Kif jaħdmu l-ġeneraturi ta' tattoo bl-AI

Liema arkitettura tal-mudell tippowdja ġeneratur tipiku ta' tattoo bl-AI?

Il-biċċa l-kbira tal-ġeneraturi ta' tattoo jħaddmu mudell ta' diffużjoni latenti mfittex fuq l-arti tat-tattoo. Kodifikatur tat-test jibdel il-prompt tiegħek fi vettori, U-Net jiddiffonda immaġni latenti fuq diversi passi, u dekodifikatur jikkonverti l-latenti finali f'disinn viżibbli.

L-arkitettura dominanti llum hija d-diffużjoni latenti — l-istess familja li tappoġġa Stable Diffusion, SDXL, ir-rilaxxji riċenti ta' Midjourney, u l-biċċa l-kbira tal-forks ta' tattoo speċifiku miftuħa. 'Latenti' hija l-kelma ewlenija: minflok ma tiddiffonda f'riżoluzzjoni sħiħa ta' pixel, il-mudell jaħdem ġo rappreżentanza kompressata li hija madwar sedax-il parti tad-daqs, u dan huwa r-raġuni għaliex il-ġenerazzjoni tintemm fi ftit sekondi minflok minuti. Tliet komponenti huma importanti. Kodifikatur tat-test (ġeneralment varjant ta' CLIP jew T5) jimapja l-prompt miktub tiegħek f'vettori ta' dimensjoni għolja li jaqbdu t-tifsira, mhux biss il-kliem. U-Net jagħmel ix-xogħol ta' diffużjoni veru, ikondizzjonali f'kull pass minn dak il-vettori tat-test — sabiex il-mudell dejjem jiġi imġiegħel lejn 'affarijiet li jidhru bħall-prompt.' Dekodifikatur ta' autoencoder varjabbli mbagħad jespandi l-latenti finali lura f'immaġni viżibbli. Il-parti speċifika tat-tattoo tiġri waqt l-aġġustament fin. Mudell bażiku li ra l-web miftuħ jiġi mħarreġ aktar fuq korpus kuratorjat ta' arti tat-tattoo — folji tal-flash, ritratti fejqana, xogħol tal-linja, stencils — sakemm il-piżijiet tan-netwerk jixħtu lejn il-grammatika viżiva tat-tattooing: linjari konfidenzi, spazju negattiv ikkontrollat, xading b'dott, il-konvenzjonijiet ta' linja fina kontra tradizzjonali. Xi prodotti jistratifikaw LoRAs (adattaturi żgħar ta' speċjalità) għal kull stil. Il-karti tal-DDPM oriġinali fuq <a href="https://arxiv.org/abs/2006.11239">arxiv.org/abs/2006.11239</a> hija r-referenza kanonika jekk trid il-matematika wara l-proċess ta' diffużjoni. Ir-riżultat prattiku għalik huwa li l-għodda diġà tifhem x'ifisser 'snajder wieħed' jew 'Amerikan tradizzjonali' qabel ma tidħol. Jekk trid <a href="/blog/best-ai-tattoo-generator">tqabbel l-għodod ta' tattoo bl-AI attwali</a>, l-arkitettura hija kważi dejjem xi varjant ta' din l-istakk — id-differenzi huma fid-dejta ta' taħriġ u l-impostazzjonijiet ta' inferenza.

Kif l-għodda tittraduċi prompt ta' test f'disinn tat-tattoo?

Il-prompt jiġi tokenizzat, imbermed f'vettori, u mogħti lill-U-Net bħala kondizzjonament f'kull pass ta' diffużjoni. Il-mudell jibda minn ħoss pur u b'mod iterattiv jneħħi l-partijiet li ma jaqblux mal-vettori tal-prompt, u jħalli wara immaġni.

