DalšíDalší průvodce
LoRA posuvníky pro úpravu obrázků
Vizuální AI
Vizuální průvodce AI
Konverzační editace obrázků znamená změnu obrázku prostřednictvím řady jednoduchých chatových požadavků, jako je „rozbouři oblohu“ následované „teď odstraňte auto“, pomocí multimodálního modelu, který rozumí obrázku i konverzaci.
Poslechněte si tento návodAI-vyprávěný · ~3 min
Záleží na tom, protože nahrazuje masky, vrstvy a rychlé inženýrství každodenními pokyny. Funguje však odlišně od klasického malování a může tiše měnit části obrazu, na které jste nikdy nepožádali.
Existují dva široké způsoby, jak AI upravuje obrázky. Klasická difúzní malba začíná maskou. Malujete přes oblast, kterou chcete změnit, a model regeneruje pouze tuto oblast, aby se vešla do okolí a vaší výzvy. Pixely vně masky zůstávají nedotčeny, ale musíte přesně vědět a označit, kam změna směřuje. Výzkumné modely, jako je InstructPix2Pix, zveřejněné v roce 2022, ukázaly, že obrázek lze upravit pouze na základě písemné instrukce bez masky. Nativně multimodální modely jdou dále. S generováním obrázků GPT-4o v ChatGPT, spuštěným v březnu 2025, a Gemini 2.5 Flash Image od Google, vydaným v srpnu 2025 a přezdívaným Nano Banana, jeden model přečte váš nahraný obrázek, váš text a předchozí konverzaci a poté vytvoří nový obrázek. Protože vidí celou konverzaci, může se řídit požadavky jako „vraťte se k barvě bundy před dvěma úpravami“ nebo „všechno zachovat, jen přidat déšť“. Může také uvažovat o tom, co je na obrázku, například který předmět je auto nebo odkud pochází světlo. Kompromisem je, že tyto modely obvykle generují zcela nový obrázek spíše než záplatování pixelů. Části, které jste nezmínili, se mohou stále mírně posunout: obličej může ztratit určitou podobu, malý text se může změnit, textury se mohou změkčit. V mnoha zatáčkách se tyto malé změny sčítají, což se často nazývá drift. Novější modely zachovávají detaily mnohem lépe než dřívější verze, ale zachování je něco, co se model naučil, není to záruka. Běžné jsou tři mylné představy. Model chatu neupravuje váš původní soubor ani jeho vrstvy. Nepamatuje si předchozí verze dokonale. Výstup nemusí odpovídat vašemu původnímu rozlišení. Pro provenienci přidává Google k obrázkům ze svých modelů neviditelný vodoznak SynthID a OpenAI připojuje k vygenerovaným obrázkům metadata C2PA.
Majitel pekárny nahraje fotku produktu do ChatGPT a požádá o obyčejné bílé pozadí, pak v dalším kole požádá o měkčí stín při zachování stejného dortu.
Student nahraje ručně nakreslený biologický diagram do Gemini, požádá o čistou digitální verzi a pomocí následných otočení zvětší štítky a opraví jeden chybně napsaný termín.
Obchodník požádá o ilustrovaného maskota ve třech různých pózách, porovná obličej a barvy v každém kole a zahájí nový rozhovor z nejlepší verze, když se postava začne unášet.
Retušér, který potřebuje zachovat každý nedotčený pixel, místo toho používá v editoru obrázků maskování, protože se regeneruje pouze maskovaná oblast.
Vývoj směřuje k editaci, která kombinuje chat s přesnou kontrolou. Pravděpodobné funkce zahrnují ukazování nebo hrubé označení oblasti uvnitř konverzace, udržování konzistentnějších identit a textu v různých kolech, podporu vyšších rozlišení a vracení vrstvených souborů, které vyhovují profesionálním pracovním postupům. Nástroje provenience, jako jsou vodoznaky a přihlašovací údaje k obsahu, se pravděpodobně rozšíří, i když mohou být odstraněny. Existují také otevřené obavy. Snadné, realistické úpravy skutečných fotografií usnadňují přesvědčivou manipulaci s lidmi a událostmi a platformy již omezují některé úpravy zahrnující skutečné osoby. Jak dobře modely vyvažují užitečné úpravy proti zneužití a jak spolehlivě zachovávají detaily, rozhodne, zda úpravy chatu nahradí tradiční nástroje, nebo budou vedle nich.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Konverzační editace obrázků znamená změnu obrázku prostřednictvím řady jednoduchých chatových požadavků, jako je „rozbouři oblohu“ následované „teď odstraňte auto“, pomocí multimodálního modelu, který rozumí obrázku i konverzaci. Záleží na tom, protože nahrazuje masky, vrstvy a rychlé inženýrství každodenními pokyny. Funguje však odlišně od klasického malování a může tiše měnit části obrazu, na které jste nikdy nepožádali.
Při malování zůstávají pixely mimo masku nedotčené. Multimodální modely chatu obvykle znovu vykreslují celý obrázek v závislosti na obrázku, textu a historii chatu.
Neexistuje žádná maska, která by chránila nezměněné oblasti. Model je musí reprodukovat z toho, co se naučil, takže obličeje, text a textury se mohou mírně posunout.
Vzhledem k tomu, že model vidí dřívější zprávy a obrázky, může porozumět odkazům, jako je „barva bundy před dvěma úpravami“.
InstructPix2Pix upravoval obrázky pouze z textových pokynů. SynthID a C2PA jsou původní technologie a Nano Banana je přezdívka pro model 2025 Gemini.
Začít znovu od silné verze resetuje nahromaděné malé změny a namíření modelu na originál mu poskytne čistší referenci.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
LoRA posuvníky pro úpravu obrázků
Vizuální AI