คู่มือ AI แบบเห็นภาพ
การแก้ไขภาพการสนทนาด้วยโมเดลหลายรูปแบบ
การแก้ไขภาพการสนทนาหมายถึงการเปลี่ยนภาพผ่านชุดคำขอแชทด้วยภาษาธรรมดา เช่น 'ทำให้ท้องฟ้ามีพายุ' ตามด้วย 'ถอดรถออกเดี๋ยวนี้' โดยใช้แบบจำลองหลายรูปแบบที่เข้าใจทั้งรูปภาพและการสนทนา
ฟังคำแนะนำนี้บรรยายโดย AI · ~3 min
บนหน้านี้อ่าน 4 นาที
ภาพรวม
เป็นเรื่องสำคัญเนื่องจากจะแทนที่มาสก์ เลเยอร์ และวิศวกรรมที่รวดเร็วพร้อมคำแนะนำในชีวิตประจำวัน มันทำงานแตกต่างจากการวาดภาพแบบคลาสสิก และสามารถเปลี่ยนส่วนของภาพที่คุณไม่เคยขอให้มันสัมผัสได้อย่างเงียบๆ
เจาะลึก
มีสองวิธีที่ AI แก้ไขภาพอย่างกว้างๆ การแพร่กระจายแบบคลาสสิกในการวาดภาพเริ่มต้นด้วยหน้ากาก คุณวาดภาพบริเวณที่คุณต้องการเปลี่ยนแปลง และโมเดลจะสร้างเฉพาะพื้นที่นั้นใหม่เพื่อให้เหมาะสมกับสภาพแวดล้อมและการแจ้งเตือนของคุณ พิกเซลที่อยู่นอกหน้ากากจะไม่ถูกแตะต้อง แต่คุณต้องรู้และทำเครื่องหมายอย่างชัดเจนว่าการเปลี่ยนแปลงจะไปที่จุดใด โมเดลการวิจัย เช่น InstructPix2Pix ซึ่งเผยแพร่ในปี 2022 แสดงให้เห็นว่ารูปภาพสามารถแก้ไขได้ด้วยคำสั่งที่เป็นลายลักษณ์อักษรเพียงอย่างเดียว โดยไม่ต้องปิดบัง โมเดลหลายรูปแบบโดยกำเนิดก้าวไปไกลกว่านั้น ด้วยการสร้างอิมเมจ GPT-4o ใน ChatGPT ที่เปิดตัวในเดือนมีนาคม 2025 และอิมเมจ Flash Gemini 2.5 ของ Google ที่เปิดตัวในเดือนสิงหาคม 2025 และมีชื่อเล่นว่า Nano Banana โมเดลหนึ่งจะอ่านรูปภาพที่คุณอัปโหลด ข้อความ และบทสนทนาก่อนหน้านี้ จากนั้นจึงสร้างรูปภาพใหม่ เนื่องจากมองเห็นการสนทนาทั้งหมด จึงสามารถทำตามคำขอเช่น 'กลับไปที่สีแจ็คเก็ตจากการแก้ไขสองครั้งที่แล้ว' หรือ 'เก็บทุกอย่างไว้ แค่เพิ่มฝน' นอกจากนี้ยังสามารถให้เหตุผลเกี่ยวกับสิ่งที่อยู่ในภาพ เช่น วัตถุไหนคือรถหรือแสงมาจากไหน ข้อเสียคือโมเดลเหล่านี้มักจะสร้างรูปภาพใหม่ทั้งหมด แทนที่จะแพตช์พิกเซล ส่วนที่คุณไม่ได้กล่าวถึงอาจยังคงมีการเปลี่ยนแปลงเล็กน้อย: ใบหน้าอาจสูญเสียความคล้ายคลึงบางส่วน ข้อความขนาดเล็กอาจเปลี่ยนแปลง พื้นผิวอาจนุ่มนวล การเปลี่ยนแปลงเล็กๆ น้อยๆ เหล่านี้รวมกันหลายๆ รอบ ซึ่งมักเรียกว่าการดริฟท์ โมเดลที่ใหม่กว่าจะรักษารายละเอียดได้ดีกว่าเวอร์ชันก่อนๆ มาก แต่การเก็บรักษาเป็นสิ่งที่โมเดลได้เรียนรู้ ไม่ใช่การรับประกัน ความเข้าใจผิดสามประการเป็นเรื่องปกติ โมเดลการแชทไม่ได้แก้ไขไฟล์ต้นฉบับหรือเลเยอร์ของมัน จำเวอร์ชันก่อนหน้าได้ไม่ครบถ้วน ผลลัพธ์อาจไม่ตรงกับความละเอียดดั้งเดิมของคุณ สำหรับแหล่งที่มา Google จะเพิ่มลายน้ำ SynthID ที่มองไม่เห็นให้กับรูปภาพจากโมเดล และ OpenAI แนบข้อมูลเมตา C2PA เข้ากับรูปภาพที่สร้างขึ้น
