditional Control to Text-to-Image Diffusion Models, publikacja ControlNet, ICCV / CVF.
- Hugging Face Diffusers, dokumentacja treningu LoRA, DreamBooth i ControlNet.
- OpenAI, Introducing ChatGPT Images 2.5.
- Midjourney, dokumentacja Edit Model, Image Prompts i Style Reference.
- Adobe Firefly, dokumentacja Custom Models oraz dobre praktyki przygotowywania datasetów.
- Adobe i Walt Disney Imagineering, materiały dotyczące wykorzystania Firefly Foundry.
- NVIDIA, Unilever Generates Product Imagery With Digital Twins.
- NVIDIA, Zalando and ALLSIDES 3D Digital Twins for Ecommerce.
- Google Cloud, dokumentacja generowania i edycji obrazów w Gemini oraz Vertex AI.
- Stability AI, Stable Diffusion i dokumentacja self-hostingu oraz API.
- EUR-Lex, Rozporządzenie UE 2024/1689, AI Act, w szczególności zasady transparentności treści syntetycznych.
Dyskusja