Kuvakehotteen kirjoittaminen: näin kuvasta tulee haluamasi

Kun tekstiassistentti ei tee mitä pyydät, kehotetta yleensä täsmennetään ohjeilla: "älä käytä listoja", "vastaa enintään sadalla sanalla". Kuvageneraattorissa sama tapa tuottaa turhautumista. Pyydät kuvaa ilman tekstiä ja saat kuvan, jossa on tekstiä. Pyydät yksinkertaista taustaa ja saat sekavan.

Syy on mekanismissa. Kehote ei ole käskylista, jota malli lukisi ja noudattaisi. Se muutetaan numeeriseksi vektoriksi, joka vetää jokaista kuvan tuottamisen askelta tiettyyn suuntaan. Vetoa ei voi kääntää päinvastaiseksi kirjoittamalla sanan "ei" eteen, koska kieltosanoilla ei ole tässä avaruudessa sitä merkitystä, joka niillä on kieliopissa.

Tästä seuraa yksi sääntö, joka ratkaisee suuremman osan ongelmista kuin mikään sanalista: kuvaile se, minkä haluat näkyvän, älä sitä mitä et halua.

Kuvakehote ja tekstikehote ovat eri lajeja

Hyvässä tekstikehotteessa on tehtävä, konteksti, rajaukset ja tulostemuoto, ja malli osaa noudattaa niitä, koska sitä on erikseen opetettu seuraamaan ohjeita. Hyvän promptin rakenne pätee tekstivastauksiin, mutta kuvapuolella ohjeiden seuraamista ei ole opetettu samalla tavalla. Kuvamalli on nähnyt kuvia ja niiden kuvatekstejä. Se osaa yhdistää kuvailevan tekstin kuvaan, ei tulkita ohjetta.

Kolme käytännön eroa kannattaa painaa mieleen.

Abstraktio on näistä salakavalin. Jos pyydät kuvaa, joka viestii luotettavuutta, malli tarjoaa sen, mitä aineiston kuvateksteissä on liitetty luotettavuuteen: kädenpuristuksia, siniharmaata ja hymyileviä puvuissa seisovia ihmisiä. Kuvakehotteessa abstraktio kannattaa kääntää itse konkretiaksi ennen kirjoittamista.

Kehotteen kuusi osaa

Rakenna kehote osista. Näin näet myös, mikä puuttuu silloin kun tulos ei vastaa odotusta.

Kuvasuhde ja koko kuuluvat asetuksiin, eivät kehotteeseen. Jos kirjoitat kehotteeseen "pystykuva" mutta jätät asetuksen vaakaan, saat vaakakuvan, jossa on pystykuvamaisia piirteitä. Sama koskee tarkkuutta.

Näin osista kootaan yksi kehote: vanha puinen soutuvene vedetty kaislikkoiselle järvenrannalle, keula ylöspäin, taustalla kuusimetsä, kokokuva matalasta kuvakulmasta vesirajasta, matala aamuaurinko sivulta ja ohut sumu, valokuva kapealla syväterävyydellä. Lause on pitkä mutta jokainen sen osa tekee työtä. Jos jokin osa puuttuu, malli täyttää sen omilla oletuksillaan, ja juuri siitä syntyy tunne että kuva on jonkun toisen kuva.

Osista syntyy myös luonteva promptipohja, jonka voi täyttää joka kerta samassa järjestyksessä. Järjestys ei ole mallille laki, mutta alkupään sanat painavat useimmissa toteutuksissa hieman enemmän kuin loppupään, joten tärkein asia kannattaa kirjoittaa ensin.

Tyylisanat ovat tehokkaita ja siksi vaarallisia

Yksi sana tyylistä muuttaa kuvaa enemmän kuin kolme lausetta sisällöstä. Se on hyödyllistä silloin, kun tiedät mitä haet, ja ongelma silloin, kun tyylisana tuo mukanaan koko joukon oletuksia. Sana "elokuvallinen" tuo usein mukanaan tumman kuvan, kapean kuvasuhteen ja sinioranssin värityksen, vaikka olisit halunnut vain hieman dramaattisemman valon.

