Microsoft AI: MAI-Image-2.5

Το Microsoft AI MAI-Image-2.5 είναι η έκδοση γενικής δημιουργίας και ελεγχόμενης επεξεργασίας της οικογένειας εικόνων 2.5. Η κάρτα μοντέλου περιγράφει μοντέλο διάχυσης με flow matching, 20 δισεκατομμύρια παραμέτρους εκτός embeddings, είσοδο κειμένου και εικόνας και συμφραζόμενα 32K token. Παράγει εικόνες για ιδέες, πορτρέτα, προϊόντα, εικονογραφήσεις και αναθεωρήσεις υπαρχόντων σχεδίων. Η χρήσιμη αρχική επιλογή είναι αν η εργασία χρειάζεται νέα σύνθεση ή συγκεκριμένη αλλαγή σε οπτικό αρχείο που ήδη περιέχει το επιθυμητό θέμα.

Για δημιουργία, περιγράψτε το κύριο θέμα, το οπτικό ύφος, το φως, την οπτική γωνία και τη διάταξη. Ο κατασκευαστής τονίζει λεπτομερείς, συνεκτικές εικόνες, απόδοση κειμένου, εικόνες προϊόντων και συμμόρφωση με την προτροπή. Μια πρακτική περιγραφή εικονογράφησης παρουσίασης μπορεί να ορίζει τον ρόλο θέματος, την επιθυμητή οπτική έμφαση και το περιθώριο γύρω του. Μια ιδέα προϊόντος μπορεί να περιλαμβάνει υλικό, κλίμακα και φινίρισμα επιφάνειας. Κρατήστε συνεκτική την περιγραφή ώστε τα αντικείμενα να μοιράζονται μία σκηνή και ένα σχέδιο φωτισμού, αντί να συνδυάζουν αρκετές ασύμβατες οπτικές αποδόσεις.

Η οπτική συλλογιστική σε αυτή την έκδοση αφορά δομή σκηνής, φωτισμό, κλίμακα και χωρικές σχέσεις. Ο κατασκευαστής δίνει ως χρήση επεξεργασίας την προσθήκη αντικειμένου με κατάλληλη προοπτική και σκιές. Για επεξεργασία εργαστηρίου, τοποθετήστε μικρό σκαμνί δίπλα σε πάγκο εργασίας διατηρώντας την υπάρχουσα οπτική γωνία και το φως. Ο έλεγχος πρέπει να συγκρίνει το μέγεθος σκαμνιού, πού ακουμπά στο δάπεδο και αν η σκιά του ακολουθεί τα άλλα αντικείμενα. Ένα τοπικά πειστικό αντικείμενο πρέπει και πάλι να ταιριάζει στη γεωμετρία ολόκληρης της αρχικής εικόνας.

Οι στοχευμένες επεξεργασίες περιλαμβάνουν αφαίρεση ή αντικατάσταση αντικειμένων, αλλαγές ιδιοτήτων, inpainting, προσαρμογή διάταξης, ενημέρωση κειμένου και καθαρισμό, όπως μείωση ατελειών θόλωσης κίνησης. Δώστε την αρχική εικόνα και ονομάστε τόσο τη διόρθωση όσο και τις λεπτομέρειες που θα διατηρηθούν. Μια εστιασμένη επεξεργασία φωτογραφίας θα μπορούσε να αφαιρεί αντικείμενο που αποσπά την προσοχή από το φόντο, κρατώντας πρόσωπο, περικοπή και διάταξη προσκηνίου. Μια σχεδιαστική αναθεώρηση θα μπορούσε να ενημερώνει σύντομη γραμμή κειμένου διατηρώντας τη σύνθεση. Συγκρίνετε ολόκληρο το αποτέλεσμα με την πηγή, αντί να αξιολογείτε μόνο την επεξεργασμένη περιοχή.

