Jak generować obrazy z AI

Gościnnie – Pak4

Krótka odpowiedź: wejść na stronę wyszukiwarki BING, przejść do obrazów i sekcji utwórz*. A potem napisać co się chce. I już.

A w długiej wersji — tak, ale:

– Dall-e (bo to on kryje się w Bingu) został nauczony kojarzyć mowę w z obrazami i tworzyć „semantykę wizualną” (to pierwszy etap jego działania). I nie został tego nauczony po polsku. Działa to więc tak, że AI tłumaczy zlecenie na angielski, a potem dopiero generuje obraz. I czasem to widać — np. Św. Paweł sprzedający namioty stał przy szyldzie „TENTS”, a „Vademecum odchudzania” miało wypisane „weight loss”, choć oba zapytania zrobiłem po polsku.

– Uwaga na marginesie uwagi: AI ma wyraźną dysleksję. Bardzo często przerabia napisy na coś o podobnym układzie liter. To pokazuje słabość tkwiącą w tej mocy — AI nie rozumie, co pisze, wie tylko że „jakoś tak” to powinno wyglądać. Trochę jakby komputer był konkretniejszy od człowieka, a człowiek konkretniejszy od AI.

Ilustracja powyżej, to jedna z przymiarek AI do „feministy” — hasła podała po angielsku sama z siebie. Z błędem.

– Wracając do angielszczyzny — dla lepszego wyrozumienia warto samodzielnie przetłumaczyć zlecenie na angielski, by uniknąć nieporozumień. Najczęstszym jest gubienie końcówki gramatycznej określającej płeć postaci portretowanej — angielski tego nie ma i maszyna nie dopisuje, czy dana persona jest męska, czy żeńska.

– Rada serio: uczący obsługi AI (nie tylko Dall-e) mówią: doprecyzowywać**. W tym przypadku zwłaszcza określić jak ma wyglądać obraz. Sam z tego akurat nie korzystałem, ale AI ma mieć całkiem rozbudowane możliwości udawania konkretnej optyki aparatu fotograficznego. Ja prosiłem by zrobiła według danego malarza, epoki, producenta filmów animowanych, albo właśnie „fotorealistycznie”.

– Całkiem sporej rzeczy AI nie wie, a przynajmniej mnie nie udało się z niej tego wyciągnąć. Poproszona o Rembrandta nawiązała do „Dziewczyny z perłą” Vermeera. Poproszona o wygenerowanie Fairey Battle w barwach polskiego lotnictwa (cóż niby prostszego, wziąć zarys samolotu A i zastosowań kolory B?) wygenerowała pseudodrugowojenny samolot w pseudopolskich barwach. Bo AI nie wie, że polskie znaki to szachownice, ale wie, że w wielu krajach są kokardy. Namalowała więc biało-czerwone kokardy… Albo poproszona o Godzillę atakującą opactwo w Tyńcu (cóż, lokalsi z domu kultury zrobili konkurs na portret smoka, pomyślałem, że to ciekawy kontrapunkt), orientowała się generalnie, że opactwo to coś między Cluny a Downton Abbey, ale samego Tyńca nie znała.

Godzilla i opactwo w Tyńcu zdaniem AI…

„Fairey Battle w barwach polskich z 1939 roku”.

– W odpowiedzi na pytani dostaniemy: a) nic, b) 4 obrazki, c) 3 obrazki, d) 2 obrazki, e) 1 obrazek. Przy czym nic możemy dostać zarówno przed generowaniem, jak i po generowaniu obrazów. Przed, bo AI sprawdza, czy zapytanie mogłoby naruszyć REGUŁY***. Po (dużo rzadziej), bo AI sprawdza, czy wynik nie naruszył REGUŁ. (Ja nawet podejrzewam, że czasem mniej niż 3 obrazki, to też mogą być wynikać z naruszonej REGUŁY, ale z czterech prób coś się ostało.) Reguły są poprawne politycznie: bez przemocy, golizny i nawiązywania do realnych postaci, bo mogą się obrazić. Czyli żadne „chcę Tuska zabijającego smoka”, ani „namaluj noc poślubną Napoleona i Józefiny”.