Kuvasuhde ja tarkkuus muuttavat sommittelua, eivät vain kokoa

Moni pitää kuvasuhdetta rajaustyökaluna: sama kuva, eri reunat. Kuvageneraattorissa se ei toimi niin. Kohinanpoisto tehdään sen kokoiselle alalle, joka asetuksissa on valittu, joten kuvasuhde vaikuttaa siihen mitä kuvaan ylipäätään syntyy. Sama kehote tuottaa pystykuvassa lähikuvan ja vaakakuvassa maiseman, jossa kohde on pieni.

Tarkkuudella on oma sudenkuoppansa. Mallit on opetettu tietyn kokoisilla kuvilla, ja selvästi sitä suuremmaksi venytetty kuva-ala johtaa usein toiston kaltaisiin virheisiin: kaksi horisonttia, kaksi päätä tai sama rakennus kahdesti. Turvallisempi tapa on tuottaa kuva mallille luontevassa koossa ja suurentaa se vasta jälkikäteen erillisellä suurennustyökalulla.

Julkaisuun menevän kuvan kohdalla kannattaa vielä muistaa, että pakkaus tapahtuu vasta tallennuksessa. Se, valitseeko häviöllisen vai häviöttömän tiedostomuodon, ratkaisee kuinka paljon hienoa yksityiskohtaa jää jäljelle sen jälkeen kun malli on tehnyt osansa.

Miksi kieltomuoto epäonnistuu

Kirjoitat "ei tekstiä kylttiin". Kehotteessa on nyt sanat teksti ja kyltti. Molemmat vetävät kuvaa suuntaan, jossa on kylttejä ja tekstiä. Kieltosana ei kumoa vetoa, koska kuvamalli ei käsittele kehotetta lauseena vaan merkitysvektorina, jossa "teksti" osoittaa samaan suuntaan riippumatta siitä, mitä sen edessä lukee.

Ratkaisu on kirjoittaa kielto uudelleen myönteisenä kuvauksena.

• Ei näin: ei ihmisiä kuvassa. Näin: tyhjä katu aamuvarhaisella.
• Ei näin: ei sekavaa taustaa. Näin: tasainen vaaleanharmaa tausta.
• Ei näin: ei tekstiä. Näin: sileä maalattu kyltti ilman merkintöjä. Tai jätä kyltti kokonaan mainitsematta.
• Ei näin: älä tee siitä sarjakuvamaista. Näin: valokuva, luonnollinen ihonsävy.

Sama kuvion tunnistaminen auttaa myös tekstipuolella, missä kehotteen tavallisimmat virheet ovat eri syistä samannäköisiä.

Negatiivinen kehote ja sen rajat

Monessa palvelussa on erillinen kenttä negatiiviselle kehotteelle. Se ei ole sama asia kuin kielto tavallisessa kehotteessa. Tekninen periaate on, että malli laskee arvauksen sekä varsinaisen kehotteen että negatiivisen kehotteen suuntaan ja työntää tulosta poispäin jälkimmäisestä.

Negatiivinen kehote toimii kohtalaisesti tyylin ja laadun ohjaamisessa: sillä voi vähentää esimerkiksi vesileimamaisia elementtejä, ylikylläisiä värejä tai piirrosmaisuutta. Se toimii huonosti sisällön poistamisessa. Jos kohteessa on luontevasti kolme ikkunaa, negatiivinen kehote "ikkunat" ei poista niitä vaan hämärtää koko kuvan logiikkaa.

Yleinen väärinkäsitys on, että negatiiviseen kenttään kannattaa liittää pitkä vakiolista huonon laadun merkkejä ja käyttää samaa listaa aina. Käytännössä tällainen lista tekee vähemmän kuin siltä näyttää, ja se voi myös vetää kuvaa pois haluamastasi suunnasta, jos jokin listan sana sattuu osumaan kuvan aiheeseen. Pidä lista lyhyenä ja tarkoitukseen sidottuna.

Kolme rajaa kannattaa tietää. Negatiivinen kehote ei ole suodatin eikä takuu. Se ei toimi kaikissa palveluissa, ja osassa se on piilotettu asetusten taakse. Ja mitä pidempi lista negatiiviseen kenttään kertyy, sitä epämääräisemmäksi ohjaus muuttuu, aivan kuten varsinaisessa kehotteessakin.

