Dlaczego obrazy AI wyglądają jak AI i jakie słowa to naprawiają

Zwykle da się poznać. Nie dlatego, że obraz jest źle zrobiony, ale dlatego, że jest zrobiony zbyt dobrze: skóra nie ma porów, obie strony twarzy do siebie pasują, światło nie pada znikąd konkretnego, a nic w tle nie jest obtarte. Czyta się to jak zdjęcie miejsca, które nie istnieje, czym dokładnie jest.

Przyczyna jest na tyle prosta, by być użyteczna. Model celuje w średnią ogromnej liczby dobrze zrobionych zdjęć i uśrednia wszystko, co się różniło. A tym, co różni prawdziwe zdjęcia, jest właśnie niedoskonałość: tu plamka, tam twardy cień, obiektyw miękki w jednym rogu. Uśrednij to wszystko, a dostaniesz coś gładkiego, symetrycznego i martwego.

Czyli realizmu się nie prosi. Do realizmu się model sprowadza, jedną konkretną skazą naraz.

Pięć oznak i fraza, która odpowiada na każdą

Plastikowa skóra.Domyślna retusz. Zbiory portretowe są pełne wyretuszowanych twarzy, więc przeciętna twarz nie ma porów w ogóle. Poproś o fakturę wprost: „visible skin texture, fine pores, a few freckles across the nose, unretouched”. Zamawianie niedoskonałości wydaje się dziwne i jest największym dostępnym ulepszeniem dla wygenerowanej twarzy.

Symetria.Prawdziwe twarze nie są symetryczne, a prawdziwe pokoje nie są wyśrodkowane. Średnia ze wszystkiego jest, bo asymetrie się znoszą. Złam ją celowo: „head turned slightly, weight on one hip, the composition off-centre with more space on her left”.

Światło znikąd. Najczęstsze i najłatwiejsze do naprawienia. Jeśli nie powiesz, skąd pada światło, model uśrednia wszystkie schematy oświetlenia naraz i wychodzą miękkie cienie we wszystkie strony, co w naturze nie zdarza się nigdzie. Jedno nazwane źródło z jednym kierunkiem załatwia to natychmiast.

Zbyt czyste otoczenie. Prawdziwe pokoje mają kabel, smugę, kurtkę na oparciu krzesła. Nazwanie jednego elementu nieporządku robi dla wiarygodności więcej niż kolejne zdanie o postaci i jest najtańszym słowem, jakie możesz wydać.

Martwe oczy.Trudniejsze, i warto wiedzieć dlaczego: oczy czytają się jako żywe dzięki refleksowi, małemu jasnemu odbiciu tego, co je oświetla. Uśredniona twarz dostaje uśrednioną, wyśrodkowaną, symetryczną parę refleksów, a to spojrzenie manekina. Poproś o konkretny: „a single window catchlight in her eyes, slightly off to the left”.

Słowa optyczne, które coś robią, i te, które nie

Słownictwo aparatu działa, gdy nazywa fizyczną konsekwencję, a nie działa, gdy tylko brzmi profesjonalnie. Tę różnicę warto przyswoić, bo połowa promptów, które ludzie od siebie przepisują, jest drugiego rodzaju.

Zarabia na siebie: ogniskowa, bo zmienia, ile tła wejdzie w kadr i jak skompresowana będzie twarz. Przysłona, bo decyduje, co jest ostre. Pora dnia. Nazwany film albo dominanta barwna, bo ograniczają paletę. Ziarno. Konkretna wada obiektywu, jak winietowanie czy miękki róg.

Nie zarabia nic:„8k”, „ultra detailed”, „masterpiece”, „award winning”, „professional photography”, „hyperrealistic”. Opisują, jak chciałbyś się czuć wobec wyniku, a opinii nie da się narysować. Gorzej, zajmują uwagę, którą mogłaby wykorzystać prawdziwa fraza.

Użyteczny test: czy fotograf stojący w pokoju mógłby wykonać to słowo? „35mm, ujęcie lekko z dołu” to polecenie do wykonania. „Hiperrealistycznie” nie.

Nazwij prawdziwą sytuację świetlną

Jeśli po tym tekście zmienisz jedną rzecz, niech to będzie ta. Nie „dobre światło”, nie „filmowe światło”, tylko sytuacja, która naprawdę mogłaby zaistnieć:

• „late afternoon sun through a west-facing window, long shadow across the floor”
• „overcast noon, flat soft light, no visible shadows”
• „one bedside lamp to her right, the rest of the room falling into dark”
• „street lamp overhead at night, hard shadows under the eyes, wet pavement reflecting it”

Każda wymusza kierunek, twardość i kolor, i każda wyklucza to wrażenie wszystkiego naraz, po którym obraz rozpoznaje się jako wygenerowany. To ta sama zasada, co kolejność części w naszych gotowych promptach: światło to część pomijana najczęściej i niosąca najwięcej.

Rozdzielczość to nie realizm

Wysoka jakość renderuje w większej rozdzielczości, a to kupuje szczegół, nie wiarygodność. Plastikową skórę narysuje w 2K dokładnie tak samo wiernie jak w 1,5K, tylko z większej liczby pikseli. Najpierw dopracuj prompt w standardzie za 40 monet, a potem uruchom ulubioną wersję w wysokiej za 60, jeśli naprawdę potrzebujesz rozmiaru. Pełne porównanie jest we wpisie o jakości i formatach.

Dwie inne uczciwe granice. Dłonie i twarze to najtrudniejsze tematy, bo każdy widz jest w nich ekspertem i wyłapie błąd, którego sam by nie opisał. A jeśli potrzebujesz tej samej twarzy na kilku obrazach, żadne słownictwo realizmu tego nie da: to zadanie dla obrazu referencyjnego, jak wyjaśnia wpis o spójności postaci. Słowa nie niosą twarzy.

Ćwicz na powierzchniach, zanim przejdziesz do ludzi. Tkanina, zużyty metal, jedzenie, mokry kamień. Reagują na dokładnie to samo słownictwo, nikt nie jest ekspertem od tego, jak wygląda konkretny garnek, a zrozumiesz, co naprawdę robi „twarde światło z lewej”, dużo szybciej niż na portrecie. Potem zabierz to do Fellowi Images i zmieniaj po jednej frazie. Nieudane generowanie zwraca monety, więc jedynym realnym kosztem eksperymentu jest minuta.