Одне обличчя щоразу: як утримати зовнішність персонажа 18+

Ви згенерували зображення, яке сподобалося. Пишете майже той самий запит, чекаючи ту саму людину в іншій позі, - і повертається незнайомець. Це найчастіша прикрість у дорослому ШІ-арті, і це не поломка генератора. Це непорозуміння щодо того, для чого взагалі потрібен запит.

Опис - це не особистість

«Зелені очі, темне волосся, під тридцять, ластовиння» звучить як опис конкретної людини. Це не так. Це опис категорії, всередині якої мільйони облич, і кожна генерація - нова вибірка з неї. Додайте ще півсотні прикметників, і ви трохи звузите категорію, заодно зробивши запит важчим для відтворення; тому дуже довгі описи персонажа зазвичай дають гірші зображення, а сталості не додають.

Обличчя по-справжньому закріплює зображення. Зовнішність - це візуальна інформація, і єдиний надійний спосіб передати її моделі - дати картинку й сказати: ось ця людина.

Як це працює на практиці

У чаті з компаньйоном це відбувається непомітно. Коли компаньйон надсилає фото, запит іде разом із її власним портретом як референсом, і нове зображення будується від цієї зовнішності, а не від її словесного опису. З тієї самої причини п'ятдесяте фото все ще схоже на неї.

У студії ви робите це самі, і важіль - це стартове зображення у вкладці Video. Генеруйте кадри, доки одне обличчя не вийде таким, як треба, збережіть цей файл і ставтеся до нього як до картки персонажа: кожен кліп, розпочатий із нього, успадковує зовнішність задарма. Для статики практична версія сталості така: ви не режисуєте, а проводите кастинг. Згенеруйте серію, виберіть ту, з якою готові жити, і будуйте все решта навколо цього кадру.

Звичка, яка тихо все псує

Коли референс уже є, рука сама тягнеться описати людину й у запиті - щоб підсилити. Цей інстинкт помилковий і дає зворотний ефект цілком певним чином: названа фізична ознака стає тим, що модель активно малює, а не тим, що вона зберігає.

Ми напоролися на це у власній системі. Інструкція, яку ми підставляємо перед кожною генерацією, колись називала ознаку, щоб її втримати: по суті там було написано, що людина лиса. Модель прочитала це як властивість, яку треба намалювати, і почала видавати лисих людей у чатах із персонажами, які мають волосся. Полагодили тим, що перестали називати значення ознак узагалі й лишили тільки те, хто в кадрі.

Тож за наявності референса описуйте сцену й не чіпайте людину. Місце, світло, поза, стан одягу. Про обличчя - жодного слова. Цю роботу виконує референс, і кожне додане зверху слово з ним конкурує. Ширша версія правила - у тексті про NSFW-промпти, які справді малюються.

Що все одно відпливає і чому

Навіть із референсом дещо рухається. Сильна зміна ракурсу - головне: кадр анфас несе мало відомостей про профіль, тож запит на поворот у три чверті домислює те, чого не видно. Різка зміна освітлення робить те саме з тоном шкіри й формою обличчя. Найгірше виживають дрібні деталі - конкретне татуювання, незвичний пірсинг: вони займають на референсі лічені пікселі, і модель вважає їх шумом.

Обхідний шлях нудний і робочий: змінюйте по одному за раз. Збережіть ракурс і поміняйте оточення - або збережіть оточення і поміняйте позу. Сталість падає з віддаленням від референса, тому короткі кроки влучають набагато частіше, ніж один довгий стрибок.

Як зібрати серію

Якщо потрібне не одне зображення, а серія, рухайтеся в одному напрямку. Візьміть референс, згенеруйте наступний кадр і, якщо він вийшов правильним, подумайте про те, щоб зробити референсом уже його для наступного. За недбалості відхилення накопичується, але маленькими кроками це дозволяє провести персонажа через цілу сцену, лишивши його впізнавано однією людиною.

А оскільки невдалі генерації повертають монети автоматично, ціна хибного кроку - хвилина, а не гроші. Саме тому кастинг перебором тут і справді правильний метод.

Спробуйте на одному обличчі: генеруйте, доки одне не вийде таким, як треба, потім оживіть саме цей кадр і подивіться, скільки від неї переживе рух.