It-traduzzjoni mill-kliem għall-istampa mhix irkupru. Il-mudell mhuwiex qed ifittex database ta' tattoos għal affarijiet li jaqblu mal-prompt tiegħek — qed jiġġenera immaġni li ma kinitx teżisti qabel, iggwidata mill-patterns statitiċi li assorbixxa matul it-taħriġ. Din id-distinzjoni importanti tispjega kemm l-istrengtħs (oriġinalità, varjazzjonijiet infiniti) kif ukoll id-dgħajjef (disturbi ta' anatomija okkażjonali, drift tal-prompt). Mekkaniikament, il-prompt jgħaddi minn tokenizzatur li jaqsamha f'unitajiet ta' sub-kliem, imbagħad mill-kodifikatur tat-test, li jipproduċi sekwenza ta' vettori li jaqbdu t-tifsira semantika. 'Gru, linja fina, spazju negattiv' isiru koordinati f'spazju fejn 'gru' toqgħod ħdejn għasafar oħra b'għonq twil, 'linja fina' toqgħod ħdejn stili minimalisti oħrajn, u 'spazju negattiv' jaqbad lejn kompożizzjonijiet b'vojt deliberat. L-U-Net tirċievi dan il-kondizzjonament u tuża biex tiddeċiedi, f'kull pass ta' diffużjoni, liema patterns ta' ħoss żżomm u liema tneħħi. Il-gwida ħielsa mill-klassifikatur hija l-mingħasel li jikkontrolla kemm letteralment il-mudell jinterpretata. Gwida baxxa tipproduċi interpretazzjonijiet iżjed rotob u krattivi; gwida għolja tenforzja l-adott stretta mal-prompt — xi kultant bl-ispiża tal-kwalità tal-immaġni. Il-prodotti tattoo-mfittxa ġeneralment jagħżlu valur tan-nofs għalik. Passi ta' kampjunar (tipikament għoxrin sa ħamsin) jinnegozjaw veloċità ma' raffinament. Iż-żerriegħa — numru sħiħ wieħed — tiddetermina l-qasam tal-ħoss tal-bidu; l-istess prompt u l-istess żerriegħa jipproduċu l-istess immaġni, u dan hu kif l-iterazzjoni ssir deterministika minflok slot-machine. Ladarba jkollok ġenerazzjoni li tgħoġbok, tista' <a href="/tryon">tipprevjedi tattoo ġġenerat fuq ġildek</a> jew <a href="/stencil">tikkonverti disinn ġġenerat f'stencil</a> biex tieħu għand l-artist tiegħek.

X'rwol jagħmel input ta' ritratt fil-ġenerazzjoni konxja tal-ġilda?

Input ta' ritratt jħalli l-mudell jikkondizzjona fuq l-anatomija attwali tiegħek. L-immaġni tiġi kkodifikata flimkien mal-prompt, sabiex il-ġenerazzjoni tirrispetta l-kurvi, l-iskala, u l-pożizzjonament tal-parti tal-ġisem — minflok tipproduċi disinn ċatt li jrid jiġi adattat għall-ġilda wara.

Il-ġenerazzjoni ta' test biss tipproduċi disinn li jdur fuq sfond abjad. Dan tajjeb biex tagħżel dak li trid, iżda jinjora r-restrizzjoni waħdanija l-aktar importanti li tattoo reali għandu: il-ġisem li joqgħod fuqu. Il-ġilda hija kurva, assimetrika, u tridimensjonali. Kompożizzjoni li tidher ibbilanċjata bħala PNG kwadru tista' tidher torta ladarba tidwor madwar ir-rasu tal-brieq jew issegwi l-linja tal-klavikola. Il-ġenerazzjoni kkondizzjonata mir-ritratt tagħlaq dik id-distanza. Warajn it-tentati, is-sistema tuża waħda minn diversi tekniki — ControlNet, IP-Adapter, kondizzjonament tal-fond, jew img2img b'saħħa ta' diffużjoni baxxa — biex tidħol informazzjoni dwar ir-ritratt tiegħek fil-proċess ta' diffużjoni. Il-mudell jista' jaqra l-kontorn tal-id tiegħek, id-definizzjoni tal-muskolu tad-dahar tiegħek, il-pentu tas-sider tiegħek, u jaġġusta d-disinn skond dan. Serp li suppost idawwar il-biċep tiegħek jiġi ġġenerat diġà idawwar; biċċa dimensjonata għas-sider intern tiegħek tiġi ġġenerata fl-aspett-ratio ġust. It-tieni użu tal-input tar-ritratt huwa t-tajjar virtwali: minflok ma jikkondizzjona l-ġenerazzjoni, is-sistema tikkomposita disinn lest fuq ir-ritratt tiegħek b'korrezzjoni tal-perspettiva, tqabbil tal-opacità, u trattament tax-xadow. Hekk tara kif jidher it-tattoo qabel ma tibbukkja — u huwa l-mod l-irħas biex tiskopri li idea li ħabbejt fuq l-iskrin hija ħażina għall-pożizzjonament li immaginajt. Iż-żewġ flowi ta' xogħol jibdlu l-konversazzjoni dwar id-disinn minn 'nħobb din il-stampa' għal 'nħobb dan it-tattoo fuqi,' li huma mistoqsijiet differenti ħafna.

