Microsoft AI: MAI-Image-2.6

Το Microsoft AI MAI-Image-2.6 είναι η έκδοση της οικογένειας εικόνων 2.6 με έμφαση στην ακρίβεια, σχεδιασμένη για δημιουργία εικόνας από κείμενο και ελεγχόμενη επεξεργασία υπαρχόντων οπτικών αρχείων. Η κάρτα μοντέλου του περιγράφει μοντέλο διάχυσης με flow matching, 20 δισεκατομμύρια παραμέτρους εκτός embeddings και συμφραζόμενα 32K token. Η επιδιωκόμενη έξοδος είναι εικόνα: σύνθεση προϊόντος, πορτρέτο, επώνυμη εικονογράφηση ή αναθεωρημένο οπτικό αποτέλεσμα του οποίου η διάταξη και τα βασικά θέματα παραμένουν συνεπή όσο αλλάζει συγκεκριμένο στοιχείο.

Για δημιουργία, περιγράψτε το θέμα, τη σύνθεση, τα υλικά, το φως, την οπτική γωνία και το οπτικό ύφος. Συμπεριλάβετε ακριβή διατύπωση όταν πρέπει να εμφανίζεται ετικέτα, τίτλος ή πινακίδα στην εικόνα και περιγράψτε πού ανήκει. Ο κατασκευαστής τονίζει την ισχυρότερη απόδοση κειμένου, πορτρέτων, εικόνων 3D και εμπορικών ή φωτορεαλιστικών αποτελεσμάτων σε αυτή την έκδοση. Μια χρήσιμη περιγραφή προσδιορίζει τις λίγες σχέσεις που κάνουν την εικόνα να λειτουργεί: ποιο αντικείμενο προβάλλεται στο προσκήνιο, πώς εντάσσεται στη σκηνή και πού πρέπει να κοιτάξει πρώτα το κοινό. Εξετάστε μικρά γράμματα και λεπτομέρειες στην ολοκληρωμένη εικόνα.

Για επεξεργασία, δώστε το αρχικό οπτικό αρχείο και δηλώστε την αλλαγή μαζί με τα μέρη που θα διατηρηθούν. Οι τεκμηριωμένες εργασίες περιλαμβάνουν αφαίρεση ή αντικατάσταση αντικειμένων, αλλαγές ιδιοτήτων, inpainting, προσαρμογή διάταξης, ενημέρωση κειμένου και καθαρισμό ατελειών όπως θόλωση κίνησης. Η κάρτα μοντέλου τονίζει τη συλλογιστική σε κλίμακα, προοπτική, φωτισμό και χωρική τοποθέτηση, ώστε η αναθεώρηση να ταιριάζει στην υπάρχουσα σκηνή. Ως προετοιμασία, προσδιορίστε καθαρά το αντικείμενο ή την περιοχή και εξηγήστε αν στόχος είναι τοπική διόρθωση, διαφορετική διάταξη ή ευρύτερη αλλαγή ύφους.

Ο οδηγός επεξεργασίας εικόνων του κατασκευαστή δέχεται έως πέντε αναφορές JPEG ή PNG. Δώστε σε κάθε εικόνα διακριτό ρόλο, όπως προϊόν, πρόσωπο, περιβάλλον, διάταξη ή οπτικό ύφος. Για επεξεργασία φωτισμού, τοποθετήστε ένα φωτιστικό από μία αναφορά στο γραφείο μιας άλλης, διατηρώντας την προοπτική του γραφείου και κάνοντας τη σκιά του φωτιστικού να ακολουθεί το φως του δωματίου. Μια χωριστή αναθεώρηση μπορεί να ενημερώνει σύντομη ετικέτα διατηρώντας το σχήμα και τη θέση προϊόντος. Ελέγξτε τις σχέσεις αναφορών στο αποτέλεσμα αντί να αποδέχεστε εύλογο αντικείμενο που διαφέρει από το παρεχόμενο.

Η οικογένεια 2.6 προσθέτει προαιρετική τεκμηρίωση από τον ιστό και επιλογή αναλογίας διαστάσεων από το μοντέλο. Η τεκμηρίωση από τον ιστό παρέχει σχετικό τρέχον πλαίσιο κατά την ερμηνεία αιτήματος που αφορά πραγματικό τόπο, αντικείμενο ή μεταβαλλόμενες πληροφορίες. Είναι δημιουργική είσοδος, επομένως ελέγξτε τις πραγματολογικές οπτικές λεπτομέρειες έναντι του επιδιωκόμενου θέματος. Η αυτόματη επιλογή αναλογίας επιτρέπει στο μοντέλο να συνεκτιμά προτροπή και εικόνες κατά την επιλογή σχήματος σύνθεσης. Μια σχεδιαστική περιγραφή μπορεί να καθορίζει προορισμό και απαιτούμενη διάταξη: για παράδειγμα, πλατιά κεντρική εικόνα προϊόντος με ελεύθερο χώρο στη μία πλευρά ή κάθετη εικόνα γύρω από όρθιο θέμα.

