VolgendeVolgende gids
Schrijven van effectieve aanwijzingen voor het genereren van afbeeldingen
Visuele AI
Visuele AI-GIDS
Een negatieve prompt is tekst die beschrijft wat u niet wilt in een door AI gegenereerde afbeelding.
Luister naar deze gidsAI-verteld · ~3 min
In diffusiemodellen zoals Stable Diffusion vervangt het de lege prompt die wordt gebruikt bij begeleiding zonder classificatie, zodat elke stap van het verwijderen van ruis uit die beschrijving wordt geduwd. Negatieve aanwijzingen geven gebruikers een directe invloed op ongewenste elementen, maar ze werken alleen op modellen die echte classificatievrije begeleiding bieden, en ze kunnen averechts werken als ze te veel worden gebruikt.
Diffusiemodellen creëren een beeld door uit te gaan van willekeurige ruis en deze in vele stappen te verwijderen. Bij elke stap voorspelt het model de ruis twee keer: één keer op basis van uw prompt en één keer op basis van een 'onvoorwaardelijke' invoer, normaal gesproken een lege prompt. Classifier-vrije begeleiding, geïntroduceerd door Jonathan Ho en Tim Salimans, combineert de twee. Het begint bij de onvoorwaardelijke voorspelling en gaat verder in de richting van de voorwaardelijke voorspelling, geschaald door de begeleidingsschaal (vaak aangeduid als CFG). Het resultaat volgt de prompt beter dan het ruwe model zou doen. Een negatieve prompt vervangt eenvoudigweg de lege prompt door uw negatieve tekst. De formule duwt nu weg van de negatieve beschrijving terwijl deze zich in de richting van de positieve beweegt. Daarom is een negatieve prompt geen filter- of nabewerkingsstap: hij geeft vorm aan elke stap van het verwijderen van ruis. De techniek verspreidde zich in 2022 via communitytools zoals de AUTOMATIC1111-webinterface. Het werd vooral populair met Stable Diffusion 2.x, waarvan de resultaten volgens veel gebruikers merkbaar verbeterden met negatieven. Negatieve aanwijzingen werken het beste bij concrete visuele concepten die het model goed kent: 'wazig', 'tekst', 'watermerk', 'monochroom' of een specifieke kleur of object. Ze werken minder goed als abstracte oplossingen. Op veel modellen voor algemene doeleinden doen termen als 'slechte anatomie' of 'extra vingers' vaak weinig, omdat die modellen zelden bijschriften zagen die dergelijke mislukkingen beschrijven. Ze kunnen de resultaten ook verslechteren. Een lange lijst duwt het beeld tegelijkertijd uit vele richtingen weg. Dat kan de variatie verminderen, kleuren uitwassen of oververzadigen, en stijve composities opleveren, en hoge richtschalen versterken het effect. Sommige modellen, waaronder op basis van begeleiding gedestilleerde modellen en modellen met enkele stappen, slaan de onvoorwaardelijke pas volledig over. Hierbij worden negatieve aanwijzingen genegeerd, tenzij de tool echte CFG weer inschakelt, wat de generatie vertraagt. Een veel voorkomende misvatting is dat het schrijven van 'geen katten' in de hoofdprompt katten uitsluit. Tekstencoders kunnen slecht omgaan met ontkenningen, waardoor de zin in plaats daarvan katten kan toevoegen.
Een productfotograaf die een studiofoto van een horloge maakt, voegt 'tekst, watermerk, logo' toe als negatieve aanwijzing om nep-branding op de achtergrond te ontmoedigen.
Een illustrator die een strakke lijntekening wil, zet 'schaduw, kleur, fotorealistisch' in de negatieve prompt. Als u in plaats daarvan 'geen arcering' in de hoofdprompt schrijft, kan dit per ongeluk arcering toevoegen.
Een gebruiker plakt een negatieve prompt van 60 termen, gekopieerd van een forum, en merkt dat de afbeeldingen vlak en repetitief worden. Door het terug te brengen tot een paar gerichte termen, komt de variëteit terug.
Iemand schakelt over naar een op basis van richtlijnen gedestilleerd model en merkt dat het negatieve promptveld niets doet, omdat het model standaard nooit de tweede voorspelling berekent die een negatieve prompt zou opleveren.
Negatieve aanwijzingen worden minder centraal naarmate de modellen verbeteren. Nieuwere systemen met sterkere tekstencoders volgen gedetailleerde positieve prompts nauwkeuriger, en op basis van richtlijnen gegeven modellen geven negatieve promptondersteuning op in ruil voor snelheid. Ondertussen gaat het onderzoek door naar begeleidingsmethoden die een fijnere controle geven zonder de bijwerkingen van gewone CFG, en sommige interfaces bieden aparte bedieningselementen voor het onderdrukken van zaken als tekst of een stijl. De blijvende les voor beoefenaars is mechanisch: controleer of uw model daadwerkelijk een negatieve tak heeft, houd de negatieven kort en concreet, en toets elke term aan een vast zaadje, zodat u kunt zien wat deze werkelijk verandert.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Een negatieve prompt is tekst die beschrijft wat u niet wilt in een door AI gegenereerde afbeelding. In diffusiemodellen zoals Stable Diffusion vervangt het de lege prompt die wordt gebruikt bij begeleiding zonder classificatie, zodat elke stap van het verwijderen van ruis uit die beschrijving wordt geduwd. Negatieve aanwijzingen geven gebruikers een directe invloed op ongewenste elementen, maar ze werken alleen op modellen die echte classificatievrije begeleiding bieden, en ze kunnen averechts werken als ze te veel worden gebruikt.
CFG vergelijkt normaal gesproken de voorspelling waarvoor wordt gevraagd met een voorspelling van een lege prompt. Een negatieve prompt neemt de plaats van de lege prompt in, zodat de begeleiding wegduwt van die tekst.
De encoder registreert ‘katten’ als een sterk concept en mist grotendeels de ‘nee’. Als u het woord naar de negatieve prompt verplaatst, wordt de richting van de begeleiding omgekeerd.
Voor elke stap zijn twee ruisvoorspellingen nodig, één voor elke prompt, en deze worden gecombineerd met behulp van de begeleidingsschaal.
Negatieven werken het beste bij concrete visuele concepten die het model goed kent. Watermerken verschijnen in veel trainingsafbeeldingen, terwijl beschrijvingen van fouten zoals 'slechte anatomie' zelden voorkomen in algemene bijschriften.
Omdat er geen onvoorwaardelijke of negatieve vertakking is om te berekenen, kan de negatieve tekst nergens heen. Als u echte CFG weer inschakelt, wordt dit hersteld, wat ten koste gaat van de snelheid.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Schrijven van effectieve aanwijzingen voor het genereren van afbeeldingen
Visuele AI