Πώς λειτουργούν οι γεννήτριες τατουάζ τεχνητής νοημοσύνης

Ποια αρχιτεκτονική μοντέλου τροφοδοτεί μια τυπική γεννήτρια τατουάζ ΤΝ;

Οι περισσότερες γεννήτριες τατουάζ χρησιμοποιούν ένα μοντέλο λανθάνουσας διάχυσης βελτιστοποιημένο σε τέχνη τατουάζ. Ένας κωδικοποιητής κειμένου μετατρέπει την περιγραφή σας σε διανύσματα, ένα U-Net αφαιρεί θόρυβο από λανθάνουσα εικόνα σε αρκετά βήματα, και ένας αποκωδικοποιητής μετατρέπει το τελικό λανθάνον αποτέλεσμα σε ορατό σχέδιο.

Η κυρίαρχη αρχιτεκτονική σήμερα είναι η λανθάνουσα διάχυση — η ίδια οικογένεια που υποστηρίζει το Stable Diffusion, το SDXL, τις πρόσφατες εκδόσεις του Midjourney και τα περισσότερα εξειδικευμένα forks για τατουάζ. Το «λανθάνον» είναι η βασική λέξη: αντί να αφαιρεί θόρυβο σε πλήρη ανάλυση pixel, το μοντέλο εργάζεται μέσα σε συμπιεσμένη αναπαράσταση περίπου δεκαέξι φορές μικρότερη, γι' αυτό μια γένεση ολοκληρώνεται σε δευτερόλεπτα και όχι λεπτά. Τρία συστατικά έχουν σημασία. Ένας κωδικοποιητής κειμένου (συνήθως παραλλαγή CLIP ή T5) αντιστοιχεί τη γραπτή περιγραφή σε πολυδιάστατο διάνυσμα που αποτυπώνει νόημα και όχι απλές λέξεις-κλειδιά. Ένα U-Net εκτελεί την πραγματική αφαίρεση θορύβου, ρυθμισμένο σε κάθε βήμα από αυτό το διάνυσμα κειμένου. Ένας αποκωδικοποιητής μεταβλητού αυτοκωδικοποιητή επεκτείνει στη συνέχεια το τελικό λανθάνον αποτέλεσμα σε ορατή εικόνα. Το εξειδικευμένο τμήμα για τατουάζ συμβαίνει κατά τη βελτιστοποίηση. Ένα βασικό μοντέλο που έχει δει ανοικτό διαδίκτυο εκπαιδεύεται περαιτέρω σε επιμελημένο σώμα τέχνης τατουάζ — φύλλα flash, φωτογραφίες επουλωμένων τατουάζ, γραμμική τέχνη, στένσιλ — μέχρι τα βάρη του δικτύου να στραφούν προς τη οπτική γραμματική των τατουάζ: σίγουρα περιγράμματα, ελεγχόμενος αρνητικός χώρος, σκίαση με τελείες, οι συμβάσεις της λεπτής γραμμής έναντι της παραδοσιακής. Ορισμένα προϊόντα προσθέτουν LoRA ανά στυλ. Αν θέλετε τα μαθηματικά πίσω από τη διαδικασία αφαίρεσης θορύβου, το πρωτότυπο έγγραφο DDPM είναι η κανονική αναφορά. Το πρακτικό αποτέλεσμα για εσάς είναι ότι το εργαλείο ήδη κατανοεί τι σημαίνει «single needle» ή «American traditional» πριν καν τα πληκτρολογήσετε.

Πώς μεταφράζει το εργαλείο μια γραπτή περιγραφή σε σχέδιο τατουάζ;

Η περιγραφή σας διακοπτογραφείται, ενσωματώνεται σε διάνυσμα και τροφοδοτείται στο U-Net ως ρύθμιση σε κάθε βήμα αφαίρεσης θορύβου. Το μοντέλο ξεκινά από καθαρό θόρυβο και επαναληπτικά αφαιρεί τα τμήματα που δεν αντιστοιχούν στο διάνυσμα περιγραφής, αφήνοντας πίσω μια εικόνα που αντιστοιχεί.

