Чому картинки нейромережі видно одразу і якими словами це лікується

Зазвичай це помітно. Не тому, що картинка зроблена погано, а тому, що зроблена надто добре: у шкіри немає пор, обидві половини обличчя збігаються, світло йде нізвідки конкретно, і ніщо на задньому плані не потерте. Читається як фотографія місця, якого не існує, - чим вона, власне, і є.

Причина достатньо проста, щоб бути корисною. Модель цілиться в середнє по величезній кількості добре знятих фотографій і усереднює геть усе, що різнилося. А різниться між справжніми знімками саме недосконалість: тут цятка, там жорстка тінь, об’єктив, що милить в одному кутку. Усередніть це все - отримаєте гладке, симетричне й мертве.

Отже, реалізм - це не те, про що просять. Це те, у що модель доводиться вмовляти, по одній конкретній ваді за раз.

П’ять ознак і фраза проти кожної

Пластикова шкіра. Вбудована ретуш. Портретні датасети напхані відретушованими обличчями, тому в середнього обличчя пор немає взагалі. Просіть фактуру назад прямим текстом: «visible skin texture, fine pores, a few freckles across the nose, unretouched». Просити недосконалість незвично - і це найсильніше покращення, доступне згенерованому обличчю.

Симетрія. Справжні обличчя несиметричні, а справжні кімнати не відцентровані. Середнє по всьому - симетричне, бо асиметрії взаємно гасяться. Ламайте навмисно: «head turned slightly, weight on one hip, the composition off-centre with more space on her left».

Світло нізвідки. Найчастіше і найлегше виправне. Якщо не сказати, звідки падає світло, модель усереднює всі схеми освітлення разом, і виходять м’які тіні на всі боки - такого в природі не буває ніде. Одне назване джерело з одним напрямком знімає це миттєво.

Надто чисте оточення. У справжніх кімнатах є дріт, потертість, куртка на спинці стільця. Одна названа деталь безладу дає достовірності більше, ніж іще одне речення про героя, і коштує найдешевше.

Мертві очі. Складніше, і корисно розуміти чому: очі читаються живими через відблиск - маленьке відображення того, що їх освітлює. У усередненого обличчя відблиски теж усереднені, по центру й симетричні, а це погляд манекена. Просіть конкретний: «a single window catchlight in her eyes, slightly off to the left».

Оптичні слова, які працюють, і які ні

Словник камери працює, коли називає фізичний наслідок, і не працює, коли просто звучить професійно. Різницю варто засвоїти, бо половина промптів, які люди переписують одне в одного, - другого типу.

Відпрацьовує: фокусна відстань - вона змінює, скільки тла потрапить у кадр і як стиснеться обличчя. Діафрагма - вона вирішує, що різко. Час доби. Названа плівка або колірний зсув - вони обмежують палітру. Зерно. Конкретна вада оптики: віньєтування, мило в куті.

Не відпрацьовує: «8k», «ultra detailed», «masterpiece», «award winning», «professional photography», «hyperrealistic». Це опис того, що ви хотіли б відчути від результату, а думку модель намалювати не може. Гірше того, ці слова займають увагу, яку могла б використати справжня фраза.

Зручна перевірка: чи зміг би фотограф, що стоїть у кімнаті, виконати це слово? «35mm, знято трохи знизу» - інструкція, яку можна виконати. «Гіперреалістично» - ні.

Назвіть реальну світлову ситуацію

Якщо після цього тексту зміните одну річ, хай це буде вона. Не «гарне світло», не «кінематографічне світло», а ситуація, яка справді могла б статися:

• «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»

Кожна задає напрямок, жорсткість і колір, і кожна виключає те саме відчуття «все одразу», за яким картинку впізнають як згенеровану. Це той самий принцип, що й порядок частин у наших готових промптах: світло - та частина, яку пропускають найчастіше, і та, що несе найбільше.

Роздільна здатність - це не реалізм

Висока якість малює у більшій роздільній здатності, і це купує деталізацію, а не достовірність. Пластикову шкіру вона відмалює у 2K рівно так само сумлінно, як у 1.5K, просто з більшої кількості пікселів. Спершу доведіть промпт на стандарті за 40 монет, потім перезапустіть вподобаний варіант у високій за 60, якщо вам справді потрібен розмір. Повне порівняння - у пості про якість і формати.

Ще дві чесні межі. Руки й обличчя - найважчі сюжети, бо на них знається кожен глядач і зловить помилку, яку сам би не описав. А якщо потрібне одне й те саме обличчя на кількох картинках, жоден словник реалізму цього не дасть: це робота для референсної картинки, як розібрано в тексті про сталість персонажа. Слова не несуть обличчя.

Тренуйтеся на поверхнях, а не на людях. Тканина, потертий метал, їжа, мокрий камінь. Вони відгукуються на той самий словник, ніхто не експерт із того, як виглядає конкретна каструля, і ви зрозумієте, що робить «жорстке світло зліва», значно швидше, ніж на портреті. Потім несіть це у Fellowi Images і міняйте по одній частині за раз. Невдала генерація повертає монети, тож справжня ціна експерименту - хвилина.