Το μέγεθος εξόδου διέπεται από το συνολικό εμβαδόν. Η συγκεκριμένη κάρτα μοντέλου και ο οδηγός εικόνας αναφέρουν μέγιστο 2,359,296 pixel, ισοδύναμο με τετράγωνο 1536×1536. Η τεκμηριωμένη διεπαφή εικόνας απαιτεί πλάτος και ύψος τουλάχιστον 768 pixel και οποιαδήποτε διάσταση μπορεί να υπερβαίνει τα 1536, εφόσον το σύνολο παραμένει εντός ορίου εμβαδού. Αυτό επιτρέπει πιο μακρόστενη οριζόντια ή κάθετη σύνθεση, αντί να επιβάλλει μέγιστο 1536 pixel σε κάθε πλευρά. Για παράδειγμα, στόχος 1024×2048 έχει 2,097,152 pixel και ικανοποιεί αυτόν τον τεκμηριωμένο κανόνα εμβαδού. Ελέγξτε τις τελικές διαστάσεις για τη διάταξη που θα χρησιμοποιήσει την εικόνα.

Ο οδηγός του κατασκευαστή επιστρέφει παραγόμενα και επεξεργασμένα αποτελέσματα ως δεδομένα εικόνας PNG. Κρατήστε την ολοκληρωμένη εικόνα δίπλα στην περιγραφή και τις αρχικές αναφορές όταν προετοιμάζετε σχεδιαστική αναθεώρηση. Η κάρτα μοντέλου αναφέρει συμφραζόμενα 32K token, ενώ ο οδηγός εξυπηρέτησης ορίζει μέγιστα συμφραζόμενα προτροπής 32,000 token· διατηρήστε αυτά τα δηλωμένα πεδία ισχύος όταν προετοιμάζετε μεγάλη περιγραφή, αντί να τα αντιμετωπίζετε ως διαστάσεις εικόνας. Το χρήσιμο παραδοτέο παραγωγής είναι η αποκωδικοποιημένη εικόνα, που μπορεί να ελεγχθεί και να τοποθετηθεί σε σελίδα, διαφάνεια ή σύνθεση. Καταγράψτε μαζί της την επιθυμητή περικοπή και τη θέση κειμένου, ώστε μετέπειτα επεξεργασίες να μην αλλάζουν κατά λάθος τον σκοπό του σχεδιασμού.

Μέσα στην οικογένεια, το MAI-Image-2.6 δίνει έμφαση στον ακριβή έλεγχο και τις τελευταίες βελτιώσεις οπτικής λεπτομέρειας. Το MAI-Image-2.6-Flash παρέχει τις ίδιες δυνατότητες δημιουργίας, επεξεργασίας, τεκμηρίωσης και επιλογής αναλογίας σε έκδοση βελτιστοποιημένη για άμεση, επαναλαμβανόμενη παραγωγή. Η σειρά 2.5 χρησιμοποιεί μικρότερο τεκμηριωμένο όριο εμβαδού εξόδου και δεν κληρονομεί τους ελέγχους τεκμηρίωσης ή αυτόματης αναλογίας της 2.6. Επιλέξτε έκδοση σύμφωνα με την απαιτούμενη εικόνα και τη διαδικασία αναθεώρησης, αντί να υποθέτετε ότι κοινό οικογενειακό όνομα κάνει κάθε ρύθμιση ίδια.

Ελέγξτε μια επεξεργασία έναντι ολόκληρης της πηγής: διατηρημένα πρόσωπα, ταυτότητα αντικειμένων, γεωμετρία, σκιές, γράμματα και επιθυμητή διάταξη έχουν όλα σημασία. Μια πειστική φωτογραφία μπορεί και πάλι να περιέχει λάθος σήμανση, ασυνεπή αντανάκλαση ή αλλαγμένο χαρακτηριστικό εκτός της ζητούμενης επεξεργασίας. Κρατήστε συγκεκριμένη την επόμενη διόρθωση, όπως ετικέτα, θέση αντικειμένου ή συγκεκριμένη ατέλεια. Αυτό κάνει χρήσιμη την επαναληπτική επεξεργασία διατηρώντας το θέμα και τη σύνθεση της αρχικής περιγραφής.