Урок 1 із 7
Як AI перетворює слова на зображення
11 хв читання
Ти пишеш речення — рудий лис спить у снігу — і за кілька секунд перед тобою фото саме цього, якого раніше не існувало. Без камери, без художника. То звідки насправді береться картинка?
Картинка з нічого
Ще недавно, щоб отримати конкретну картинку, був один із трьох шляхів: узяти камеру й зняти, найняти когось або перерити стокові сайти в пошуках чогось достатньо схожого. Та навіть тоді можна було лише редагувати вже наявне фото — освітлити кут, прибрати ваду. Викликати сцену, якої ніхто не фотографував, було просто неможливо. Тепер її досить описати словами — і інструмент її створить.
Описати зображення й отримати згенероване називається text-to-image. Ти не шукаєш і не редагуєш наявне фото — інструмент робить цілком нове з твоїх слів.
Не так, як звичний чатбот
Тобі, напевно, траплявся AI, що відповідає по одному слову за раз — видно, як речення з'являється зліва направо, і кожне слово вгадує наступне. Інструмент для зображень так не вміє. Картинка — це не рядок слів з очевидним «наступним»; це ціла сітка кольору, яка має бути правильною всюди водночас. Тож до картинки він приходить зовсім іншим шляхом.
Чатбот пише послідовно, слово за словом. Генератор зображень формує весь кадр одразу — тож йому потрібен зовсім інший підхід, щоб пройти від твоїх слів до картинки.
Усе починається з чистого шуму
Ось у чому трюк. Інструмент починає з екрана випадкового шуму — тієї зернистої ряботи, яку показував старий телевізор без сигналу, просто колір, розсипаний усюди. Далі, крок за кроком, він прибирає трохи цього шуму, і кожен прохід підштовхує мішанину ближче до картинки, яку описують твої слова. Після достатньої кількості кроків випадковість зникає, і лишається чітке зображення. Це поступове очищення шуму в картинку називається diffusion.
Генератор зображень не наносить картинку — він її проявляє, прибираючи шум потроху, доки не лишиться саме те зображення, про яке просив твій prompt.
Зазирни всередину: воно очищається за проходи
Тепер розглянь це очищення ближче. Інструмент не стирає шум за один стрибок — він робить багато маленьких проходів очищення. Кожен прохід прибирає ще трохи шуму й знову дивиться на твої слова, щоб вирішити, що підсилити. Перші проходи намічають великі форми: де небо, де сидить лис. Пізніші домальовують дрібні деталі — хутро, сніг. Протягни від одного проходу до багатьох унизу й дивись, як картинка виринає зі статики.
Кожен такий раунд очищення — це крок (повна назва — крок очищення від шуму). Більше кроків означає чистішу й детальнішу картинку, але лише до певної межі: після якоїсь кількості вона майже не покращується, а ти просто довше чекаєш.
Наскільки сильно воно тягне до твоїх слів
У кожному проході схований другий регулятор. На кожному проході інструмент ще й вирішує, наскільки сильно тягнути картинку до твоїх слів. Прибери цю тягу — і він майже не слухає: картинка лишається розмитою й невиразною, радше власна мрія інструмента, ніж твій лис. Виверни на максимум — і він так міцно чіпляється за слова, що картинка стає різкою й «перепеченою», наче фото з контрастом, вивернутим догори. Найкращі результати — десь посередині. Додай регулятор тяги внизу й спробуй обидва краї.
Ця тяга має назву: guidance (у деяких інструментах — сила промпту). Мала guidance відходить від твоїх слів; велика — надто нав'язує їх і «пересмажує» картинку. Більшість інструментів обирають розумну середину за тебе, але коли результат надто розмитий або надто «перепечений», саме цей регулятор варто підкрутити.
Чому дві спроби ніколи не збігаються
Одна несподіванка випливає просто з цього. Оскільки кожен запуск стартує зі свіжого клаптя випадкового шуму, ті самі слова щоразу очищаються в трохи іншу картинку — інший лис, інша поза. Це не збій, це шум. Згодом ти навчишся закріпити результат, коли знайдеш той, що подобається.
Спробуй самостійно: введи той самий опис у будь-який інструмент для зображень двічі. Майже завжди отримаєш дві різні картинки — доказ, що кожна виросла зі свого поля шуму.
Головне
- —Ти описуєш зображення словами, і інструмент генерує цілком нове — він не шукає й не редагує наявне фото
- —Він працює через diffusion: починає з випадкового шуму й очищає його багатьма маленькими проходами, кожен з яких підштовхує статику до картинки, яку описують твої слова
- —Більше проходів — тонші деталі; регулятор guidance задає, наскільки сильно кожен прохід тягне до твоїх слів: замало — відходить, забагато — пересмажує
- —Оскільки кожен запуск стартує зі свіжого шуму, ті самі слова щоразу дають іншу картинку
Твоє зображення вийшло різким і «перепеченим», наче контраст вивернули догори. Який регулятор найімовірніше це зробив?
Продовжити в застосунку
Пройди весь курс «AI-зображення» — з відстеженням
Отримай персональний план, прогрес і стріки в застосунку — цей урок і кожен наступний, по порядку.