Η μετάφραση από λέξεις σε εικόνα δεν είναι ανάκτηση. Το μοντέλο δεν αναζητά σε βάση δεδομένων τατουάζ που ταιριάζουν με την περιγραφή σας — παράγει εικόνα που δεν έχει υπάρξει ποτέ πριν, καθοδηγούμενη από τα στατιστικά μοτίβα που απορρόφησε κατά την εκπαίδευση. Αυτή η διάκριση έχει σημασία γιατί εξηγεί τόσο τα πλεονεκτήματα (πρωτοτυπία, άπειρη ποικιλία) όσο και τα αδύνατα σημεία (περιστασιακά λάθη ανατομίας, παρέκκλιση από την περιγραφή). Μηχανικά, η περιγραφή περνά από διακοπτογράφο που τη χωρίζει σε υπολεξικές μονάδες, κατόπιν από τον κωδικοποιητή κειμένου, ο οποίος παράγει ακολουθία διανυσμάτων που αποτυπώνουν σημασιολογικό νόημα. «Ένας γερανός, λεπτή γραμμή, αρνητικός χώρος» γίνεται συντεταγμένες σε χώρο όπου ο «γερανός» βρίσκεται κοντά σε άλλα πουλιά με μακρύ λαιμό, η «λεπτή γραμμή» κοντά σε άλλα μινιμαλιστικά στυλ, και ο «αρνητικός χώρος» έλκεται προς συνθέσεις με σκόπιμο κενό. Η καθοδήγηση χωρίς ταξινομητή είναι ο μοχλός που ελέγχει πόσο κυριολεκτικά το μοντέλο ερμηνεύει την περιγραφή. Χαμηλή καθοδήγηση παράγει πιο μαλακές, δημιουργικές ερμηνείες· υψηλή καθοδήγηση επιβάλλει αυστηρή τήρηση της περιγραφής — μερικές φορές σε βάρος της ποιότητας εικόνας. Ο σπόρος — ένας μόνο ακέραιος — καθορίζει το αρχικό πεδίο θορύβου· ίδια περιγραφή και ίδιος σπόρος παράγουν ίδια εικόνα.

Τι ρόλο παίζει η εισαγωγή φωτογραφίας στη γένεση προσαρμοσμένη στο δέρμα;

Μια εισαγωγή φωτογραφίας επιτρέπει στο μοντέλο να ρυθμιστεί βάσει της πραγματικής σας ανατομίας. Η εικόνα κωδικοποιείται μαζί με την περιγραφή, οπότε η γένεση σέβεται τις καμπύλες, την κλίμακα και την τοποθεσία του σώματος — αντί να παράγει επίπεδο σχέδιο που πρέπει να προσαρμοστεί αργότερα.

Η καθαρή γένεση κειμένου σε εικόνα παράγει σχέδιο σε λευκό φόντο. Αυτό είναι μια χαρά για να επιλέξετε τι θέλετε, αλλά αγνοεί τον πιο σημαντικό περιορισμό που έχει ένα πραγματικό τατουάζ: το σώμα πάνω στο οποίο κάθεται. Το δέρμα είναι καμπυλωτό, ασύμμετρο και τρισδιάστατο. Μια σύνθεση που φαίνεται ισορροπημένη ως τετράγωνο PNG μπορεί να φαίνεται στραβή όταν τυλίγεται γύρω από πήχη ή ακολουθεί τη γραμμή της κλείδας. Η γένεση υπό ρύθμιση φωτογραφίας κλείνει αυτό το κενό. Στο παρασκήνιο το σύστημα χρησιμοποιεί μια από αρκετές τεχνικές — ControlNet, IP-Adapter, ρύθμιση βάθους ή img2img με χαμηλή ισχύ αφαίρεσης θορύβου — για να εισάγει πληροφορίες σχετικά με τη φωτογραφία σας στη διαδικασία διάχυσης. Το μοντέλο μπορεί να διαβάσει το περίγραμμα του μπράτσου σας, τον μυϊκό ορισμό της πλάτης σας, την κλίση των πλευρών σας, και να προσαρμόσει ανάλογα το σχέδιο. Η δεύτερη χρήση της εισαγωγής φωτογραφίας είναι η εικονική δοκιμή: αντί να ρυθμίζει τη γένεση, το σύστημα συνθέτει ένα ολοκληρωμένο σχέδιο πάνω στη φωτογραφία σας με διόρθωση προοπτικής, αντιστοίχιση αδιαφάνειας και χειρισμό σκιών. Έτσι βλέπετε πώς θα μοιάζει το τατουάζ πριν κλείσετε ραντεβού.

