NastępnyNastępny poradnik
Generatory obrazu AI na zajęciach plastycznych
Wizualna sztuczna inteligencja
PRZEWODNIK Wizualnej AI
Generatory obrazów AI mylą się w rękach, ponieważ ręce są małe, bardzo elastyczne, często częściowo ukryte i rzadko opisane w podpisach.
Posłuchaj tego przewodnikaOpowiadane przez sztuczną inteligencję · ~3 min
Modele uczą się, jak ręce wyglądają na powierzchni, nie ucząc się wiarygodnie ich struktury, takiej jak pięć palców na rękę. Błędy w rękach stały się znanym znakiem syntetycznych obrazów, a zrozumienie, dlaczego się pojawiają, wyjaśnia zarówno to, jak nowsze modele się poprawiły, jak i to, dlaczego liczenie palców nie jest już niezawodnym sposobem wykrywania fałszywek.
Diffusion models learn from billions of image-caption pairs by learning to reverse added noise. They become very good at local visual patterns: skin texture, lighting, the general look of a hand. What they never receive is an explicit rule that a hand has five fingers joined to a palm in a particular order. Several factors make hands hard. Hands take up a small part of most photos, so they get few pixels. Latent diffusion models such as Stable Diffusion also shrink images by a factor of eight in each dimension before generating, which can leave a hand only a handful of latent cells. Hands take an enormous range of poses, grip objects, overlap each other and are often partly hidden, so the training data is full of incomplete views. Fingers look alike, so a model producing 'finger, finger, finger' has no strong signal telling it when to stop. Captions almost never mention hands, let alone their pose, so the prompt offers little guidance. The result is a set of familiar errors: extra or missing fingers, fused digits, thumbs on the wrong side, and hands melting into objects or other people. Teeth, ears and jewelry go wrong for similar reasons. Newer systems have reduced these failures. Larger models, higher training resolutions, better filtered and captioned data, transformer-based architectures and fine-tuning on human preference ratings all helped. Midjourney's version 5 in 2023 was widely noted for better hands, and later models from several labs improved further. Errors have not disappeared, though, especially in complex poses, crowds and hands holding things. A common misconception is that the model 'cannot count'. It is more accurate to say it learns appearance statistically, and correct structure emerges only when the data and model capacity are sufficient.
Wczesny portret Stable Diffusion przedstawia kogoś trzymającego kubek kawy z sześcioma palcami owiniętymi wokół, typowa porażka, gdy model miesza wiele nakładających się pozycji chwytu.
Scena grupowa ze starszego modelu łączy ręce dwóch osób w miejscu, gdzie się dotykają, ponieważ model nie ma wyraźnej koncepcji, gdzie kończy się jedno ciało, a zaczyna drugie.
Artystka podaje ControlNet OpenPose lub mapę głębokości wykonaną ze zdjęcia własnej ręki, aby wymusić prawidłową pozycję, a następnie wypełnia pozostałe błędy metodą inpaintingu.
Fact‑checker zauważa, że podejrzany fałszywy obraz ma całkowicie normalne ręce, co przypomina, że nowsze generatory często rysują ręce poprawnie i potrzebne są inne wskazówki.
Błędy w rękach prawdopodobnie będą się zmniejszać w miarę rozwoju modeli i poprawy danych treningowych, ale nietypowe pozy, splecione ręce i ręce manipulujące przedmiotami pozostają trudniejsze niż prosta otwarta dłoń. Generowanie wideo dodaje nową wersję problemu, ponieważ palce muszą pozostawać spójne klatka po klatce. Dla każdego oceniającego autentyczność, sprawdzanie rąk jest słabym sygnałem. Zniekształcona ręka nadal sugeruje, że obraz został wygenerowany, ale prawidłowa ręka nic nie dowodzi. Rekordy pochodzenia i znaki wodne są bardziej wiarygodne niż sprawdzanie anatomii.
Darmowy newsletter
Trzy zweryfikowane historie AI każdego poranka w dni robocze, napisane prostym angielskim. Bezpłatne na zawsze, bez reklam.
Jedno e‑mail każdego dnia roboczego. Wypisz się jednym kliknięciem. Nigdy nie sprzedajemy ani nie udostępniamy Twojego adresu.
Sprawdź się
Natychmiastowa informacja zwrotna na każde pytanie oraz udostępnialny certyfikat z weryfikowalnym ID po zaliczeniu kursu.
Wspieraj darmową edukację AI. AI Understanding jest organizacją non-profit 501(c)(3) — bez reklam, bez płatnej ściany, zawsze. Przekaż darowiznę
Generatory obrazów AI mylą się w rękach, ponieważ ręce są małe, bardzo elastyczne, często częściowo ukryte i rzadko opisane w podpisach. Modele uczą się, jak ręce wyglądają na powierzchni, nie ucząc się wiarygodnie ich struktury, takiej jak pięć palców na rękę. Błędy w rękach stały się znanym znakiem syntetycznych obrazów, a zrozumienie, dlaczego się pojawiają, wyjaśnia zarówno to, jak nowsze modele się poprawiły, jak i to, dlaczego liczenie palców nie jest już niezawodnym sposobem wykrywania fałszywek.
Modele uczą się, jak rzeczy wyglądają statystycznie. Nic w treningu nie daje im explicite reguły, że ręka ma pięć palców.
Mała ręka, która kurczy się ośmiokrotnie w każdym wymiarze, pozostaje z bardzo mało miejsca na przedstawienie pięciu odrębnych palców.
Bez tekstu opisującego pozycje rąk model nie może powiązać słów promptu ze strukturą dłoni.
Wersja 5 Midjourney, wydana w 2023, była szeroko uznawana za poprawioną pod kątem rąk, będąc częścią szerszego trendu skalowania i lepszych danych.
Powiększenie plonu daje ręce znacznie więcej ukrytych komórek podczas regeneracji, co poprawia jej strukturę.
Ucz się dalej
Wybrano więcej przewodników na ten temat
NastępnyNastępny poradnik
Generatory obrazu AI na zajęciach plastycznych
Wizualna sztuczna inteligencja