چگونه سازگاری شخصیت را در تصاویر تولیدشده با هوش مصنوعی حفظ کنیم

شخصیت‌های شما در هر تصویر متفاوت به نظر می‌رسند زیرا مدل‌های انتشار (Diffusion) هر پرامپت را به‌عنوان یک نمونه جدید و مستقل بدون حافظه از خروجی‌های قبلی در نظر می‌گیرند. شما با کنترل مسیر تولید، ارائه تصاویر مرجع و نوشتن توصیف‌کننده‌های ساختاری که ویژگی‌های هویتی را تثبیت می‌کنند، سازگاری را اجباری می‌کنید.

علت ریشه‌ای: چرا مدل‌های انتشار هر پرامپت را به‌عنوان یک نمونه جدید در نظر می‌گیرند

مدل‌های انتشار حالت پایدار (Persistent State) ندارند. هنگامی که یک تصویر تولید می‌کنید، مدل از نویز تصادفی شروع کرده و مسیری را طی می‌کند که توسط پرامپت شما، بذر تصادفی (Seed) و وزن‌های داخلی مدل تعیین می‌شود. اگر این متغیرها را کنترل نکنید، مدل توضیحات شما را هر بار به شکل کمی متفاوت تفسیر خواهد کرد.

مشکل این نیست که مدل شخصیت شما را «فراموش» می‌کند. مشکل این است که مدل مفهومی از شخصیت به‌عنوان یک موجودیت پایدار ندارد. او تنها می‌داند چگونه تصویری مطابق با یک توضیح متنی تولید کند. اگر توضیحات شما مبهم باشد، مدل شکاف‌ها را با سوگیری‌های آماری خود پر می‌کند. اگر یک «زن با موهای قرمز» را توصیف کنید، ممکن است در یک تولید موی او در سمت چپ باشد، در دیگری در سمت راست، و در دیگری بافت مو کاملاً تغییر کند. مدل ناسازگار نیست؛ بلکه به یک دستور مبهم وفادار است.

برای حل این مشکل، باید از توصیف یک شخصیت به مشخص کردن دقیق آن حرکت کنید. این کار نیازمند سه اهرم است: بذر (Seed)، تصویر مرجع و توصیف‌کننده ساختاری.

سه اهرم سازگاری: بذر، تصویر مرجع و توصیف‌کننده‌های ساختاری

بذر (Seed) عددی تصادفی است که الگوی نویز اولیه را تعیین می‌کند. اگر بذر را ثابت نگه دارید، مدل همان مسیر را در فضای نویز طی می‌کند. با این حال، اگر حتی کمی پرامپت را تغییر دهید، مسیر منحرف می‌شود. بذر به تنهایی کافی نیست.

تصویر مرجع یک لنگر بصری است. شما تصویری از شخصیت ارائه می‌دهید و از مدل می‌خواهید از آن به‌عنوان راهنمایی برای هویت و سبک استفاده کند. این روش قدرتمندتر از متن است زیرا ابهام زبان را دور می‌زند. مدل می‌تواند شکل دقیق بینی، برش ژاکت و رنگ چشم‌ها را ببیند.

توصیف‌گر ساختاری، شرحی دقیق و هندسی از ویژگی‌های هویتی شخصیت است. به جای گفتن «خفن»، می‌گویید «عینک نامتقارن، عدسی چپ ترک‌خورده، عدسی راست سالم». این کار به مدل یک هدف ثابت برای تمرکز می‌دهد.

استفاده از مقادیر Seed برای قفل کردن مسیر تولید

اگر از ابزاری استفاده می‌کنید که امکان تنظیم مقدار Seed را فراهم می‌کند، مانند Midjourney یا Stable Diffusion، می‌توانید مسیر تولید را قفل کنید. با Seed ای شروع کنید که تصویر پایه خوبی تولید می‌کند. سپس همان Seed را ثابت نگه دارید و همزمان پرامپت خود را اصلاح کنید. این کار تضمین می‌کند که تغییرات در پرامپت باعث نشود مدل به تفسیری کاملاً متفاوت منحرف شود.

با این حال، توجه داشته باشید که Seedها شکننده هستند. اگر نسبت ابعاد، نسخه مدل یا ساختار پرامپت را تغییر دهید، ممکن است Seed دیگر همان نتیجه را تولید نکند. Seed را به عنوان یک کنترل محلی در نظر بگیرید، نه جهانی. این کنترل در پنجره‌ای باریک از پارامترها عمل می‌کند.

پیاده‌سازی جریان‌های کاری تصویر-به-تصویر برای اصلاح تکراری

قابل اعتمادترین روش برای حفظ یکپارچگی، اصلاح تکراری با استفاده از جریان‌های کاری تصویر-به-تصویر است. با یک تصویر خوب از شخصیت شروع می‌کنید. سپس از آن تصویر به عنوان مرجع برای نوبت بعدی تولید استفاده می‌کنید. پرامپت را برای تغییر صحنه، پوز یا نور تنظیم می‌کنید، در حالی که ویژگی‌های هویتی شخصیت دست‌نخورده باقی می‌مانند.

