Генерация фото нейросетью: путь от запроса до кадра

Кратко. Генерация фото нейросетью сводится к четырём действиям: описать кадр словами, выбрать модель под задачу, заказать серию вариантов и отобрать годное. Ждать недолго. Первые картинки приходят через минуты. Случайный персонаж рисуется сразу, а портрет конкретного человека требует его снимков на входе: текстом сходство не задаётся.

Что происходит после нажатия кнопки

Внутри нет папки с готовыми снимками, из которой модель достаёт подходящий. Она стартует с поля случайных точек, похожего на снег в старом телевизоре, и за несколько десятков проходов она вычищает оттуда шум и на каждом шаге сверяется с твоим описанием, пока из мусора не проступит картинка. Кадр собирается заново каждый раз.

Из этого следуют две вещи, которые видно на практике. Один и тот же текст дважды даёт разные снимки, потому что стартовое поле каждый раз новое. И модель тянется к среднему: под словами «мужчина у окна» она держит тысячи похожих кадров и выдаст усреднённого мужчину у усреднённого окна. Скажем, ты хотел себя с утренним кофе на балконе, а получил мужчину из рекламы банка: вроде всё на месте, но никто. Конкретику в кадр добавляешь ты, больше её взять неоткуда.

Подать на вход можно три разные вещи, и от выбора зависит всё остальное. Только текст: модель рисует с нуля, лицо получается случайным. Текст вместе с картинкой-образцом: от образца берётся поза, композиция или цвет, дальше сцена достраивается. Набор твоих снимков: по ним либо обучают отдельную модель, либо переносят лицо в готовую сцену, и только этот путь даёт узнаваемого тебя.

Как сгенерировать изображение нейросетью: пять шагов

1. Реши, куда пойдёт кадр. Аватарка в мессенджере, обложка канала, анкета, слайд в презентации: от этого зависит крупность плана, фон и одежда. Без ответа на этот вопрос получится красивая картинка не под задачу.
2. Выбери инструмент по типу работы. Одни модели рисуют сцену с нуля, другие правят загруженный снимок, третьи обучаются на твоих фото ради сходства. Это три разные технологии, и путать их дорого по времени.
3. Собери запрос по блокам: субъект, одежда, место, свет, план и оптика. Порядок важнее длины.
4. Закажи сразу серию. Из шести-восьми вариантов обычно годятся один-два, такая арифметика нормальна для любой модели, включая платные.
5. Отбери лучший кадр, проверь мелочи, при необходимости увеличь разрешение. Апскейл делается поверх готового файла, в конце, а не в процессе.

Как собрать запрос, чтобы не переделывать

Хороший запрос похож на записку фотографу, а не на стихотворение. Модель сильнее реагирует на первые слова, поэтому главное идёт вперёд, украшения в хвост.

Собранное вместе это выглядит так:

Мужчина 35 лет, короткая тёмная стрижка, щетина, тёмно-синий шерстяной свитер, кабинет со стеллажом позади, мягкий свет из окна слева, поясной портрет, 85 мм, фон размыт.

Для сравнения, было: «стильный мужчина в красивом интерьере, атмосферно». Стало то, что выше. Двадцать с небольшим слов, и каждое управляет чем-то одним. Если дописать к ним ещё тридцать прилагательных, картинка станет хуже: после определённой длины модель теряет хвост запроса и начинает смешивать требования. Отдельная строка отводится под то, чего в кадре быть не должно. Как её формулировать и почему у редактирующих моделей запреты срабатывают иначе, разобрано в тексте про промпт и негативный промпт.

Менять формулировку стоит по одному блоку за подход. Поправил свет, посмотрел серию, сравнил с прошлой: так видно, что именно сработало. Если переписать сразу всё, причину удачного кадра ты не найдёшь и повторить его не сможешь. Удачные строки лучше сохранять в заметки, они работают и через полгода, и на другой модели с небольшой правкой.

Пять ошибок, из-за которых кадр выходит мусорным

Почти все они про одно: модель не умеет догадываться, чего ты хотел.

• Абстракции вместо предметов. «Стильный образ» и «атмосферное освещение» модель понимает как угодно, «серый пиджак» и «свет из окна» однозначно.
• Три сцены в одном запросе. Улица, кафе и офис вместе дадут гибрид с витриной посреди кабинета.
• Названия брендов и марок. Обычно они вырезаются фильтрами, иногда превращаются в кривую надпись на одежде.
• Указание эмоции без мимики. Вместо «уверенный взгляд» лучше описать положение: подбородок чуть вперёд, плечи развёрнуты, взгляд в камеру.
• Заказ одного кадра. Один запуск ничего не говорит о запросе: понять, работает формулировка или нет, можно на серии.