Fejn il-ġenerazzjoni ta' tattoo bl-AI għadha batuta meta mqabbla mal-artisti umani?

L-AI hija tajba fil-brainstorming u dgħajfa fix-xogħol tal-finishing. Tippatina b'simetrija stretta, uċuħ, idejn, test, u l-ġudizzju prattiku ta' kif disinn se jixjieħ, jiċċajjar, u jinqara f'daqsijiet żgħar — kollha affarijiet li artist uman kompetenti jilmessa b'rifless.

It-tweġiba onesta hija li l-AI hija sieħeb tal-brainstorming aħjar milli hija finisher. Hija aktar mgħaġġla minn kull bniedem fl-esplorazzjoni tad-direzzjonijiet, il-ġenerazzjoni ta' varjazzjonijiet, u t-turija tiegħek ta' kif jidher mitt approċċ differenti fuq l-istess idea. Dan ibiddel kollox dwar il-fażi bikrija tat-tfassil ta' tattoo. Iżda d-distanza bejn 'immaġni ġġenerata tajba' u 'tattoo tajjeb' hija reali, u tidher f'postijiet speċifiċi. Is-simetrija hija l-ewwel waħda. Il-mudelli ta' diffużjoni huma probabblistiċi — ma jinforząwx li l-għajn ix-xellugija taqbel mal-lemin, li żewġ riħan tas-siġra jrefletti b'mod nadif, jew li tnax-il settur ta' mandalà huma identiċi. Tista' toqrob bis-segwitu u ż-żerriegħa, iżda persuna li tnaddaf il-fajl hija ġeneralment meħtieġa jekk is-simetrija hija l-punt tal-biċċa. Wiċċ, idejn, u test żgħir huma t-tieni mod ta' falliment għall-istess raġuni: dettall ta' frekwenza għolja f'reġjuni densament semantiċi huwa fejn id-diffużjoni ta' spiss timmagna. Il-limitazzjoni aktar profonda hija l-ġudizzju. Mudell ta' diffużjoni qatt ma ra tattoo jfiq. Ma jafx li linjari rqieqa ħafna fuq in-naħa tas-saba jiddiffutu fi żmien sentejn, li l-linka bajda titlef il-kulur fix-xemx, li disinn imballat sew b'tliet ċentimetri jitlef id-dettalji kollha tiegħu mill-firxa tal-linka, jew li biċċa dwar id-dahar jeħtieġ li jqis kif jitħarrek il-ġisem. Dawk huma l-affarijiet li artist tat-tattoo li qed jaħdem jgħidlek fuq il-post. Uża l-AI biex tiġġenera, tibdel, u tivvalida l-viżwali — imbagħad iġġib il-fajl lil persuna li ġabret eluf ta' sigħat tara l-linka titmexxa fuq il-ġisem, u ħalliha tagħmel il-parti li l-magna ma tistax.

mudell ta' diffużjoni — Netwerk newrali ġenerattiv li jitgħallem irevers proċess ta' ħoss pass wara pass. Jibda minn ħoss każwali, ibassad u jneħħi l-ħoss b'mod iterattiv — iggwidat minn prompt ta' test jew immaġni — sakemm toħroġ immaġni koerenti.