Γεννήτριες εικόνων από κείμενο: τι δημιουργούν και τι δεν μπορούν να δείξουν

Είναι εύκολο να δημοσιεύσει κανείς μια λίστα με τις «καλύτερες» γεννήτριες εικόνων και δύσκολο να τη διατηρεί έντιμη. Τα μοντέλα, οι τιμές και οι διεπαφές αλλάζουν γρήγορα. Το ερώτημα που παραμένει είναι απλούστερο: πώς επιλέγετε ένα εργαλείο χωρίς να μπερδεύετε μια εντυπωσιακή πρώτη εικόνα με τον έλεγχο της εικόνας, της πηγής της ή των συνεπειών της;

Τι είναι μια γεννήτρια εικόνων από κείμενο;

Περιγράφετε με λέξεις μια σκηνή, μια ιδέα ή μια οπτική κατεύθυνση. Ένα μοντέλο ερμηνεύει αυτές τις λέξεις μέσα από μοτίβα που έχει μάθει από οπτικό και γλωσσικό υλικό και στη συνέχεια παράγει μια εικόνα που ταιριάζει στην εκτίμησή του για το αίτημά σας. Το αποτέλεσμα μπορεί να είναι χρήσιμο και απρόσμενο. Παραμένει όμως μια κατασκευασμένη πρόταση, διαμορφωμένη από το υλικό εκπαίδευσης, το μοντέλο, τη διεπαφή και τις προεπιλεγμένες ρυθμίσεις γύρω του.

Μια παραγόμενη εικόνα μπορεί να είναι εξαιρετικό σκίτσο, πίνακας αναφοράς ή εικονογράφηση. Από μόνη της δεν αποτελεί απόδειξη ότι ένα πρόσωπο, ένας τόπος ή ένα γεγονός υπήρξε με τη μορφή που απεικονίζει.

Τέσσερα γνωστά ονόματα, τέσσερις τύποι ανταλλαγμάτων

Τα Midjourney, DALL·E, Stable Diffusion και Leonardo AI είναι χρήσιμα παραδείγματα, επειδή αντιπροσωπεύουν διαφορετικά προϊόντα και ροές εργασίας. Δεν αποτελούν μόνιμη κατάταξη. Οι εκδόσεις, οι κανόνες πρόσβασης, οι τιμές και οι έλεγχοι αλλάζουν, επομένως συγκρίνετε τη δουλειά που χρειάζεται να κάνετε αντί να εμπιστεύεστε μια παλιά λίστα νικητών.

Midjourney

Το Midjourney χρησιμοποιείται συχνά για τη γρήγορη εξερεύνηση μιας οπτικής κατεύθυνσης και των παραλλαγών της. Κοιτάξτε πέρα από το πρώτο εντυπωσιακό αποτέλεσμα: μπορείτε να διατηρήσετε μια σύνθεση, να κάνετε μια ακριβή αλλαγή, να κρατήσετε σταθερό ένα θέμα και να εξηγήσετε τι συνέβη ανάμεσα στις εκδόσεις;

DALL·E

Το DALL·E δείχνει πόσο φυσικά μια γλωσσική διεπαφή μπορεί να οδηγήσει στη δημιουργία εικόνων. Οι ομαλές οδηγίες και τα καλοδουλεμένα αποτελέσματα μπορεί να μοιάζουν με κατανόηση, όμως δεν είναι το ίδιο. Ελέγξτε την πηγή της εικόνας, τους ελέγχους που χρησιμοποιήσατε και τον ισχυρισμό που θέλετε να υποστηρίξει.

Stable Diffusion

Το Stable Diffusion μπορεί να περιγράφει μια οικογένεια μοντέλων και ροών εργασίας, όχι μία μόνο εμπειρία. Οι φιλοξενούμενες και οι τοπικές ροές μπορεί να διαφέρουν ως προς τα μοντέλα, τις ρυθμίσεις, τις επεκτάσεις και τις εξαρτήσεις. Καταγράψτε αυτές τις λεπτομέρειες αν κάποιος άλλος χρειάζεται να αναπαράγει ή να εξετάσει το αποτέλεσμα.

Leonardo AI

Το Leonardo AI εντάσσει τη δημιουργία σε μια εύχρηστη δημιουργική ροή εργασίας. Πριν ένα αποτέλεσμα μπει σε προϊόν, καμπάνια ή δημοσίευση, ελέγξτε τη διατήρηση, την εξαγωγή, την προέλευση και το ποιος θα μπορεί να διορθώσει αργότερα την εικόνα.

Συγκρίνετε μια γεννήτρια με πέντε ερωτήσεις

1. Πόσος έλεγχος σας μένει;

Μπορείτε να επεξεργαστείτε μία περιοχή χωρίς να πετάξετε ολόκληρη την εικόνα; Μπορείτε να διατηρήσετε μια σύνθεση, ένα θέμα ή μια οπτική απόφαση; Ένα όμορφο πρώτο αποτέλεσμα έχει μικρότερη αξία όταν κάθε ουσιαστική διόρθωση απαιτεί να ξεκινήσετε ξανά.

2. Τι μπορείτε να μάθετε για την προέλευσή της;

Αναζητήστε το μοντέλο, το πλαίσιο της πηγής, την προτροπή, τις ρυθμίσεις και τους μετασχηματισμούς που διαθέτει η υπηρεσία. Μια ετικέτα δεν μπορεί να απαντήσει σε κάθε ερώτημα δικαιωμάτων, αλλά η απουσία καταγραφής αφήνει τον επόμενο θεατή χωρίς εύλογο τρόπο να κρίνει αυτό που βλέπει.