Создать картинку с помощью нейросети и получить себя это разные задачи

Первое делается за минуту. Абстрактный мужчина в костюме нарисуется с первого запроса, и предъявить ему нечего: лицо ничьё, сравнивать не с чем. Со вторым мама с первого взгляда скажет, ты это или нет.

Со сходством так не выйдет. Чтобы в кадре оказался ты, модель должна увидеть твоё лицо: либо на наборе из 15-20 снимков, по которым обучают персональную модель, либо на опорных селфи, которые подмешиваются в каждую генерацию. Описание внешности словами тут бесполезно, «серые глаза и прямой нос» дадут человека с серыми глазами и прямым носом. Таких в любом вагоне метро человек пять.

Дальше всё упирается в исходники. Нужны разные ракурсы, ровный свет, открытое лицо без очков и кепок, никого постороннего в кадре. Что снимать и чего не загружать, расписано в инструкции про селфи для обучения нейросети.

Сколько ждать и сколько кадров заказывать

Меньше, чем идёт кофе в турке. Одна картинка считается от полуминуты до нескольких минут. Время зависит от числа проходов, разрешения и загруженности видеокарт: портрет в 2K тяжелее мелкой превьюшки в несколько раз, а в час пик к счёту добавляется очередь.

Пачка кадров идёт параллельно, поэтому десять штук приходят далеко не в десять раз медленнее одного. Это меняет тактику: выгоднее заказать серию по одному сценарию, чем гонять по кадру и каждый раз править формулировку. Для аватарки и анкеты хватает пяти-шести финальных снимков, значит генерировать надо два-три десятка.

Считает картинку не твой компьютер, если ты работаешь через сайт или бот: запрос уходит на чужие видеокарты, и скорость зависит от того, сколько людей стоит в очереди перед тобой. Ставить модель себе имеет смысл при двух условиях: есть видеокарта с большим объёмом памяти и есть желание разбираться с настройками. Экономии времени тут нет, зато появляется контроль над каждым параметром и ничего не уходит на сторону.

Как отбирать и что делать с браком

Брак будет всегда. Вопрос только в доле. Проверяй кадр по зонам сверху вниз: глаза и отражения в них, зубы, уши и дужки очков, руки и пальцы, стыки одежды, фон за плечом. Порядок проверки и список типичных поломок собран в справочнике артефактов.

Часть дефектов чинится точечной перерисовкой: лишняя складка, пятно на фоне, криво лежащий воротник. Поехавшая геометрия лица или сломанная перспектива не лечатся, такой кадр дешевле заменить новым. Мелочь, заметная при полном размере, часто исчезает на аватарке в двести пикселей, поэтому смотреть файл стоит в том размере, в котором его увидят люди.

С отбором есть отдельная ловушка: свой кадр ты оцениваешь не так, как посторонний. Привычка к зеркальному отражению мешает, и выбранное самим фото часто расходится с тем, которое другие называют самым похожим. Работает простая проверка: показать пять финалистов двум знакомым и спросить «какое из них выглядит как я». Вопрос «какое красивее» тут не помогает: друзья выберут самое льстивое.

Создание изображений нейросетью без запроса: как это устроено у нас

Всё, что выше, можно не делать руками. Мы делаем AI-фотосессии для мужчин, и промпт человек не пишет вообще. Формулировка спрятана внутри сцены: ты выбираешь готовую обстановку в каталоге, там больше 600 вариантов, загружаешь три селфи и получаешь кадры. Первые появляются через пару минут после оплаты, весь пакет за 10-20 минут. Десять снимков стоят 490 ₽, пятьдесят шесть 1 990 ₽.

Когда сходство важнее скорости, берётся профи-режим: 15-20 фото на входе, обучение личной модели около 20 минут, на выходе 60 кадров в пяти стилях за 3 490 ₽. Файлы приходят вертикальные, 3:4, в полном размере: кадры из каталога сразу в 2K, а в «Профи» часть кадров своей модели увеличивается бесплатно.

Чего генерация не сделает

У неё есть потолок, и лучше увидеть его до оплаты, а не после.

1. Документы. Фото на паспорт, визу и пропуск снимается по регламенту живой камерой, сгенерированный кадр там не примут.
2. Твои вещи. Конкретная машина с твоим номером, гитара с царапиной на деке, форма с логотипом клуба: модель нарисует похожий предмет, но не этот.
3. Надписи. Текст на вывеске, бейдже или футболке чаще всего выходит кашей из букв, особенно кириллица.
4. Компанию. Два и более знакомых лица в одном кадре держатся плохо, кто-то обязательно поплывёт.
5. Событие. Кадр с несостоявшейся встречи останется картинкой и доказательством ничего не станет.

Границы проще нащупать заранее: возьми самую сложную деталь своей задачи, будь то надпись, предмет или второй человек, и прогони её одним кадром до того, как планировать серию.

Частые вопросы