Za każdym razem ta sama twarz: jak utrzymać wygląd postaci 18+

Generujesz obraz, który ci się podoba. Piszesz niemal to samo zapytanie, licząc na tę samą osobę w innej pozie, a wraca ktoś obcy. To najczęstsza frustracja w grafice AI dla dorosłych i nie jest to błąd generatora. To nieporozumienie co do tego, po co w ogóle jest zapytanie.

Opis to nie tożsamość

„Zielone oczy, ciemne włosy, po dwudziestce, piegi” brzmi jak opis jednej konkretnej osoby. Nie jest. To opis kategorii mieszczącej miliony twarzy, a każde generowanie to nowe losowanie z jej wnętrza. Dorzuć pięćdziesiąt przymiotników i zawęzisz kategorię nieznacznie, jednocześnie utrudniając wykonanie zapytania. Dlatego bardzo długie opisy postaci zwykle dają gorsze obrazy i wcale nie więcej spójności.

Tym, co naprawdę przypina twarz, jest obraz. Wygląd to informacja wizualna, a jedyny pewny sposób przekazania jej modelowi to podać mu zdjęcie i powiedzieć: ta osoba.

Jak to działa w praktyce

W rozmowie z kompanem dzieje się to niewidocznie. Gdy kompan wysyła zdjęcie, zapytanie wychodzi z jego własnym portretem jako referencją, a nowy obraz powstaje z tego podobieństwa, a nie z opisu słowami. Ten sam mechanizm sprawia, że pięćdziesiąte zdjęcie nadal go przypomina.

W studiu robisz to sam, a dźwignią jest obraz startowy w zakładce Video. Generuj kadry, aż jedna twarz będzie właściwa, zachowaj ten plik i traktuj go jak kartę postaci: każdy klip startujący z niego dziedziczy podobieństwo za darmo. Dla nieruchomych kadrów praktyczna wersja spójności brzmi tak: prowadzisz casting, nie reżyserię. Wygeneruj serię, wybierz tę, z którą chcesz zostać, i zbuduj wszystko inne wokół tego kadru.

Nawyk, który po cichu wszystko psuje

Kiedy masz już referencję, odruch podpowiada opisać osobę także w zapytaniu, dla wzmocnienia. Ten odruch jest błędny i odbija się w bardzo określony sposób: nazwana cecha fizyczna staje się czymś, co model aktywnie rysuje, a nie czymś, co zachowuje.

Natknęliśmy się na to we własnym systemie. Instrukcja, którą doklejamy przed każdym generowaniem, kiedyś nazwała cechę, żeby ją utrzymać: w praktyce było tam napisane, że osoba jest łysa. Model odczytał to jako właściwość do narysowania i zaczął wypuszczać łyse postacie w rozmowach z bohaterami, którzy mają włosy. Naprawiliśmy to, przestając nazywać wartości cech w ogóle i zostawiając tylko informację, kto jest w kadrze.

Więc przy dołączonej referencji opisuj scenę i zostaw osobę w spokoju. Miejsce, światło, poza, stan ubrania. O twarzy ani słowa. Tę pracę wykonuje referencja, a każde dodane ponad nią słowo z nią konkuruje. Szersza wersja tej zasady jest w tekście o promptach NSFW, które naprawdę się renderują.

Co i tak odpływa, i dlaczego

Nawet z referencją coś się rusza. Największa sprawa to duża zmiana ujęcia: referencja zrobiona na wprost niesie niewiele informacji o profilu, więc prośba o trzy czwarte dorabia to, czego nie widać. Radykalna zmiana światła robi to samo z odcieniem skóry i kształtem twarzy. Najgorzej przeżywają drobiazgi, konkretny tatuaż albo nietypowy kolczyk: zajmują w referencji ledwie kilka pikseli, a model traktuje je jak szum.

Obejście jest nudne i skuteczne: zmieniaj jedną rzecz naraz. Zachowaj ujęcie i zmień otoczenie albo zachowaj otoczenie i zmień pozę. Spójność spada wraz z odległością od referencji, więc krótkie kroki trafiają znacznie częściej niż jeden długi skok.

Budowanie serii

Jeśli chcesz serii, a nie jednego obrazu, posuwaj się w jednym kierunku. Weź referencję, wygeneruj następne ujęcie, a jeśli wyszło właściwie, rozważ użycie tego nowego obrazu jako referencji dla kolejnego. Zrobione niedbale, odchylenie się kumuluje, ale w małych krokach pozwala przeprowadzić postać przez całą scenę, tak że wciąż rozpoznawalnie jest tą samą osobą.

A skoro nieudane generowania są zwracane automatycznie, zły krok kosztuje minutę, nie pieniądze. Właśnie to czyni casting metodą prób naprawdę słuszną w tym miejscu.

Spróbuj na jednej twarzy: generuj, aż jedna będzie właściwa, a potem ożyw dokładnie ten kadr i sprawdź, ile z niej przetrwa ruch.