Pokaždé stejný obličej: jak udržet podobu postavy 18+

Vygenerujete obrázek, který se vám líbí. Napíšete skoro stejné zadání a čekáte tutéž osobu v jiné póze, a vrátí se cizí člověk. To je nejčastější frustrace v AI tvorbě pro dospělé a není to chyba generátoru. Je to nedorozumění ohledně toho, k čemu zadání vlastně slouží.

Popis není totožnost

„Zelené oči, tmavé vlasy, kolem pětadvaceti, pihy“ zní jako popis jedné konkrétní osoby. Není. Je to popis kategorie, v níž jsou miliony obličejů, a každé generování z ní táhne nový vzorek. Přidejte padesát dalších přídavných jmen a kategorii nepatrně zúžíte, zároveň ale ztížíte vykreslení. Proto velmi dlouhé popisy postavy obvykle dávají horší obrázky a žádnou větší stálost.

To, co obličej doopravdy přišpendlí, je obrázek. Podoba je vizuální informace a jediný spolehlivý způsob, jak ji modelu předat, je podat mu fotku a říct: tahle osoba.

Jak to funguje v praxi

V chatu s companionem se to děje neviditelně. Když companion pošle fotku, požadavek odchází s jejím vlastním portrétem jako referencí a nový obrázek vzniká z té podoby, ne z jejího slovního popisu. Stejný mechanismus je důvod, proč i padesátá fotka pořád vypadá jako ona.

Ve studiu to děláte sami a pákou je výchozí obrázek v záložce Video. Generujte snímky, dokud jeden obličej nesedne, ten soubor si nechte a berte ho jako kartu postavy: každý klip, který z něj vychází, dědí podobu zadarmo. U statických snímků zní praktická verze stálosti takhle: děláte casting, ne režii. Vygenerujte sérii, vyberte tu, se kterou chcete žít, a všechno ostatní postavte kolem toho snímku.

Návyk, který to tiše kazí

Jakmile referenci máte, instinkt velí popsat osobu i v zadání, pro jistotu. Ten instinkt je špatný a vrací se zcela konkrétním způsobem: pojmenovaný tělesný rys se stane něčím, co model aktivně kreslí, ne něčím, co zachovává.

Narazili jsme na to ve vlastním systému. Instrukce, kterou vkládáme před každé generování, kdysi rys pojmenovala, aby ho udržela: v podstatě tam stálo, že ten člověk je plešatý. Model si to přečetl jako vlastnost, kterou má vykreslit, a začal vydávat plešaté lidi i v konverzacích s postavami, které vlasy mají. Opravou bylo přestat uvádět hodnoty vlastností úplně a nechat jen to, kdo je v záběru.

S připojenou referencí tedy popisujte scénu a osobu nechte být. Místo, světlo, póza, stav oblečení. O obličeji ani slovo. Tuhle práci dělá reference a každé slovo navíc s ní soupeří. Širší verze pravidla je v textu o NSFW promptech, které se opravdu vykreslí.

Co přesto ujíždí a proč

I s referencí se něco hýbe. Největší je velká změna úhlu: reference pořízená zepředu nese o profilu málo informací, takže žádost o tříčtvrteční pohled si domýšlí, co nevidí. Radikálně jiné světlo udělá totéž s odstínem pleti a tvarem obličeje. Nejhůř přežívají drobnosti, konkrétní tetování nebo neobvyklý piercing: v referenci zabírají pár pixelů a model je bere jako šum.

Obcházka je nudná a účinná: měňte jednu věc po druhé. Nechte úhel a změňte prostředí, nebo nechte prostředí a změňte pózu. Stálost klesá se vzdáleností od reference, takže krátké kroky dopadají mnohem častěji než jeden dlouhý skok.

Jak postavit sérii

Pokud chcete sérii místo jednoho obrázku, postupujte jedním směrem. Vezměte referenci, vygenerujte další záběr, a když vyjde správně, zvažte použít ten nový obrázek jako referenci pro záběr následující. Při nedbalosti se odchylka sčítá, ale po malých krocích to postavu provede celou scénou, a přitom zůstane rozpoznatelně týmž člověkem.

A protože nepovedená generování se vracejí automaticky, špatný krok stojí minutu, ne peníze. Právě proto je casting zkoušením tady opravdu správná metoda.

Zkuste to na jednom obličeji: generujte, dokud jeden nesedne, a pak rozpohybujte přesně ten snímek a podívejte se, kolik z ní pohyb přežije.