ทำไมโมเดล AI สร้างภาพถึงยังทำงานยากกับคำขอที่ซับซ้อน

การสร้างภาพถ่ายไลฟ์สไตล์เขตร้อนที่มีคนเพียงคนเดียวกับมะพร้าวหนึ่งลูกนั้นทำได้สำเร็จทุกครั้ง แต่การขอโปสเตอร์อนิเมะของนักแสดงทั้งชุดจาก 13 Reasons Why — พร้อมชุดที่ถูกต้องตามต้นฉบับ องค์ประกอบแบบเป็นชั้น ตัวพิมพ์ที่ผสานเข้ากับภาพ และพื้นผิวพื้นหลังแบบนามธรรม — กลับล้มเหลว ความล้มเหลวนี้ซึ่งถูกบันทึกจากการใช้งานจริงของผู้ใช้กับโมเดล AI สร้างภาพขั้นสูง เผยให้เห็นขอบเขตปัจจุบันของคุณภาพการสร้างภาพด้วย generative AI: คำขอที่ซับซ้อนด้านองค์ประกอบยังคงเป็นปัญหาที่ยากที่สุด

คำขอที่ผู้ใช้ระบุ

ผู้ใช้ให้คำขอที่ละเอียดและเป็นมืออาชีพอย่างผิดปกติ เพื่อสร้างโปสเตอร์อนิเมะสไตล์อีดิทอเรียลสำหรับซีรีส์ Netflix เรื่องนี้ คำขอประกอบด้วย:

• ความเที่ยงตรงต่อต้นฉบับ: ตัวละครทุกตัวอยู่ในชุดที่ถูกต้องจากซีรีส์ ไม่มีการออกแบบใหม่
• องค์ประกอบ: ตัวละครเอกอยู่ตรงกลาง ขนาดใหญ่ แสดงครึ่งตัว; ตัวละครรองอยู่ด้านหลังในระยะและขนาดต่างกัน
• สไตล์: เส้นคมชัดแบบอนิเมะ, การลงเงานุ่มนวลกึ่งแบน, คอนทราสต์สูง, ความละเอียด 4K
• การสร้างแบรนด์: ตัวอักษรชื่อซีรีส์ในฟอนต์ต้นฉบับ, คำพูดสำคัญหนึ่งคำเป็นองค์ประกอบกราฟิก
• บรรยากาศ: เส้นพู่กัน, เส้นพลังงานแนวทแยง, ภาพซ้อนทับแบบเก่าที่เข้ากับโทนของซีรีส์ — ทั้งหมดผสานบนพื้นหลังสีขาวพร้อมรูปทรงนามธรรมที่สื่อถึงสถานที่ในซีรีส์

นี่ไม่ใช่คำขอธรรมดา มันต้องการการจดจำตัวละครที่สอดคล้องกันในหลายๆ ตัว การควบคุมตำแหน่งที่แม่นยำ และการเรนเดอร์ข้อความภายในภาพเดียว — ซึ่งเป็นจุดอ่อนที่รู้จักกันดีสามประการของโมเดล generative

ทำไมโมเดลจึงปฏิเสธคำขอ

โมเดลส่งคืนข้อความผิดพลาด: "โมเดล AI ไม่สามารถดำเนินการตามคำขอนี้ได้ กรุณาลองอีกครั้งหรือเลือกโมเดลอื่น" การปฏิเสธแบบตรงๆ นี้ — แทนที่จะสร้างภาพคุณภาพต่ำ — บ่งชี้ว่าคำขอนั้นข้ามเกณฑ์ด้านความปลอดภัยหรือความสามารถ

ปัจจัยหลายประการที่อาจทำให้เกิดความล้มเหลว:

1. ความอ่อนไหวด้านลิขสิทธิ์และเครื่องหมายการค้า 13 Reasons Why เป็นทรัพย์สินที่มีลิขสิทธิ์ของ Netflix โมเดลต่างๆ ปฏิเสธคำขอที่อ้างถึงแบรนด์ความบันเทิงจริง ชื่อนักแสดง หรือชื่อซีรีส์มากขึ้นเรื่อยๆ เพื่อหลีกเลี่ยงการสร้างเนื้อหาที่ละเมิดลิขสิทธิ์ คำขอที่กล่าวถึงชุดตัวละครเฉพาะและตัวอักษรของซีรีส์จะต้องถูกกรองด้วยความปลอดภัยอย่างแน่นอน

2. ความซับซ้อนขององค์ประกอบหลายตัวละคร โมเดล AI สร้างภาพในปัจจุบันมีจุดแข็งที่สุดกับฉากที่มีวัตถุเดียวหรือสองตัว การขอตัวละครห้าตัวขึ้นไปในตำแหน่งที่ควบคุมระยะความลึก แต่ละตัวอยู่ในชุดตามต้นฉบับ มีสไตล์ศิลปะที่สอดคล้องกันทั้งหมด นั้นเกินขอบเขตที่เชื่อถือได้ของสถาปัตยกรรมแบบ diffusion ส่วนใหญ่

3. ความน่าเชื่อถือของข้อความและตัวพิมพ์ โมเดล generative ยังคงมีปัญหาในการเรนเดอร์ข้อความที่อ่านได้ — โดยเฉพาะฟอนต์ที่กำหนดเอง คำพูด และชื่อเรื่องหลายคำ — โดยไม่มีสิ่งแปลกปลอม การสะกดผิด หรือรูปทรงตัวอักษรที่บิดเบือน คำขอโดยเจตนาเรียกร้องให้ใช้ตัวหนาและคำพูดที่ผสานเข้ากับภาพ ซึ่งอาจถูกระบุว่ามีความเสี่ยงสูงต่อความล้มเหลว