Kijan pou kenbe konsistans karaktè nan imaj AI yo jere

Karaktè ou yo sanble diferan nan chak imaj paske modèl difizyon trete chak promp kòm yon nouvo enstans izole san memwa sou rezilta anvan yo. Ou fòse konsistans pa kontwole chemen jenerasyon an, bay imaj referans, epi ekri deskriptè estriktirèl ki ankre karakteristik idantite yo.

Kòz rasin lan: poukisa modèl difizyon trete chak promp kòm yon nouvo enstans

Modèl difizyon yo pa gen yon eta pèsistan. Lè ou jere yon imaj, modèl la kòmanse ak bri aza epi li swiv yon chemen ki detèmine pa promp ou a, grenn aza a, ak pwa entèn modèl la. Si ou pa kontwole varyab sa yo, modèl la ap entèprete deskripsyon ou a yon ti kras diferan chak fwa.

Pwoblèm nan se pa ke modèl la "bliye" karaktè ou a. Se ke modèl la pa gen okenn konsèp yon karaktè kòm yon antite pèsistan. Li sèlman konnen kijan pou jere yon imaj ki matche ak yon deskripsyon tèks. Si deskripsyon ou a ambigu, modèl la ranpli vid yo ak pwòp biyè estatistik li yo. Si ou dekri yon "fanm cheve wouj", yon jenerasyon ka mete cheve li sou bò goch, yon lòt sou bò dwat, yon lòt ka chanje teksti vizyèl cheve a nèt. Modèl la pa enkonsistan; li fidèl ak yon enstriksyon vag.

Pou rezoud sa, ou dwe pase soti nan dekri yon karaktè a espesifye yon karaktè. Sa mande twa leviye: grenn aza a, imaj referans lan, ak deskriptè estriktirèl la.

Twa leviye konsistans lan: grenn aza, imaj referans, ak deskriptè estriktirèl

Grenn aza a se nimewo aza a ki detèmine modèl bri inisyal la. Si ou kenbe grenn aza a fikse, modèl la swiv menm chemen an nan espas bri a. Sepandan, si ou chanje promp lan menm yon ti kras, chemen an divèje. Grenn aza a pou kont li pa ase.

Imaj referans lan se yon ankò vizyèl. Ou bay yon imaj karaktè a epi ou mande modèl la sèvi ak li kòm gid pou idantite ak stil. Sa pi pwisan pase tèks paske li evite ambigwite langaj la. Modèl la ka wè fòm espesifik nen an, koupe jakèt la, ak koulè je yo.

Deskriptè estriktirèl la se yon deskripsyon presi, jeyometrik sou karakteristik idantite pèsonaj la. Olye pou w di "cool," ou di "linèt asimetri, lantiy goch kase, lantiy dwat entak." Sa bay modèl la yon sib stabil pou vize.

Itilize valè seed pou fikse chemen jenerasyon an

Si w ap itilize yon zouti ki pèmèt ou mete yon valè seed, tankou Midjourney oswa Stable Diffusion, ou ka fikse chemen jenerasyon an. Kòmanse ak yon seed ki pwodui yon bon imaj baz. Apre sa, kenbe seed sa a fikse pandan w ap rafine promp ou a. Sa asire ke chanjman nan promp ou a pa fè modèl la ap divage nan yon entèpretasyon konplètman diferan.

Sepandan, konnen ke seeds yo frajil. Si w chanje rapò aspè a, vèsyon modèl la, oswa estrikti promp lan, seed la ka pa pwodui menm rezilta a ankò. Trete seed la kòm yon kontwòl lokal, pa yon kontwòl global. Li mache nan yon fenèt paramèt ki etwat.

Aplike workflows imaj-a-imaj pou rafinaj iteratif

Metòd ki pi fiable pou kenbe konsistans se rafinaj iteratif lè w itilize workflows imaj-a-imaj. Ou kòmanse ak yon bon imaj pèsonaj la. Apre sa, ou itilize imaj sa a kòm yon imaj referans pou pwochen jenerasyon an. Ou ajiste promp lan pou chanje sèn nan, poz la, oswa limyè a, pandan w kenbe karakteristik idantite pèsonaj la entak.

