Kako delujejo generatorji tetovanj z AI

Katera arhitektura modela poganja tipičen generator tetovanj z AI?

Večina generatorjev tetovanj deluje na latentnem difuzijskem modelu, fino nastavljenem na umetnosti tetovanj. Besedilni enkoder vaš poziv pretvori v vektorje, mreža U-Net v več korakih razšumi latentno sliko, dekoder pa pretvori končno latentno upodobitev v viden dizajn.

Prevladujoča arhitektura je latentna difuzija — ista družina, na kateri temeljita Stable Diffusion, SDXL, najnovejše izdaje Midjourney in večina odprtih vejitev, specializiranih za tetoviranje. Beseda „latentna” je ključna: namesto razšumevanja na polni pikselni resoluciji model deluje znotraj stisnjene upodobitve, ki je okvirno šestnajstkrat manjša — zato generiranje traja sekunde in ne minute. Tri komponente so pomembne. Besedilni enkoder (navadno različica CLIP ali T5) preslika vaš poziv v visokodimenzionalni vektor, ki zajema pomen, ne le ključnih besed. Mreža U-Net opravlja dejansko razšumevanje, v vsakem koraku pogojeno s tem vektorjem — model je torej ves čas usmerjano k „stvarem, ki so podobne pozivu”. Dekoder variacijskega avtoenkodiranja nato razširi končno latentno upodobitev v vidno sliko. Del, ki je specifičen za tetoviranje, nastopi med fino nastavljanjem. Osnovni model, ki je videl odpreti splet, se dodatno uči na skrbno izbranem korpusu umetnosti tetovanj — flash listih, fotografijah zaceljenega tetovanji, črtah in šablonah — dokler se uteži mreže ne nagibajo k vizualni slovnici tetovanj: samozavestnim orisnim črtam, nadzorovane negativnemu prostoru, pikčastemu senčenju, konvencijam finih črt v primerjavi s tradicionalnimi. Izvirni članek DDPM na <a href="https://arxiv.org/abs/2006.11239">arxiv.org/abs/2006.11239</a> je kanonična referenca za matematiko postopka razšumevanja.

Kako orodje besedilni poziv prevede v dizajn tetovanji?

Vaš poziv je tokeniziran, vstavljen v vektor in posredovan mreži U-Net kot pogojitev v vsakem koraku razšumevanja. Model začne s čistim šumom in iterativno odstranjuje dele, ki se ne ujemajo z vektorjem poziva, pri čemer ostane slika, ki se ujema.

Prevajanje besed v sliko ni iskanje. Model ne preiskuje baze podatkov tetovanj glede ujemanj z vašim pozivom — ustvarja sliko, ki še nikoli ni obstajala, vodena s statističnimi vzorci, ki jih je absorbirala med usposabljanjem. Ta razlika je pomembna, ker pojasnjuje tako prednosti (izvirnost, neskončna variacija) kot slabosti (občasne anatomske napake, odmik od poziva). Mehanično poziv potuje skozi tokenizator, ki ga razlomi na podbesedne enote, nato pa skozi besedilni enkoder, ki ustvari zaporedje vektorjev, ki zajema semantični pomen. „Žerjav, fina črta, negativni prostor” postane koordinate v prostoru, kjer „žerjav” sedi blizu ptic z dolgo vrato, „fina črta” blizu minimalističnih stilov, „negativni prostor” pa vleče k kompozicijam z namerno praznino. Mreža U-Net prejema to pogojitev in jo uporabi za odločitev, v vsakem koraku razšumevanja, katere vzorce šuma obdržati in katere odstraniti. Vodenje brez klasifikatorja je vzvod, ki nadzira, kako dobesedno model interpretira vaš poziv. Nizko vodenje ustvari mehkejše, bolj ustvarjalne interpretacije; visoko vodenje sili k strogemu upoštevanju poziva — včasih na račun kakovosti slike. Produkti, nastavljeni za tetoviranje, vam navadno izberejo vmesno vrednost.