Η Microsoft τονίζει επίσης τη συνέπεια ταυτότητας προσώπου μεταξύ επεξεργασιών, μαζί με αλλαγές στάσης, έκφρασης ή οπτικής γωνίας. Χρησιμοποιήστε καθαρή αναφορά για την ομοιότητα και ορίστε την επιθυμητή αλλαγή με τρόπο που διατηρεί τα αναγνωριστικά γνωρίσματα. Ο τρέχων οδηγός επεξεργασίας του κατασκευαστή δέχεται έως πέντε εικόνες JPEG ή PNG, επιτρέποντας σε διαφορετικές αναφορές να προσδιορίζουν πρόσωπο, αντικείμενο, σκηνή ή ύφος. Ονομάστε αυτούς τους ρόλους στην προτροπή. Σε αναθεώρηση πορτρέτου, εξετάστε το πρόσωπο μαζί με την αλλαγμένη ενδυμασία ή το φόντο πριν θεωρήσετε την εικόνα ολοκληρωμένη.

Η συγκεκριμένη κάρτα μοντέλου περιορίζει την έξοδο σε 1,048,576 συνολικά pixel, ισοδύναμα με τετράγωνο 1024×1024, και επιτρέπει στη μία πλευρά να υπερβαίνει τα 1024 εφόσον το σύνολο παραμένει εντός αυτού του εμβαδού. Ο οδηγός εξυπηρέτησης απαιτεί επιπλέον και τις δύο διαστάσεις τουλάχιστον 768 pixel. Ορθογώνιος στόχος όπως 1344×768 έχει 1,032,192 pixel και ικανοποιεί αυτούς τους τεκμηριωμένους κανόνες εμβαδού και ελάχιστων διαστάσεων. Το χρήσιμο όριο είναι το γινόμενο πλάτους και ύψους, επομένως προετοιμάστε το σχήμα προορισμού πριν ζητήσετε οριζόντια ή κάθετη σύνθεση.

Η δημιουργία και επεξεργασία επιστρέφουν δεδομένα εικόνας PNG στη διεπαφή εξυπηρέτησης του κατασκευαστή. Η εγγενής κάρτα μοντέλου αναφέρει συμφραζόμενα 32K token, ενώ εκείνη η διεπαφή ορίζει μέγιστα συμφραζόμενα προτροπής 32,000 token. Η χωριστή τιμή καταλόγου 4,096 token εξόδου είναι όριο token και όχι διάσταση εξόδου. Διατηρήστε αυτά τα δηλωμένα πεδία ισχύος όταν οργανώνετε λεπτομερή προτροπή και ολοκληρωμένη εικόνα. Αρχικά οπτικά αρχεία, διατηρημένα χαρακτηριστικά, ζητούμενες επεξεργασίες και μέγεθος στόχου συνιστούν χρήσιμο αρχείο αναθεώρησης μαζί με το PNG.

Το δημιουργικό εύρος του μοντέλου καλύπτει φωτορεαλιστικές και κινηματογραφικές εικόνες, πορτρέτα, ιδέες προϊόντων ή επωνυμίας, σχέδια με κείμενο και άλλα οπτικά ύφη. Για ετικέτα ή πινακίδα, δώστε την ακριβή διατύπωση και ελέγξτε την ορθογραφία στο τελικό μέγεθος προβολής. Μια αναγνωρίσιμη φωτογραφική επιφάνεια μπορεί και πάλι να περιέχει επινοημένη λεπτομέρεια, ασυνεπή αντανάκλαση ή ανακριβή γράμματα. Ο πρακτικός έλεγχος ακολουθεί τις απαιτήσεις σχεδιασμού: ταυτότητα αντικειμένων, αναγνωσιμότητα, χωρικές σχέσεις και διατηρημένη σκηνή έχουν όλα σημασία. Κρατήστε τη συγκεκριμένη διόρθωση χωριστή από αλλαγές που έχουν ήδη πετύχει.

Στην οικογένεια 2.5, το Pro δίνει έμφαση σε υψηλότερη πιστότητα και σταθερές σχέσεις σε πυκνές σκηνές, ενώ το Flash υπηρετεί πιο άμεση παραγωγή. Η οικογένεια 2.6 εισάγει μεγαλύτερο τεκμηριωμένο όριο εμβαδού pixel, προαιρετική τεκμηρίωση από τον ιστό και επιλογή αναλογίας από το μοντέλο. Το βασικό 2.5 διατηρεί τη δική του ροή δημιουργίας και επεξεργασίας χωρίς αυτούς τους μεταγενέστερους ελέγχους. Επιλέξτε έκδοση με βάση το δύσκολο μέρος της πραγματικής εργασίας εικόνας και ελέγξτε το ολοκληρωμένο αποτέλεσμα έναντι αυτής της περιγραφής.