Yo rive nan zouti tankou Adobe Firefly, Krea, ak Runway pou kalite travay sa a. Yo pèmèt ou telechaje yon imaj espesifik pèsonaj la epi gide nouvo jenerasyon an baze sou enpòt vizyèl sa a. Lè w itilize zouti sa yo, jije sòti a sou kijan li byen konsève karakteristik idantite espesifik yo ou enpòtan pou ou: fòm figi a, stil rad yo, palèt koulè a. Si sòti a ap divage, ogmante pwa imaj referans lan oswa sere deskriptè estriktirèl ou yo.

Ekri deskriptè estriktirèl ki ankore karakteristik idantite yo

Promp ou a dwe genyen deskriptè estriktirèl ki enposib pou mal entèprete. Evite adjektif ki subjektif, tankou "beautiful," "cool," oswa "mysterious." Olye sa, itilize deskriptè ki jeyometrik ak espesifik.

• "Cheve kout, koupe ak yon franj dwat" pi bon pase "cheve kout."
• "Yon jakèt an kwi ak yon kolè wo san kapo" pi bon pase "yon jakèt."
• "Je ki laj ak yon ti kras vire desann" pi bon pase "je tris."

Deskriptè sa yo ankre idantite a. Yo bay modèl la yon sib ki estab. Si w ap itilize Stable Diffusion oswa ComfyUI, ou ka konbine deskriptè sa yo ak fòmasyon LoRA sou done espesifik pèsonaj. Sa pèmèt modèl la aprann trè vizyèl espesifik pèsonaj ou a epi aplike yo konsistan nan diferan sèn.

Erè komen: twòp depandans sou non vs. sou-specifye jeyometri

Erè ki pi komen se konte sou yon non. Si w bay pèsonaj ou a non "Alice", modèl la pa konnen ki moun Alice ye. Li pral jenerize yon fanm jeneral. Non an pa gen siyifikasyon pou modèl la.

Dezyèm erè a se sou-specifye jeyometri. Si w di "yon fanm ak je ble", modèl la ap varye fòm je yo, gwosè pupilles yo, ak ang gade a. Ou dwe specifye jeyometri a: "je an fòm amann ak yon ti kouvri nan palpeb anwo a."

Pa konfonn idantite ak stil. Idantite se nwayo estab la: figi a, cheve a, tip kò a. Stil la se varyab la: limyè a, fon an, poz la. Prompt ou a dwe separe de sa yo. Karakteristik idantite yo dwe dekri ak presizyon. Karakteristik stil yo ka rete pi louvri.

Flux travay: jenerasyon yon fèy pèsonaj anvan kreyasyon sèn

Anvan ou kreye nenpòt sèn, jenerize yon fèy pèsonaj. Sa se yon seri imaj ki montre pèsonaj ou a soti nan plizyè ang: devan, bò, dèyè, ak pre. Itilize yon seed fikse ak yon imaj referans fikse pou jenerize sa yo. Amelyore promp yo jiskaske fèy pèsonaj la konsistan.

Yon fwa ou gen yon fèy pèsonaj konsistan, itilize li kòm referans ou pou tout jenerasyon apre sa. Lè w kreye yon sèn, w ap itilize imaj fèy pèsonaj la kòm antre referans. W ap ajiste prompt lan pou dekri sèn nan, men w ap kenbe karakteristik idantite yo ankore pa deskriptè estriktirèl yo.

Flux travay sa a aplikab nan tout zouti. Ke w ap itilize Leonardo.ai pou kapasite fòmasyon modèl oswa DALL-E 3 pou enjenyri prompt detaye, prensip la menm: etabli idantite a anvan, epi varye sèn nan. Si w sote fèy pèsonaj la, w ap pase plis tan ap korije enkonstans olye w ap kreye kontni.