Πώς να διατηρήσετε τη συνέπεια των χαρακτήρων σε εικόνες που δημιουργούνται από AI

Οι χαρακτήρες σας φαίνονται διαφορετικοί σε κάθε εικόνα επειδή τα μοντέλα διάχυσης αντιμετωπίζουν κάθε prompt ως μια νέα, απομονωμένη περίπτωση χωρίς μνήμη των προηγούμενων εξόδων. Εξασφαλίζετε τη συνέπεια ελέγχοντας τη διαδρομή δημιουργίας, παρέχοντας οπτικές αναφορές και συντάσσοντας δομικούς περιγραφείς που θεμελιώνουν τα χαρακτηριστικά ταυτότητας.

Η ρίζα του προβλήματος: γιατί τα μοντέλα διάχυσης αντιμετωπίζουν κάθε prompt ως νέα περίπτωση

Τα μοντέλα διάχυσης δεν διαθέτουν μόνιμη κατάσταση. Όταν δημιουργείτε μια εικόνα, το μοντέλο ξεκινά από τυχαίο θόρυβο και ακολουθεί μια διαδρομή που καθορίζεται από το prompt σας, την τυχαία σπορά (seed) και τα εσωτερικά βάρη του μοντέλου. Αν δεν ελέγξετε αυτές τις μεταβλητές, το μοντέλο θα ερμηνεύει την περιγραφή σας με ελαφρώς διαφορετικό τρόπο κάθε φορά.

Το πρόβλημα δεν είναι ότι το μοντέλο «ξεχνά» τον χαρακτήρα σας. Είναι ότι το μοντέλο δεν έχει την έννοια ενός χαρακτήρα ως μόνιμης οντότητας. Γνωρίζει μόνο πώς να δημιουργήσει μια εικόνα που ταιριάζει σε μια κειμενική περιγραφή. Αν η περιγραφή σας είναι ασαφής, το μοντέλο συμπληρώνει τα κενά με τις στατιστικές του τάσεις. Αν περιγράψετε μια «γυναίκα με κόκκινα μαλλιά», μια δημιουργία μπορεί να τοποθετήσει τα μαλλιά της στα αριστερά, μια άλλη στα δεξιά, ενώ μια άλλη μπορεί να αλλάξει εντελώς την υφή των μαλλιών. Το μοντέλο δεν είναι ασυνεπές· είναι πιστό σε μια ασαφή εντολή.

Για να λύσετε αυτό, πρέπει να μεταβείτε από την περιγραφή ενός χαρακτήρα στον προσδιορισμό ενός χαρακτήρα. Αυτό απαιτεί τρεις μοχλούς: τη σπορά (seed), την εικόνα αναφοράς και τον δομικό περιγραφέ.

Οι τρεις μοχλοί της συνέπειας: σπορά, εικόνα αναφοράς και δομικοί περιγραφείς

Η σπορά (seed) είναι ο τυχαίος αριθμός που καθορίζει το αρχικό μοτίβο θορύβου. Αν διατηρήσετε τη σπορά σταθερή, το μοντέλο ακολουθεί την ίδια διαδρομή μέσω του χώρου θορύβου. Ωστόσο, αν αλλάξετε έστω και ελαφρώς το prompt, η διαδρομή αποκλίνει. Η σπορά από μόνη της δεν είναι αρκετή.

Η εικόνα αναφοράς είναι ένας οπτικός άγκυρας. Παρέχετε μια εικόνα του χαρακτήρα και ζητάτε από το μοντέλο να τη χρησιμοποιήσει ως οδηγό για την ταυτότητα και το στυλ. Αυτό είναι πιο ισχυρό από το κείμενο επειδή παρακάμπτει την ασάφεια της γλώσσας. Το μοντέλο μπορεί να δει το συγκεκριμένο σχήμα της μύτης, την κοπή του σακακιού και το χρώμα των ματιών.

