Visuele AI-GIDS

Negatieve aanwijzingen bij het genereren van afbeeldingen

Een negatieve prompt is tekst die beschrijft wat u niet wilt in een door AI gegenereerde afbeelding.

Luister naar deze gidsAI-verteld · ~3 min

Op deze pagina4 minuten lezen
  1. Overzicht
  2. Diepe duik
  3. Implementatie in de echte wereld
  4. De toekomst van negatieve aanwijzingen bij het genereren van afbeeldingen
  5. Het in de praktijk brengen
  6. Blijf verkennen
  7. Veelgestelde vragen

Overzicht

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.

Diepe duik

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.

Implementatie in de echte wereld

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.

De toekomst van negatieve aanwijzingen bij het genereren van afbeeldingen

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.

Het in de praktijk brengen

Waarom het ertoe doet

  • Snelheid en schaal. Visuele AI kan inspectie-, detectie- en taggingtaken op schaal automatiseren.
  • Bouwkeuzes. Creatieve teams kunnen concepten sneller prototypen met minder handmatige revisies.
  • Team en workflow. Bij bewerkingen kan gebruik worden gemaakt van beeld- en videosignalen die voorheen moeilijk te verwerken waren.

Pas op voor

  • Beeldrechten en toestemming kunnen juridische risico's worden als de herkomst onduidelijk is.
  • De prestaties van modellen kunnen variëren afhankelijk van de belichting, demografische gegevens en omgevingen.
  • Valse positieve resultaten kunnen onopgemerkt blijven, tenzij de vertrouwensdrempels worden gecontroleerd.

Volgende stappen

  1. Definieer acceptatiecriteria voor precisie-, terugroep- en foutkosten.
  2. Test met gegevens die overeenkomen met echte productieomstandigheden.
  3. Voeg menselijke beoordeling toe voor voorspellingen met weinig vertrouwen of hoge impact.
  4. Volg modelafwijkingen en valideer opnieuw na wijzigingen in de camera of dataset.

Blijf verkennen

Gratis nieuwsbrief

Ontvang de dagelijkse AI-briefing

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

Take the Negative Prompts in Image Generation quiz

Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.

Quiz starten

Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie

Veelgestelde vragen

Wat zijn negatieve aanwijzingen bij het genereren van afbeeldingen?

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.

Wat vervangt een negatieve prompt bij richtlijnen zonder classificatie?

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.

Waarom zou het schrijven van 'geen katten' in de hoofdprompt eigenlijk katten opleveren?

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.

Waarom verdubbelt classifier-vrije begeleiding grofweg de rekenkracht per stap?

Voor elke stap zijn twee ruisvoorspellingen nodig, één voor elke prompt, en deze worden gecombineerd met behulp van de begeleidingsschaal.

Welke negatieve term heeft volgens de gids de meeste kans op een sterk, betrouwbaar effect?

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.

Wat gebeurt er als u een negatieve prompt gebruikt met een uit richtlijnen afgeleid model dat de onvoorwaardelijke pas overslaat?

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.