Miksi tekoälykuvamallit epäonnistuvat edelleen monimutkaisissa koostumuspyynnöissä

Yksinkertaisen trooppisen elämäntapakuvan luominen yhdestä ihmisestä ja kookospähkinästä onnistuu aina. Mutta kun pyydetään anime-henkistä julistetta koko 13 Reasons Why -sarjan hahmokaartista – kanonisissa asuissa, monikerroksisella sommittelulla, integroidulla typografialla ja abstraktilla taustatekstuurilla – se epäonnistuu. Tämä epäonnistuminen, joka tallentui todellisesta käyttäjäistunnosta kehittyneellä tekoälykuvamallilla, paljastaa generatiivisen kuvanlaadun tämän hetken eturintaman: monimutkaiset koostumuspyynnöt ovat edelleen vaikein ongelma.

Mitä pyyntö edellytti

Käyttäjä antoi poikkeuksellisen yksityiskohtaisen, ammattimaisen pyynnön tuottaa Netflix-sarjalle toimituksellinen animejuliste. Pyyntö sisälsi:

• Kanonista tarkkuutta: Jokainen hahmo sarjan täsmälleen omissa vaatteissaan, ei uudelleensuunnitteluja
• Sommittelua: Päähenkilö edessä ja keskellä, keskivartalosta, suurena; sivuhenkilöt takana eri syvyyksissä ja mittakaavoissa
• Tyyliä: Puhdasta animeviivapiirrosta, puolileveää varjostusta, korkeaa kontrastia, 4K-tarkkuutta
• Brändäystä: Sarjan nimen typografia alkuperäisellä fontilla, yksi ikoninen lainaus graafisena elementtinä
• Tunnelmaa: Maalausvedoksia, diagonaalisia energialinjoja, rakeisia päällekkäisyyksiä sarjan tunnelman mukaisesti – kaikki integroituna valkoiselle taustalle abstrakteilla muodoilla, jotka edustavat sarjan tapahtumaympäristöä

Tämä ei ole yksinkertainen pyyntö. Se vaatii johdonmukaista hahmontunnistusta useiden henkilöiden välillä, tarkkaa sommittelun hallintaa ja tekstin renderöintiä yhdessä kuvassa – kolme generatiivisten mallien tunnettua heikkoutta.

Miksi malli hylkäsi pyynnön

Malli palautti virheilmoituksen: "Tekoälymalli ei pystynyt suorittamaan tätä pyyntöä. Yritä uudelleen tai valitse toinen malli." Tällainen täysi hylkäys – sen sijaan, että se olisi tuottanut heikkolaatuisen kuvan – kertoo, että pyyntö ylitti turvallisuus- tai kyvykkyyskynnyksen.

Useat tekijät todennäköisesti aiheuttivat epäonnistumisen:

1. Tekijänoikeus- ja tavaramerkkiherkkyys. 13 Reasons Why on lisensoitu Netflix-ominaisuus. Mallit estävät yhä useammin pyyntöjä, jotka nimenomaisesti viittaavat todellisiin viihdebrändeihin, näyttelijöiden nimiin tai sarjan nimiin, jotta ne välttäisivät tekijänoikeuksilla suojatun sisällön tuottamisen. Pyyntö, joka mainitsee tarkat hahmojen asut ja sarjan typografian, nostaisi lähes varmasti turvasuodattimen.

2. . Nykyiset tekoälykuvamallit ovat vahvimmillaan yhden tai kahden kohteen kohtauksissa. Pyyntö viidestä tai useammasta hahmosta hallitussa syvyysasettelussa, kukin kanonisessa asussa, johdonmukaisella taidetyylillä kautta linjan, ylittää useimpien diffuusiopohjaisten arkkitehtuurien luotettavan toiminta-alueen.