3. Μπορείτε να δείτε και να αμφισβητήσετε τις προεπιλογές;

Κάθε σύστημα έχει προεπιλογές: ποια πρόσωπα και μέρη απεικονίζει εύκολα, ποια στυλ θεωρεί φυσιολογικά, τι αρνείται και τι παραλείπει. Ένα χρήσιμο εργαλείο σάς επιτρέπει να παρατηρείτε αυτά τα όρια αντί να τα κρύβει πίσω από μια ομαλή διεπαφή.

4. Μπορεί η εργασία να σας ακολουθήσει;

Ελέγξτε αν μπορείτε να κατεβάσετε την απαιτούμενη ανάλυση, να διατηρήσετε την προτροπή και τις ρυθμίσεις και να μεταφέρετε την εργασία σε άλλο εργαλείο. Η φορητότητα προστατεύει τον χρόνο σας και εμποδίζει μια δημιουργική διαδικασία να γίνει αόρατος εγκλωβισμός σε συνδρομή.

5. Ποιο είναι το πραγματικό κόστος;

Συμπεριλάβετε τον χρόνο επεξεργασίας, τη μετεπεξεργασία, την ιδιωτικότητα, την αποθήκευση, την αβεβαιότητα για τις άδειες και την προσοχή που χρειάζεται για να ελέγξετε το αποτέλεσμα. Η φθηνή δημιουργία γίνεται ακριβή όταν μια ομάδα πρέπει να διορθώσει μια παραπλανητική εικόνα μετά τη δημοσίευση.

Πότε μια παραγόμενη εικόνα είναι λάθος εργαλείο

Αν η εικόνα προορίζεται να τεκμηριώσει ένα πραγματικό πρόσωπο, τόπο, γεγονός ή φυσική κατάσταση, ξεκινήστε από μια φωτογραφία ή άλλη επαληθεύσιμη πηγή. Μια παραγόμενη εικόνα μπορεί να μιμηθεί την οπτική γλώσσα ενός τεκμηρίου χωρίς να διατηρεί το γεγονός πίσω από αυτό. Μην ζητάτε από ένα εργαλείο σχεδιασμένο για εφεύρεση να σηκώσει αποδεικτικό βάρος που δεν μπορεί να αντέξει.

Αυτό δεν είναι επιχείρημα κατά της φαντασίας. Η εικονογράφηση, η εννοιολογική εργασία και τα οπτικά πειράματα έχουν αξία. Κρατήστε την επινόηση και το τεκμήριο ευδιάκριτα για τους ανθρώπους που θα βασιστούν στην εικόνα.

Μια εφαρμόσιμη διαδικασία με ευθύνη ανθρώπου

Ξεκινήστε από την εργασία, όχι από το εμπορικό σήμα. Καταγράψτε τι πρέπει να επικοινωνεί η εικόνα, τι πρέπει να παραμείνει αληθινό και τι μπορεί να επινοηθεί. Κρατήστε μαζί την προτροπή, το μοντέλο ή την υπηρεσία, τις ρυθμίσεις, το αποτέλεσμα και τις ουσιαστικές αλλαγές. Έπειτα ζητήστε από έναν άνθρωπο να ελέγξει αν η εικόνα διατυπώνει ισχυρισμό μεγαλύτερο από αυτόν που επιτρέπουν τα τεκμήρια.

Όταν η διάκριση έχει σημασία, δηλώστε ότι η εικόνα είναι συνθετική. Κρατήστε μια διαδρομή πίσω στο αρχικό υλικό και έναν τρόπο διόρθωσης του δημόσιου αρχείου. Το σύστημα μπορεί να διευρύνει το φάσμα των επιλογών· ένας άνθρωπος πρέπει να παραμένει υπεύθυνος για τον ισχυρισμό που συνοδεύει την τελική εικόνα.

Γιατί έχει σημασία τώρα

Οι εικόνες περνούν από την αναζήτηση, τις ειδήσεις, τις αίθουσες διδασκαλίας, τους χώρους εργασίας και τις ιδιωτικές συνομιλίες γρηγορότερα απ’ όσο μπορούν οι περισσότεροι άνθρωποι να τις ερευνήσουν. Το επείγον ερώτημα δεν είναι ποιο προϊόν κερδίζει έναν αγώνα χαρακτηριστικών. Είναι αν τα συστήματα δημιουργίας εικόνων βοηθούν τους ανθρώπους να δουν τι κοιτάζουν, να κατανοήσουν τα όριά του και να διορθώσουν το αρχείο όταν τους παραπλανά.

Συνεχίστε από εδώ

Για το ευρύτερο ερώτημα του τι μπορούν και τι δεν μπορούν να κατανοήσουν τα παραγωγικά συστήματα, διαβάστε τον οδηγό για την παραγωγική τεχνητή νοημοσύνη. Για μια πιο κοντινή ματιά στο γιατί μια προτροπή είναι οδηγία και όχι κατανόηση, διαβάστε τη Σημείωση του Lu Heng για τα επίπεδα της πραγματικότητας και τη συμβολική ισχύ. Ο νεότερος οδηγός για αναγνώστες σχετικά με την τεχνητή νοημοσύνη από κείμενο σε εικόνα εφαρμόζει την ίδια μέθοδο σε μια πραγματική σύγκριση: ξεκινήστε από την εργασία, διατηρήστε το τεκμήριο και επιλέξτε το εργαλείο που σας αφήνει περισσότερη αυτονομία.