Jak fungují generátory tetování s AI

Jaká architektura modelu pohání typický generátor tetování s AI?

Většina generátorů tetování provozuje latentní difuzní model doladěný na umění tetování. Textový enkodér přemění váš prompt na vektory, síť U-Net odšumí latentní obraz v několika krocích a dekodér převede výslednou latentní reprezentaci na viditelný design.

Dominantní architekturou je latentní difuze — stejná rodina, která stojí za Stable Diffusion, SDXL, nejnovějšími verzemi Midjourney a většinou otevřených fork specializovaných na tetování. Slovo „latentní” je klíčové: místo odšumování na plném rozlišení pixelů model pracuje uvnitř komprimované reprezentace přibližně šestnáctkrát menší — proto generování trvá sekundy, nikoli minuty. Tři komponenty jsou důležité. Textový enkodér (obvykle varianta CLIP nebo T5) mapuje váš prompt do vysokodimenzionálního vektoru zachycujícího smysl, ne jen klíčová slova. Síť U-Net vykonává vlastní práci odšumování, podmíněnou v každém kroku tímto vektorem — model je tak neustále naváděn k „věcem, které vypadají jako prompt”. Dekodér variačního autoenkoderů pak rozbalí výslednou latentní reprezentaci do viditelného obrázku. Část specifická pro tetování přichází během dolaďování. Základní model, který viděl otevřený web, je dále trénován na kurátorském korpusu tetovacího umění — flash listy, fotografie zahojeného tetování, linky, šablony — dokud se váhy sítě nemusí přiklánět k vizuální gramatice tetování: sebejistým obrysům, kontrolovanému negativnímu prostoru, tečkovacímu stínování, konvencím jemné linie versus tradiční styl. Originální práce DDPM na <a href="https://arxiv.org/abs/2006.11239">arxiv.org/abs/2006.11239</a> je kanonickým odkazem pro matematiku procesu odšumování.

Jak nástroj přeloží textový prompt do návrhu tetování?

Váš prompt je tokenizován, zakódován do vektoru a předán síti U-Net jako podmínění v každém kroku odšumování. Model začíná od čistého šumu a iterativně odstraňuje části, které neodpovídají vektoru promptu, a ponechává obraz, který odpovídá.

Překlad slov na obrázek není vyhledávání. Model nepřohledává databázi tetování kvůli shodám s vaším promptem — generuje obrázek, který nikdy předtím neexistoval, vedený statistickými vzory absorbovanými při tréninku. Toto rozlišení je důležité, protože vysvětluje jak silné stránky (originalita, nekonečná variace), tak slabiny (občasné anatomické chyby, odchylka od promptu). Mechanicky prompt prochází tokenizérem, který jej rozkládá na podslova, pak textovým enkodérem, který produkuje sekvenci vektorů zachycujících sémantický smysl. „Jeřáb, jemná linka, negativní prostor” se stává souřadnicemi v prostoru, kde „jeřáb” sousedí s jinými dlouhokrkými ptáky, „jemná linka” sousedí s jinými minimalistickými styly a „negativní prostor” táhne ke kompozicím se záměrnou prázdnotou. Síť U-Net přijímá toto podmínění a používá jej k rozhodnutí, ve každém kroku odšumování, které šumové vzory zachovat a které odstranit. Guidance bez klasifikátoru je páka, která kontroluje, jak doslova model interpretuje váš prompt. Nízký guidance produkuje měkčí, kreativnější interpretace; vysoký guidance vynucuje přísné dodržování promptu — někdy na úkor kvality obrázku. Produkty laděné pro tetování si obvykle zvolí za vás střední hodnotu.

Jakou roli hraje fotografie jako vstup při generování s vědomím pokožky?

Fotografie umožňuje modelu podmínit se na vaší skutečné anatomii. Obraz je zakódován spolu s promptem, takže generování respektuje křivky, měřítko a umístění části těla — místo produkování plochého designu, který musí být později přizpůsoben pokožce.

Čisté generování text-to-image produkuje design na bílém pozadí. To je dobré pro výběr toho, co chcete, ale ignoruje jediné nejdůležitější omezení skutečného tetování: tělo, na kterém bude sedět. Pokožka je zakřivená, asymetrická a trojrozměrná. Kompozice, která vypadá vyváženě jako čtvercový PNG, může být po ovinutí kolem předloktí nebo sledování linie klíční kosti čitelná jako nakřivo. Fotograficky podmíněné generování tuto mezeru překlenuje. Za scénou systém používá jednu z několika technik — ControlNet, IP-Adapter, podmínění hloubkou nebo img2img s nízkou silou odšumování — k vložení informací o vaší fotografii do difuzního procesu. Model může přečíst obrys vašeho ramene, svalové definice zad, sklon žeber a podle toho přizpůsobit design. Had určený k ovinutí bicepsu je generován již ovinutý; kus dimenzovaný na vnitřní předloktí je generován ve správném poměru stran. Druhé použití fotografie je virtuální zkouška: místo podmínění generování systém skládá hotový design na vaši fotografii s korekcí perspektivy, shodou krytí a zpracováním stínu. Takhle vidíte, jak tetování bude vypadat, než si zarezervujete termín.

Kde generování tetování s AI stále zaostává za lidskými umělci?

AI vyniká v generování nápadů a je slabá v dokonalém zpracování. Bojuje s přísnou symetrií, obličeji, rukama, textem a praktickým úsudkem o tom, jak design bude stárnout, jizvit a číst se v malých velikostech — vše věci, které kompetentní lidský umělec zvládá reflexivně.

Upřímná odpověď je, že AI je lepším partnerem pro brainstorming než pro dokončování práce. Je rychlejší než jakýkoli člověk při prozkoumávání směrů, generování variací a ukazování, jak sto různých pohledů na stejný nápad může vypadat. To mění vše v rané fázi návrhu tetování. Ale mezera mezi „dobrým vygenerovaným obrázkem” a „dobrým tetováním” je reálná a projevuje se na konkrétních místech. Symetrie je první. Difuzní modely jsou pravděpodobnostní — nevynucují, aby levé oko odpovídalo pravému, aby dva stonky květin čistě zrcadlily, nebo aby dvanáct sektorů mandaly bylo identických. Můžete se přiblížit správným promptem a seedem, ale člověk čistící soubor je obvykle nutný, pokud symetrie je smyslem díla. Obličeje, ruce a malý text jsou druhý způsob selhání ze stejného důvodu: vysokofrekvenční detail v sémanticky hustých oblastech je místem, kde difuze nejčastěji halucinuje. Hlubší omezení je úsudek. Difuzní model nikdy nesledoval, jak se tetování hojí. Neví, že velmi tenké linky na boku prstu se rozmaže do dvou let, že bílý inkoust bledne na slunci, že těsně sbalený design na třech centimetrech ztratí veškerý detail rozléváním inkoustu, nebo že kus na zádech musí zvažovat, jak se tělo hýbe. To jsou věci, které vám pracující tatér řekne na místě.

difuzní model — Generativní neuronová síť, která se učí obracet postupný proces přidávání šumu. Počínaje náhodným šumem iterativně předpovídá a odstraňuje šum — vedena textovým nebo obrazovým promptem — dokud nevznikne koherentní obrázek.