– Jak już jesteśmy przy politycznej poprawności, to ja mam wątpliwości. Bo ludzie tam tworzą nierealne wzorce piękna. A bardziej serio: jeśli chcę portrety Gości, no to jasne, że miło mi, że ich ładnie portretuje, jako przystojnych kawalerów i śliczne dziewoje, ale jak tak robi raz po raz to taka powtarzalność robi się irytująca. I do tego panowie najczęściej z zarostem, panie zaś często z ustami napompowanymi jak bicepsy Schwarzeneggera za najlepszych lat. I najczęściej osoby białe, vel kaukaskie. W zasadzie nie dziwiła mnie różnorodność etniczna na poziomie klientów lokalnej Żabki, dopóki AI poproszona o Judytę z głową Holofernesa (żadnych aluzji do obcięcia — patrz: REGUŁY) poczęstowała dwoma Judytami kaukaskimi i dwoma afrykańskimi… No… w sumie dlaczego nie? I to bywa problem, bo jak taktownie powiedzieć AI, że tu może sobie wybierać dowolną grupę etniczną za wzór, a tam jej wara?

Judyta z głową Holofernesa.

– A propos „panowie z zarostem” — mimo usilnych starań, nie udało mi się uzyskać od AI średniowiecznego bądź starożytnego króla bez brody… Może ktoś spróbuje?

Bolesław Chrobry.

– Ciałopozytywność ma ograniczenie — mamy bardzo ładne portrety, bohaterowie są śliczni, o ile są bohaterami. Bo już grafika, gdzie bohaterem jest zbiorowość i mamy kilka-kilkanaście twarzy zawiera jakieś dziwne grymasy, przy których restauracja obrazu Jezusa z Borji jest wzorem poprawności ludzkiej twarzy.

Jedna z prób — twarze są zniekształcone.

– Czego jeszcze AI nie zna? Cóż, nie udało mi się wymusić choćby greckiego malarstwa wazowego, albo nawiązań do sztuki egipskiej. Generalnie epoka/styl to okazja do doprecyzowań, bo AI często myli zamierzony styl malowania, ze stylizowaniem sceny.

– No i takie pytanie: po co to? Ale tak serio, nie że zabawa? Moje pierwsze skojarzenia, to że gdybym po kosztach własnych wydawał fantastykę, to mógłbym ją ilustrować. W końcu tam nikt nie zwróci uwagi, że Bolesław Chrobry nie był brodaty. Ale to nisza. Znacznie większe zastosowanie to generowanie grafik stockowych — potrzebujesz ilustracji „polska rodzina nad Bałtykiem” do artykułu? Albo „model do sklejania” jako reklamy sklepu****? Proszę bardzo — sam wymyślasz co i jak, i to dostajesz bez praw autorskich!

„Polska rodzina nad Bałtykiem”.

—
*) Bing daje Dall-e i jest to generator darmowy. Uważam, że póki chodzi o zabawę, to nie ma za co płacić. Choć i w Bing można płacić za plany, umożliwiające generowanie większej liczby obrazów.
**) Dokładniej: zapytać – zobaczyć co nie tak – doprecyzować pytanie. I tak do skutku. Podobno przy Chat GPT często pomaga poproszenie o uzasadnienie, jak wynik wynika z pytania. Dla Dall-e takiej rady nie znam, ale doprecyzowywać — jak najbardziej!
***) Przed, teoretycznie, można się od wyroku łamania reguł odwołać.
****) Właśnie migała mi reklama sklepu z modelami, w której coś mi nie pasowało… No tak, sklejony samolot był jak ten Fairey Battle — nigdy nie istniał — był zlepkiem kilku różnych form. Nie było to więc zdjęcie, a produkt AI.

—
Jako bonus z wpadek AI — Debora śpiewająca pieśń. Nie dość, że ktoś w tle ma gitarę, to ona ma nuty. (Ale dwa inne obrazki dały Deborze mikrofony…)