การใช้งานจริงในโลกแห่งความเป็นจริง
เจ้าของร้านเบเกอรี่อัปโหลดรูปภาพผลิตภัณฑ์ไปที่ ChatGPT และขอพื้นหลังสีขาวเรียบๆ จากนั้นในลำดับถัดไปขอให้ใช้เงาที่นุ่มนวลขึ้นโดยยังคงรักษาเค้กแบบเดิมไว้
นักเรียนอัปโหลดแผนภาพชีววิทยาที่วาดด้วยมือไปยัง Gemini ขอเวอร์ชันดิจิทัลที่ชัดเจน และใช้การสลับลำดับเพื่อขยายป้ายกำกับและแก้ไขคำที่สะกดผิดหนึ่งคำ
นักการตลาดขอมาสคอตที่มีภาพประกอบในท่าทางที่แตกต่างกัน 3 ท่า เปรียบเทียบใบหน้าและสีในแต่ละเทิร์น และเริ่มแชทใหม่จากเวอร์ชันที่ดีที่สุดเมื่อตัวละครเริ่มล่องลอย
รีทัชที่ต้องการรักษาพิกเซลที่ยังไม่ได้แตะต้องไว้จะใช้การลงสีแบบมาสก์ในโปรแกรมแก้ไขรูปภาพแทน เนื่องจากมีการสร้างเฉพาะส่วนที่มาสก์เท่านั้น
อนาคตของการแก้ไขภาพการสนทนาด้วยโมเดลหลายรูปแบบ
การพัฒนากำลังมุ่งหน้าไปสู่การแก้ไขที่รวมการแชทเข้ากับการควบคุมที่แม่นยำ คุณสมบัติที่เป็นไปได้ ได้แก่ การชี้หรือทำเครื่องหมายภูมิภาคภายในการสนทนาอย่างคร่าวๆ การรักษาข้อมูลประจำตัวและข้อความให้สอดคล้องกันมากขึ้นในแต่ละรอบ รองรับความละเอียดสูงขึ้น และการส่งคืนไฟล์แบบเลเยอร์ที่เหมาะกับเวิร์กโฟลว์ระดับมืออาชีพ เครื่องมือพิสูจน์อักษร เช่น ลายน้ำและข้อมูลประจำตัวของเนื้อหา อาจจะแพร่กระจายออกไป แม้ว่าจะสามารถถอดออกได้ก็ตาม มีข้อกังวลที่เปิดกว้างเช่นกัน การแก้ไขภาพถ่ายจริงที่ง่ายดายและสมจริงทำให้การจัดการผู้คนและกิจกรรมที่น่าเชื่อง่ายขึ้น และแพลตฟอร์มได้จำกัดการแก้ไขบางอย่างที่เกี่ยวข้องกับบุคคลจริงอยู่แล้ว โมเดลจะรักษาสมดุลระหว่างการแก้ไขที่เป็นประโยชน์กับการใช้งานในทางที่ผิดได้ดีเพียงใด และโมเดลจะรักษารายละเอียดได้อย่างน่าเชื่อถือเพียงใด จะช่วยตัดสินได้ว่าการแก้ไขแชทจะมาแทนที่เครื่องมือแบบเดิมๆ หรืออยู่เคียงข้างโมเดลเหล่านั้น
การนำไปปฏิบัติ
ทำไมมันถึงสำคัญ
- ความเร็วและขนาด. Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
- สร้างทางเลือก. ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
- ทีมงานและขั้นตอนการทำงาน. การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก
ระวัง
- สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
- ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
- ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น
ขั้นตอนต่อไป
- กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
- ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
- เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
- ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล
สำรวจต่อไป
จดหมายข่าวฟรี
รับสรุป AI รายวัน
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
Take the Conversational Image Editing with Multimodal Models quiz
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
คำถามที่พบบ่อย
การแก้ไขภาพการสนทนาด้วยโมเดลหลายรูปแบบคืออะไร
การแก้ไขภาพการสนทนาหมายถึงการเปลี่ยนภาพผ่านชุดคำขอแชทด้วยภาษาธรรมดา เช่น 'ทำให้ท้องฟ้ามีพายุ' ตามด้วย 'ถอดรถออกเดี๋ยวนี้' โดยใช้แบบจำลองหลายรูปแบบที่เข้าใจทั้งรูปภาพและการสนทนา เป็นเรื่องสำคัญเนื่องจากจะแทนที่มาสก์ เลเยอร์ และวิศวกรรมที่รวดเร็วพร้อมคำแนะนำในชีวิตประจำวัน มันทำงานแตกต่างจากการวาดภาพแบบคลาสสิก และสามารถเปลี่ยนส่วนของภาพที่คุณไม่เคยขอให้สัมผัสได้อย่างเงียบๆ
อะไรคือความแตกต่างที่สำคัญระหว่างการแพร่ภาพแบบคลาสสิกและการแก้ไขการแชทต่อเนื่องหลายรูปแบบแบบเนทีฟ?
การลงสีจะทำให้พิกเซลที่อยู่นอกหน้ากากไม่ถูกแตะต้อง โมเดลการแชทหลายรูปแบบมักจะเรนเดอร์รูปภาพทั้งหมดอีกครั้ง โดยมีเงื่อนไขกับรูปภาพ ข้อความ และประวัติการแชท
เหตุใดรายละเอียดที่คุณไม่ได้ขอให้เปลี่ยนกะระหว่างการแก้ไขต่อเนื่องหลายรูปแบบจึงทำได้
ไม่มีหน้ากากป้องกันบริเวณที่ไม่เปลี่ยนแปลง โมเดลจะต้องสร้างมันขึ้นมาใหม่จากสิ่งที่เรียนรู้ ดังนั้นใบหน้า ข้อความ และพื้นผิวจึงสามารถคลาดเคลื่อนได้เล็กน้อย
การเข้าถึงประวัติการสนทนาช่วยให้โมเดลหลายรูปแบบทำอะไรได้บ้าง
เนื่องจากโมเดลเห็นข้อความและรูปภาพก่อนหน้านี้ จึงสามารถเข้าใจการอ้างอิง เช่น "สีแจ็คเก็ตจากการแก้ไขสองครั้งที่แล้ว"
แบบจำลองการวิจัยใดในปี 2022 แสดงให้เห็นว่าสามารถแก้ไขรูปภาพได้จากคำแนะนำที่เป็นลายลักษณ์อักษรโดยไม่ต้องสวมหน้ากาก
InstructPix2Pix แก้ไขรูปภาพจากคำแนะนำแบบข้อความเพียงอย่างเดียว SynthID และ C2PA เป็นเทคโนโลยีต้นกำเนิด และ Nano Banana เป็นชื่อเล่นของรุ่น Gemini ปี 2025
ขั้นตอนที่ดีเมื่อการดริฟท์ได้สะสมในการสนทนาหลายรอบคืออะไร?
การเริ่มใหม่จากเวอร์ชันที่แข็งแกร่งจะรีเซ็ตการเปลี่ยนแปลงเล็กๆ น้อยๆ ที่สะสมไว้ และการชี้โมเดลไปที่ต้นฉบับจะทำให้มีการอ้างอิงที่ชัดเจนยิ่งขึ้น
เรียนรู้ต่อไป
คำแนะนำที่เกี่ยวข้อง
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้