برای این نوع کارها سراغ ابزارهایی مانند Adobe Firefly، Krea و Runway می‌روند. این ابزارها به شما اجازه می‌دهند یک تصویر مشخص از شخصیت را آپلود کنید و تولید جدید را بر اساس آن ورودی بصری هدایت کنید. هنگام استفاده از این ابزارها، خروجی را بر اساس میزان حفظ ویژگی‌های هویتی خاصی که برایتان اهمیت دارد ارزیابی کنید: شکل صورت، سبک لباس و پالت رنگی. اگر خروجی منحرف شد، وزن تصویر مرجع را افزایش دهید یا توصیف‌گرهای ساختاری خود را دقیق‌تر کنید.

نوشتن توصیف‌گرهای ساختاری که ویژگی‌های هویتی را لنگر می‌اندازند

پرامپت شما باید حاوی توصیف‌گرهای ساختاری باشد که تفسیر آن‌ها غیرقابل ابهام است. از صفت‌های ذهنی مانند «زیبا»، «خفن» یا «مرموز» پرهیز کنید. در عوض، از توصیف‌گرهای هندسی و مشخص استفاده کنید.

• «موی کوتاه و کوتاه‌شده با چتری صاف» بهتر از «موی کوتاه» است.
• «ژاکت چرمی با یقه بلند و بدون کلاه» بهتر از «یک ژاکت» است.
• «چشم‌هایی که فاصله زیادی از هم دارند و کمی به سمت پایین متمایل‌اند» بهتر از «چشم‌های غمگین» است.

این توصیف‌ها هویت را تثبیت می‌کنند و هدفی پایدار به مدل می‌دهند. اگر از Stable Diffusion یا ComfyUI استفاده می‌کنید، می‌توانید این توصیف‌ها را با آموزش LoRA روی مجموعه‌داده‌های شخصیتی خاص ترکیب کنید. این کار به مدل اجازه می‌دهد ویژگی‌های بصری خاص شخصیت شما را یاد بگیرد و آن‌ها را به‌طور یکسان در صحنه‌های مختلف اعمال کند.

اشتباهات رایج: اتکای بیش‌ازحد به نام‌ها در مقابل کم‌توصیفی هندسه

رایج‌ترین اشتباه، اتکا به نام است. اگر نام شخصیت خود را «آلیس» بگذارید، مدل نمی‌داند آلیس کیست و یک زن عمومی تولید خواهد کرد. نام برای مدل بی‌معناست.

اشتباه دوم، کم‌توصیفی هندسه است. اگر بگویید «زنی با چشمان آبی»، مدل شکل چشم‌ها، اندازه مردمک‌ها و زاویه نگاه را تغییر خواهد داد. شما باید هندسه را مشخص کنید: «چشمان بادامی با کمی پوشیدگی پلک بالایی».

هویت را با سبک اشتباه نگیرید. هویت هسته پایدار است: صورت، موها و فرم بدن. سبک متغیر است: نورپردازی، پس‌زمینه و حالت بدن. پرامپت شما باید این دو را از هم جدا کند. ویژگی‌های هویتی باید با دقت توصیف شوند، اما ویژگی‌های سبک می‌توانند بازتر باشند.

گردش کار: تولید برگه شخصیت پیش از ساخت صحنه

پیش از ساخت هر صحنه، یک برگه شخصیت تولید کنید. این مجموعه‌ای از تصاویر است که شخصیت شما را از زوایای مختلف نشان می‌دهد: جلو، نیم‌رخ، پشت و کلوزآپ. برای تولید این تصاویر از یک بذر ثابت و یک تصویر مرجع ثابت استفاده کنید. پرامپت‌ها را تا زمانی که برگه شخصیت یکدست شود، اصلاح کنید.

پس از داشتن یک برگه شخصیت یکدست، از آن به‌عنوان مرجع خود برای تمام تولیدهای بعدی استفاده کنید. هنگام ساخت صحنه، از تصویر برگه شخصیت به‌عنوان ورودی مرجع استفاده خواهید کرد. پرامپت را برای توصیف صحنه تنظیم می‌کنید، اما ویژگی‌های هویتی را با توصیف‌کننده‌های ساختاری تثبیت می‌کنید.

این گردش کار در ابزارهای مختلف کاربرد دارد. چه از Leonardo.ai برای قابلیت‌های آموزش مدل استفاده کنید و چه از DALL-E 3 برای مهندسی دقیق پرامپت، اصل یکسان است: ابتدا هویت را تثبیت کنید، سپس صحنه را تغییر دهید. اگر از برگه شخصیت صرف‌نظر کنید، زمان بیشتری را صرف اصلاح ناهماهنگی‌ها می‌کنید تا تولید محتوا.