Πού εξακολουθεί να υστερεί η γένεση τατουάζ ΤΝ έναντι ανθρώπινων καλλιτεχνών;

Η ΤΝ διαπρέπει στη δημιουργία ιδεών και αδυνατεί στη λεπτομέρεια εκτέλεσης. Δυσκολεύεται με αυστηρή συμμετρία, πρόσωπα, χέρια, κείμενο και την πρακτική κρίση για το πώς ένα σχέδιο θα γηράνει, θα ουλώσει και θα διαβάζεται σε μικρό μέγεθος — όλα πράγματα που ένας ικανός καλλιτέχνης χειρίζεται με αντανακλαστικά.

Η ειλικρινής απάντηση είναι ότι η ΤΝ είναι καλύτερος συνεργάτης ιδεών παρά τελειωτής. Είναι ταχύτερη από οποιονδήποτε άνθρωπο στην εξερεύνηση κατευθύνσεων, στη δημιουργία παραλλαγών και στο να σας δείχνει πώς μοιάζουν εκατό διαφορετικές εκδοχές της ίδιας ιδέας. Αυτό αλλάζει τα πάντα στην αρχική φάση σχεδιασμού ενός τατουάζ. Αλλά το χάσμα μεταξύ «καλής εικόνας» και «καλού τατουάζ» είναι πραγματικό. Η συμμετρία είναι το πρώτο πρόβλημα. Τα μοντέλα διάχυσης είναι πιθανολογικά — δεν επιβάλλουν ότι το αριστερό μάτι ταιριάζει με το δεξί, ότι δύο βλαστοί λουλουδιών αντικατοπτρίζονται καθαρά, ή ότι τα δώδεκα τμήματα ενός μάνταλα είναι πανομοιότυπα. Πρόσωπα, χέρια και μικρό κείμενο είναι ο δεύτερος τρόπος αποτυχίας για τον ίδιο λόγο. Το βαθύτερο όριο είναι η κρίση. Ένα μοντέλο διάχυσης δεν έχει παρακολουθήσει ποτέ τη θεραπεία ενός τατουάζ. Δεν γνωρίζει ότι πολύ λεπτές γραμμές στην πλευρά ενός δακτύλου θα θολώσουν μέσα σε δύο χρόνια, ότι το λευκό μελάνι ξεθωριάζει στον ήλιο, ή ότι ένα σφιχτά συσκευασμένο σχέδιο σε τρία εκατοστά θα χάσει όλη τη λεπτομέρειά του λόγω εξάπλωσης μελανιού. Χρησιμοποιήστε την ΤΝ για να δημιουργήσετε, να επαναλάβετε και να επικυρώσετε το οπτικό — κατόπιν φέρτε το αρχείο σε κάποιον που έχει αφιερώσει χιλιάδες ώρες παρακολουθώντας το μελάνι να συμπεριφέρεται στο δέρμα.

μοντέλο διάχυσης — Ένα γεννητικό νευρωνικό δίκτυο που μαθαίνει να αντιστρέφει μια βαθμιαία διαδικασία πρόσθεσης θορύβου. Ξεκινώντας από τυχαίο θόρυβο, επαναληπτικά προβλέπει και αφαιρεί θόρυβο — καθοδηγούμενο από γραπτή περιγραφή ή εικόνα — μέχρι να αναδυθεί μια συνεκτική εικόνα.