Ο δομικός περιγραφέας είναι μια ακριβής, γεωμετρική περιγραφή των χαρακτηριστικών ταυτότητας του χαρακτήρα. Αντί να πείτε «cool», λέτε «ασύμμετρα γυαλιά, σπασμένος αριστερός φακός, άθικτος δεξιός φακός». Αυτό παρέχει στο μοντέλο έναν σταθερό στόχο για να στοχεύσει.

Χρήση τιμών seed για κλείδωμα της διαδρομής δημιουργίας

Αν χρησιμοποιείτε εργαλείο που επιτρέπει τον ορισμό τιμής seed, όπως το Midjourney ή το Stable Diffusion, μπορείτε να κλειδώσετε τη διαδρομής δημιουργίας. Ξεκινήστε με ένα seed που παράγει μια καλή βασική εικόνα. Στη συνέχεια, κρατήστε αυτό το seed σταθερό ενώ βελτιώνετε το prompt σας. Αυτό εξασφαλίζει ότι οι αλλαγές στο prompt σας δεν οδηγούν το μοντέλο σε μια εντελώς διαφορετική ερμηνεία.

Ωστόσο, λάβετε υπόψη ότι τα seeds είναι εύθραυστα. Αν αλλάξετε την αναλογία διαστάσεων, την έκδοση του μοντέλου ή τη δομή του prompt, το seed μπορεί να μην παράγει πλέον το ίδιο αποτέλεσμα. Θεωρήστε το seed ως τοπικό έλεγχο, όχι ως καθολικό. Λειτουργεί εντός ενός στενού παραθύρου παραμέτρων.

Εφαρμογή ροών εργασίας image-to-image για επαναληπτική βελτίωση

Η πιο αξιόπιστη μέθοδος για τη διατήρηση της συνέπειας είναι η επαναληπτική βελτίωση χρησιμοποιώντας ροές εργασίας image-to-image. Ξεκινάτε με μια καλή εικόνα του χαρακτήρα. Στη συνέχεια, χρησιμοποιείτε αυτή την εικόνα ως εικόνα αναφοράς για την επόμενη δημιουργία. Προσαρμόζετε το prompt για να αλλάξετε τη σκηνή, τη στάση ή τον φωτισμό, διατηρώντας τα χαρακτηριστικά ταυτότητας του χαρακτήρα άθικτα.

Για αυτόν τον τύπο εργασίας προτιμώνται εργαλεία όπως το Adobe Firefly, το Krea και το Runway. Επιτρέπουν την ανέβασμα μιας συγκεκριμένης εικόνας χαρακτήρα και την καθοδήγηση της νέας δημιουργίας βάσει αυτής της οπτικής εισόδου. Όταν χρησιμοποιείτε αυτά τα εργαλεία, κρίνετε την έξοδο με βάση το πόσο καλά διατηρεί τα συγκεκριμένα χαρακτηριστικά ταυτότητας που σας ενδιαφέρουν: το σχήμα του προσώπου, το στυλ των ρούχων, την παλέτα χρωμάτων. Αν η έξοδος αποκλίνει, αυξήστε το βάρος της εικόνας αναφοράς ή αυστηρέψτε τους δομικούς περιγραφείς σας.

Συγγραφή δομικών περιγραφέων που αγκυροβολούν τα χαρακτηριστικά ταυτότητας

Το prompt σας πρέπει να περιέχει δομικούς περιγραφείς που είναι αδύνατο να παρεξηγηθούν. Αποφύγετε υποκειμενικά επίθετα, όπως "beautiful," "cool," ή "mysterious." Αντίθετα, χρησιμοποιήστε περιγραφείς που είναι γεωμετρικοί και συγκεκριμένοι.

• «Κοντά, κουρεμένα μαλλιά με ίσια φράντζα» είναι καλύτερο από «κοντά μαλλιά».
• «Δερμάτινο μπουφάν με ψηλό γιακά και χωρίς κουκούλα» είναι καλύτερο από «μπουφάν».
• «Μάτια που είναι ευρέως αποστασιοποιημένα και ελαφρώς κεκλιμένα προς τα κάτω» είναι καλύτερο από «λυπημένα μάτια».

