Varför AI-bilder ser ut som AI, och orden som rättar till det

Man ser det oftast. Inte för att bilden är illa gjord, utan för att den är för väl gjord: huden har inga porer, ansiktets båda halvor stämmer överens, ljuset kommer inte från något bestämt håll, och ingenting i bakgrunden är slitet. Det läses som ett fotografi av en plats som inte finns, vilket är precis vad det är.

Orsaken är enkel nog för att vara användbar. Modellen siktar på genomsnittet av ett enormt antal välgjorda fotografier och medelvärdesbildar bort allt som varierade. Och det som varierar mellan verkliga fotografier är just ofullkomligheten: en fläck här, en hård skugga där, ett objektiv som är mjukt i ett hörn. Lägg ihop allt det till ett medel och du får något slätt, symmetriskt och dött.

Vilket betyder att realism inte är något man ber om. Det är något man förhandlar ner modellen till, en bestämd brist i taget.

Fem tecken och satsen som svarar på vart och ett

Plasthud.Standardretuschen. Porträttdata är fullt av retuscherade ansikten, så medelansiktet har inga porer alls. Be uttryckligen om strukturen tillbaka: ”visible skin texture, fine pores, a few freckles across the nose, unretouched”. Att beställa ofullkomlighet känns underligt, och det är den största förbättring ett genererat ansikte kan få.

Symmetri.Verkliga ansikten är inte symmetriska och verkliga rum är inte centrerade. Genomsnittet av allt är det, eftersom asymmetrierna tar ut varandra. Bryt den med flit: ”head turned slightly, weight on one hip, the composition off-centre with more space on her left”.

Ljus från ingenstans. Det vanligaste och det mest åtgärdbara. Säger du inte varifrån ljuset kommer tar modellen medelvärdet av alla ljussättningar samtidigt, och resultatet har mjuka skuggor åt alla håll, vilket inte förekommer någonstans i naturen. En namngiven källa med en riktning löser det omedelbart.

För städad omgivning. Verkliga rum har en sladd, en fläck, en jacka över en stolsrygg. Att namnge en enda oordning gör mer för trovärdigheten än ännu en mening om motivet, och det är det billigaste ord du kan lägga.

Döda ögon.Svårare, och värt att veta varför: ögon läses som levande tack vare kattljuset, den lilla ljusa spegling av det som lyser på dem. Ett medelvärdesbildat ansikte får ett medelvärdesbildat, centrerat, symmetriskt par, och det är en skyltdockas blick. Be om ett bestämt: ”a single window catchlight in her eyes, slightly off to the left”.

Optiska ord som gör något, och sådana som inte gör det

Kameraordförråd fungerar när det namnger en fysisk följd och gör ingenting när det bara låter professionellt. Skillnaden är värd att ta till sig, för hälften av de prompter folk skriver av från varandra är av det andra slaget.

Förtjänar sin plats: en brännvidd, för den ändrar hur mycket bakgrund som ryms och hur ansiktet komprimeras. En bländare, för den avgör vad som är skarpt. En tid på dygnet. En namngiven film eller en färgton, för det begränsar paletten. Korn. Ett bestämt objektivfel, som vinjettering eller ett mjukt hörn.

Förtjänar ingenting:”8k”, ”ultra detailed”, ”masterpiece”, ”award winning”, ”professional photography”, ”hyperrealistic”. De beskriver hur du skulle vilja känna inför resultatet, och en åsikt går inte att rita. Värre, de upptar uppmärksamhet som en verklig sats kunde ha använt.

Ett användbart test: skulle en fotograf som står i rummet kunna handla efter det här ordet? ”35mm, taget något underifrån” är en utförbar anvisning. ”Hyperrealistiskt” är det inte.

Namnge en verklig ljussituation

Om du ändrar en sak efter det här, låt det bli den. Inte ”bra ljus”, inte ”filmiskt ljus”, utan en situation som faktiskt skulle kunna inträffa:

• ”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”

Var och en tvingar fram en riktning, en hårdhet och en färg, och var och en utesluter det allt-på-en-gång-utseende som får en bild att läsas som genererad. Samma princip som ordningen i våra färdiga prompter: ljuset är den sats folk hoppar över och den som bär mest.

Upplösning är inte realism

Hög kvalitet renderar i högre upplösning, och det köper detalj, inte trovärdighet. Den ritar plasthud i 2K exakt lika troget som i 1,5K, bara med fler pixlar av den. Få prompten rätt i Standard för 40 coins först, och kör sedan versionen du gillar i hög kvalitet för 60 om du verkligen behöver storleken. Hela jämförelsen finns i inlägget om kvalitet och format.

Två andra ärliga gränser. Händer och ansikten är de svåraste motiven, eftersom varje betraktare är expert på båda och fångar ett fel de själva inte skulle kunna beskriva. Och behöver du samma ansikte över flera bilder räcker inget realismordförråd: det är ett jobb för en referensbild, som inlägget om karaktärskonsekvens förklarar. Ord bär inte ett ansikte.

Öva på ytor innan du ger dig på människor. Tyg, sliten metall, mat, blöt sten. De svarar på exakt samma ordförråd, ingen är expert på hur en viss kastrull ska se ut, och du lär dig vad ”hårt ljus från vänster” faktiskt gör långt snabbare än på ett porträtt. Ta det sedan till Fellowi Images och ändra en sats i taget. En misslyckad generering ger tillbaka dina coins, så den enda verkliga kostnaden för ett försök är en minut.