SeterusnyaPanduan seterusnya
Penyuntingan Imej Perbualan dengan Model Multimodal
AI Visual
PANDUAN AI Visual
Pencahayaan semula imej AI mengubah pencahayaan foto sedia ada, contohnya memindahkan sumber cahaya, menukar warnanya atau memadankan latar belakang baharu, sambil mengekalkan identiti dan bentuk subjek.
Dengar panduan iniAI-diceritakan · ~3 min
Alat seperti IC-Light menggunakan model resapan untuk memaparkan semula teduhan dan sorotan. Ini penting untuk fotografi produk, pengeditan potret dan penggubahan, di mana cahaya yang tidak padan adalah salah satu tanda paling jelas bagi imej palsu atau ditampal.
Apa yang anda lihat dalam foto adalah kira-kira hasil daripada permukaan (warna asasnya, atau albedo, bentuk dan bahannya) digabungkan dengan cahaya yang jatuh padanya. Pencahayaan semula bermaksud menukar cahaya sambil meninggalkan yang lain sahaja. Itu sukar kerana satu foto mencampurkan faktor ini bersama-sama. Kaedah klasik dan pembelajaran awal cuba memisahkan faktor secara eksplisit. Penguraian imej intrinsik membahagikan imej kepada albedo dan lorekan. Model lain menganggarkan normal permukaan dan kedalaman, kemudian lorekkan semula pemandangan dengan cahaya baharu yang diterangkan oleh peta persekitaran atau harmonik sfera tertib rendah. Penyelidikan penyinaran semula potret, seperti Total Relighting Google (2021), dilatih tentang data daripada peringkat cahaya, yang merupakan kubah lampu boleh dikawal yang merekodkan seseorang dalam banyak keadaan pencahayaan. Kaedah ini boleh menjadi tepat tetapi berjuang di luar data latihan mereka, contohnya dengan rambut, kaca atau adegan kompleks. Pencahayaan semula berasaskan resapan mengambil pendekatan berbeza: model generatif memaparkan semula imej di bawah pencahayaan yang diminta. IC-Light (Imposing Consistent Light) telah dikeluarkan pada tahun 2024 oleh Lvmin Zhang, pembangun di sebalik ControlNet. Ia datang dalam versi yang dikondisikan pada penerangan teks cahaya atau pada imej latar belakang baharu. Idea latihan utamanya ialah pengangkutan ringan yang konsisten. Dalam fizik, rupa objek di bawah campuran dua lampu menyamai campuran penampilannya di bawah setiap cahaya sahaja. Menguatkuasakan perkara ini semasa latihan membantu model menukar pencahayaan tanpa mengubah identiti atau butiran objek. Dua salah faham adalah perkara biasa. Pertama, nyalaan semula bukan penapis warna: penapis tidak boleh menggerakkan bayang-bayang atau menambah sorotan pada sisi yang menghadap cahaya baharu. Kedua, model tidak memulihkan geometri 3D sebenar. Ia menghasilkan teduhan yang munasabah, yang boleh gagal pada teks, corak halus dan permukaan reflektif, atau apabila pencahayaan yang diminta tidak konsisten secara fizikal. Keputusan juga boleh mengubah butiran secara halus seperti tekstur kulit, jadi periksa output dengan teliti.
An online shop photographs products under plain studio light, then relights each one to match lifestyle backgrounds so shadows and highlights look consistent.
A portrait editor adds warm window light from the left to a flatly lit headshot, using a text prompt such as 'sunlight from left window' with IC-Light.
A compositor cuts a person out of one photo and places them on a neon-lit street. They use a background-conditioned relighting model so the person picks up the scene's colored light.
A filmmaker preparing storyboards tries several time-of-day moods, from golden hour to overcast, on the same location photo before the shoot.
Relighting is expanding from single images to video and 3D, where lighting has to stay consistent across frames and viewpoints. Research combines generative models with explicit estimates of geometry and materials to give users more physical control, such as placing a light at a specific position. Relighting also affects image authenticity. Inconsistent shadows have long been a clue for spotting composites, so better relighting makes fakes harder to detect, which strengthens the case for provenance tools such as content credentials. For everyday users, the likeliest near-term change is relighting features becoming more common in ordinary photo editors.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Pencahayaan semula imej AI mengubah pencahayaan foto sedia ada, contohnya memindahkan sumber cahaya, menukar warnanya atau memadankan latar belakang baharu, sambil mengekalkan identiti dan bentuk subjek. Alat seperti IC-Light menggunakan model resapan untuk memaparkan semula teduhan dan sorotan. Ini penting untuk fotografi produk, pengeditan potret dan penggubahan, di mana cahaya yang tidak padan adalah salah satu tanda paling jelas bagi imej palsu atau ditampal.
Relighting changes only the light while preserving what the surface is, including its base color, shape and material.
It splits an image into albedo, the surface's base color, and shading, the effect of light on that surface.
Light stages are domes of controllable lights that capture how a person looks under many lighting setups, providing training data for methods such as Total Relighting.
This consistency of light transport helps the model change the lighting without changing the object's identity or details.
A filter adjusts tone across the whole image. Real relighting changes where shading and highlights fall based on the direction of the light.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
Penyuntingan Imej Perbualan dengan Model Multimodal
AI Visual