Αυτοί οι περιγραφείς θεμελιώνουν την ταυτότητα. Παρέχουν στο μοντέλο έναν σταθερό στόχο. Αν χρησιμοποιείτε Stable Diffusion ή ComfyUI, μπορείτε να συνδυάσετε αυτούς τους περιγραφείς με εκπαίδευση LoRA σε συγκεκριμένα σύνολα δεδομένων χαρακτήρων. Αυτό επιτρέπει στο μοντέλο να μαθαίνει τα συγκεκριμένα οπτικά χαρακτηριστικά του χαρακτήρα σας και να τα εφαρμόζει συνεπώς σε διαφορετικές σκηνές.

Συνηθισμένα λάθη: υπερβολική εξάρτηση από ονόματα έναντι ανεπαρκούς προσδιορισμού γεωμετρίας

Το πιο συνηθισμένο λάθος είναι η εξάρτηση από ένα όνομα. Αν ονομάσετε τον χαρακτήρα σας "Alice", το μοντέλο δεν γνωρίζει ποια είναι η Alice. Θα δημιουργήσει μια γενική γυναίκα. Το όνομα δεν έχει σημασία για το μοντέλο.

Το δεύτερο λάθος είναι ο ανεπαρκής προσδιορισμός της γεωμετρίας. Αν γράψετε "μια γυναίκα με γαλάζια μάτια", το μοντέλο θα μεταβάλλει το σχήμα των ματιών, το μέγεθος των κόρων και τη γωνία του βλέμματος. Πρέπει να προσδιορίσετε τη γεωμετρία: "αμυγδαλωτά μάτια με ελαφρύ εξώφθαλμο άνω βλέφαρο".

Μην συγχέετε την ταυτότητα με το στυλ. Η ταυτότητα είναι ο σταθερός πυρήνας: το πρόσωπο, τα μαλλιά, ο σωματότυπος. Το στυλ είναι η μεταβλητή: ο φωτισμός, το φόντο, η στάση. Το prompt σας πρέπει να διαχωρίζει αυτά τα δύο. Τα χαρακτηριστικά ταυτότητας πρέπει να περιγράφονται με ακρίβεια. Τα χαρακτηριστικά στυλ μπορούν να αφήνονται πιο ελεύθερα.

Ροή εργασίας: δημιουργία φύλλου χαρακτήρα πριν από τη δημιουργία σκηνής

Πριν δημιουργήσετε οποιαδήποτε σκηνή, δημιουργήστε ένα φύλλο χαρακτήρα. Πρόκειται για ένα σύνολο εικόνων που δείχνουν τον χαρακτήρα σας από πολλές γωνίες: μπροστινή, πλευρική, πίσω και κοντινό πλάνο. Χρησιμοποιήστε σταθερό seed και σταθερή εικόνα αναφοράς για να τις δημιουργήσετε. Βελτιώστε τα prompts μέχρι το φύλλο χαρακτήρα να είναι συνεπές.

Μόλις έχετε ένα συνεπές φύλλο χαρακτήρα, χρησιμοποιήστε το ως αναφορά για όλες τις επόμενες δημιουργίες. Όταν δημιουργείτε μια σκηνή, θα χρησιμοποιήσετε την εικόνα του φύλλου χαρακτήρα ως είσοδο αναφοράς. Θα προσαρμόσετε το prompt για να περιγράψετε τη σκηνή, αλλά θα κρατήσετε τα χαρακτηριστικά ταυτότητας θεμελιωμένα από τους δομικούς περιγραφείς.

Αυτή η ροή εργασίας εφαρμόζεται σε διάφορα εργαλεία. Είτε χρησιμοποιείτε Leonardo.ai για δυνατότητες εκπαίδευσης μοντέλων είτε DALL-E 3 για λεπτομερή μηχανική prompts, η αρχή είναι η ίδια: καθιερώστε πρώτα την ταυτότητα και μετά μεταβάλετε τη σκηνή. Αν παραλείψετε το φύλλο χαρακτήρα, θα ξοδέψετε περισσότερο χρόνο διορθώνοντας ασυνέπειες παρά δημιουργώντας περιεχόμενο.