Kakšno vlogo ima fotografija kot vhodni podatek pri generiranju, ki upošteva kožo?

Fotografija modelu omogoči, da se pogojenosti nastavi na vaši dejanski anatomiji. Slika je kodirana skupaj z pozivom, zato generiranje spoštuje krivine, merilo in postavitev dela telesa — namesto ustvarjanja ploskvastega dizajna, ki ga je treba naknadno prilagoditi koži.

Čisto generiranje besedilo-v-sliko ustvari dizajn na beli podlagi. To je primerno za izbiro tega, kar želite, a prezre eno najpomembnejših omejitev pravega tetoviranja: telo, na katerem bo sedelo. Koža je ukrivljena, asimetrična in tridimenzionalna. Kompozicija, ki je videti uravnotežena kot kvadraten PNG, je lahko videti poševna, ko se ovije okrog podlakti ali sledi liniji ključnice. Fotografsko pogojeno generiranje to vrzel zapolni. V ozadju sistem uporablja eno od več tehnik — ControlNet, IP-Adapter, pogojitev z globino ali img2img z nizko močjo razšumevanja — da vbrizga informacije o vaši fotografiji v difuzijski postopek. Model lahko prebere obris vaše roke, mišično definicijo hrbta, nagib reber in temu ustrezno prilagodi dizajn. Kača, ki naj se ovije okrog bicepsa, je generirana, ko je že ovita; kos, dimenzioniran za notranjo podlaket, je generiran pri pravilnem razmerju stranic. Druga uporaba fotografije je virtualno preizkušanje: namesto pogojitve generiranja sistem sestavlja dokončani dizajn na vaši fotografiji s korekcijo perspektive, ujemanjem prosojnosti in obdelavo senc. Tako vidite, kako bo tetoviranje izgledalo, preden si rezervirate termin.

Kje generiranje tetovanj z AI še vedno zaostaja za človeškimi umetniki?

AI je odlična pri ideaciji in šibka pri dodelavi dela. Spopada se s strogo simetrijo, obrazi, rokami, besedilom in praktično presojo o tem, kako bo dizajn stareval, se celil in bil čitljiv v majhnih merilih — vse stvari, ki jih kompetentni človeški umetnik obvlada instinktivno.

Pošten odgovor je, da je AI boljši partner za brainstorming kot za dokončevanje dela. Je hitrejša kot kateri koli človek pri preiskovanju smeri, generiranju različic in prikazovanju, kako je videti sto različnih pogledov na isto idejo. To spreminja vse v zgodnji fazi načrtovanja tetoviranja. Toda vrzel med „dobro generirano sliko” in „dobrim tetovanjem” je resnična in se kaže na konkretnih mestih. Simetrija je prva. Difuzijski modeli so probabilistični — ne uveljavljajo, da se levo oko ujema z desnim, da se dve cvetlični stebli čisto zrcalita ali da je dvanajst sektorjev mandale identičnih. Z ustreznim pozivom in semenom se lahko precej približate, a človek, ki počisti datoteko, je navadno potreben, kadar je simetrija bistvo dela. Obrazi, roke in majhno besedilo so drugi način odpovedi iz istega razloga: visokofrekvenčni detajl na semantično gostih področjih je kraj, kjer difuzija najpogosteje halucinira. Globlja omejitev je sodba. Difuzijski model nikoli ni opazoval, kako se tetoviranje celi. Ne ve, da se zelo tanke črte na strani prsta zamažejo v dveh letih, da belo črnilo bledi na soncu, da bo tesno zapakirani dizajn pri treh centimetrih izgubil vse podrobnosti zaradi razlivanja črnila ali da mora kos na hrbtu upoštevati, kako se telo giblje. To so stvari, ki vam jih bo delovni tattoo umetnik povedal takoj.

difuzijski model — Generativna nevronska mreža, ki se uči obrniti postopen postopek šumljenja. Začenši z naključnim šumom iterativno predvideva in odstranjuje šum — vodena besedilnim ali slikovnim pozivom — dokler ne nastane koherentna slika.