Näin rakennat ja korjaat kehotteen käytännössä

1. Kirjoita yhden lauseen ydin. Kohde, toiminta ja ympäristö. Aja kuva ja katso mihin malli oletuksena menee.
2. Lisää rajaus ja kuvakulma. Nämä muuttavat sommittelua eniten ja ovat halvin tapa saada kuva lähemmäs toivetta.
3. Lisää valo. Valon suunta ja laatu ratkaisevat tunnelman selvästi useammin kuin tyylisanat.
4. Lisää tyyli viimeisenä. Yksi tai kaksi sanaa. Jos lisäät enemmän, et enää tiedä mikä vaikutti.
5. Lukitse siemenluku. Nyt kuva pysyy muuten samana ja näet mitä seuraava muutos tekee.
6. Muuta yksi asia kerrallaan. Vaihda yksi sana, aja uudelleen, vertaa. Tämä on hidasta ja se on ainoa toimiva tapa.
7. Vapauta siemenluku lopuksi. Kun kehote on kunnossa, aja muutama variaatio ja valitse paras.

Tämä on sama ajattelutapa kuin promptien ketjutuksessa tekstipuolella: pilko työ vaiheisiin ja tarkista välissä, sen sijaan että yrittäisit saada kaiken kerralla oikein.

Jos haluat harjoitella osiin pilkkomista yleisemmin, promptin rakentaja kokoaa kehotteen samasta logiikasta viidestä osasta.

Kuvan muokkaus on usein oikea työkalu, ei uusi kehote

Kun kuva on 90-prosenttisesti oikein, uuden kehotteen ajaminen on huono idea. Uusi arvonta hukkaa kaiken sen, mikä oli jo hyvin. Käytä sen sijaan muokkaustoimintoja.

• Alueellinen korjaus. Maalaat pensselillä alueen, esimerkiksi käden tai epäonnistuneen kasvon, ja annat mallin tuottaa vain sen uudelleen. Muu kuva säilyy pikselintarkasti. Kirjoita korjauskehote vain siitä, mitä alueella pitää olla, ei koko kuvasta.
• Reunojen jatkaminen. Kuva-alaa laajennetaan ulospäin ja malli täyttää uuden alueen. Kätevä silloin, kun rajaus on liian tiukka.
• Kuvasta kuvaksi. Annat lähtökuvan ja kehotteen sekä säädät kuinka voimakkaasti lähtökuvasta saa poiketa. Matala voimakkuus säilyttää sommittelun ja vaihtaa vain tyylin.

Muokkauksissa on yksi säännönmukainen sudenkuoppa: korjatun alueen valo ja rakeisuus eivät aina täsmää muuhun kuvaan. Tee alueesta hieman suurempi kuin korjattava kohta, niin mallilla on tarpeeksi ympäristöä sovittaakseen sen.

Jos syötät muokattavaksi valokuvan, jossa on tunnistettava ihminen, kyseessä on henkilötiedon käsittely riippumatta siitä miltä lopputulos näyttää. Sen ehdot ja rajat käydään läpi artikkelissa tekoäly ja tietosuoja.

Mitä tarkistat ennen kuin syytät mallia

Käy tämä lista läpi, kun tulos on pettymys. Useimmiten vika löytyy täältä eikä mallista.

• Onko kehotteessa kieltoja? Käännä ne kuvaukseksi.
• Onko kehotteessa abstraktioita, kuten moderni tai laadukas? Vaihda ne konkreettiseen kuvaukseen.
• Onko kehote yli kolmen tai neljän rivin? Poista se, mikä ei näy kuvassa.
• Onko sama asia sanottu kahdesti eri sanoin? Ristiriitainen toisto sekoittaa ohjauksen.
• Onko kuvasuhde ja tarkkuus asetettu asetuksista, ei kehotteesta?
• Onko ohjausvoimakkuus korkealla? Jos värit ovat epäluonnollisen kylläisiä, laske sitä ennen kuin muutat sanoja.
• Onko kyse asiasta, jota malli ei osaa? Pitkä luettava teksti, tarkka lukumäärä ja monimutkaiset kädet ovat rakenteellisia heikkouksia, eikä niitä korjata kehotetta hiomalla.

Kehotteen hiominen ratkaisee kuvan sisällön. Se ei ratkaise sitä, mihin kuvaa saa käyttää, ja se kysymys kannattaa selvittää ennen julkaisua artikkelista saatko käyttää tekoälykuvaa.