Tiếp theoHướng dẫn tiếp theo
Tạo hình ảnh tự động
AI trực quan
HƯỚNG DẪN AI trực quan
Tạo hình ảnh AI là việc sử dụng mạng lưới thần kinh được đào tạo để tạo ra hình ảnh mới từ mô tả văn bản, bản phác thảo, hình ảnh khác hoặc mặt nạ đánh dấu những gì cần thay đổi.
Nghe hướng dẫn nàyAI thuật lại · ~9 min
Hầu hết các công cụ hiện tại đều sử dụng mô hình khuếch tán, bắt đầu từ nhiễu ngẫu nhiên và làm sạch nó từng bước cho đến khi hình ảnh khớp với lời nhắc xuất hiện. Điều này quan trọng vì những công cụ này hiện nay rẻ và phổ biến rộng rãi, khiến chúng trở nên hữu ích cho việc thiết kế và minh họa, đồng thời là nguồn tạo ra hàng giả thuyết phục ngày càng tăng.
An AI image generator is a program that has studied a very large collection of images, usually paired with captions, and learned the visual patterns that connect words to pictures. When given a prompt such as a red fox in snow, watercolor style, it does not search for an existing picture or paste together pieces of stored photos. It produces new pixels that are statistically consistent with what it learned about foxes, snow and watercolor. The output can be a finished image, a variation of an uploaded image, or an edit of one region of a photo.
The most widely used mechanism today is diffusion. During training, the system takes real images and adds random noise to them in many small steps until they become pure static. A neural network learns to reverse one step at a time by predicting the noise that was added. To generate, the process runs backward: start with random static, ask the network to remove a little noise, repeat dozens of times, and an image gradually emerges. A text prompt steers each step so that the emerging image matches the description. Because each run starts from different random noise, called the seed, the same prompt gives different images every time unless the seed is fixed.
Two supporting pieces make text-to-image work. The first is a text encoder that turns the prompt into numbers the image model can use. OpenAI's CLIP, posted in February 2021, learned to match images with captions from 400 million image and text pairs collected from the internet, and models like it became the bridge between language and pictures. Google's Imagen paper in May 2022 found that using a larger text-only language model as the encoder improved image quality and prompt matching more than enlarging the image model itself. The second piece is efficiency. Running diffusion on full-size pixels is slow, so the 2021 latent diffusion paper by Rombach and colleagues, which became the basis of Stable Diffusion, first compresses images with an autoencoder, a network that squeezes an image into a much smaller grid of numbers and can expand it back. Diffusion then runs in that compressed latent space, and the result is decoded into pixels at the end. The paper also added cross-attention layers so the model can be conditioned on text, layouts or other inputs.
Most tools offer several modes built on the same model. Text-to-image creates a picture from a prompt alone. Image-to-image starts from an uploaded picture partly covered in noise, so the result keeps its rough composition while changing style or detail. Inpainting regenerates only a masked region, such as replacing a sky or removing an object, and outpainting extends an image beyond its original borders; the latent diffusion paper reported state-of-the-art inpainting results. Some systems also accept layouts, sketches or bounding boxes that fix where objects should appear, which the same paper's cross-attention design was built to support. Three settings matter in almost every tool. The seed fixes the starting noise so a result can be reproduced. The number of steps trades speed for refinement. The guidance strength controls how literally the model follows the prompt, with high values giving closer adherence but less variety and sometimes harsh, oversaturated images. Upscaling then enlarges the final picture, but it invents plausible detail rather than recovering real detail that was never there.
The field moved quickly. Generative adversarial networks (GANs), introduced by Ian Goodfellow and colleagues in June 2014, pitted a generator network against a discriminator network that tries to spot the fakes. In February 2021 OpenAI described DALL-E, which treated text and image tokens as one long sequence for a transformer to predict, and CLIP appeared the same month. Latent diffusion followed in December 2021. In 2022 came DALL-E 2 in April, Imagen in May and the public release of Stable Diffusion on August 22, which put a capable model on ordinary graphics cards; Stability AI's announcement put its memory use at 6.9 GB. Since then, commercial tools and open models have improved resolution, prompt following and the ability to render text inside images.
It helps to compare the main approaches. GANs generate an image in a single pass, so they are fast, but they are hard to train and tend to cover a narrower range of images. Autoregressive models, such as the first DALL-E, build an image piece by piece like writing a sentence, which is flexible but slow for large images. Diffusion models are slower at generation because they need many denoising steps, but they train stably and produce varied, detailed results, which is why they dominate current tools. Compared with stock photography or human illustration, a generator is fast and cheap per image, but it cannot guarantee that a picture shows anything that really happened, and its legal status is less settled.
The limitations are concrete. Models often struggle with exact counts, precise spatial relationships, readable text and consistent details such as hands or the same character across several images. They reproduce patterns in their training data, which can include stereotypes about who appears in which roles. Because training sets were largely scraped from the web, there are open legal disputes about whether training on copyrighted images without permission is lawful; the US Copyright Office released a pre-publication report on generative AI training in May 2025. Separately, the Office's January 2025 report on copyrightability concluded that prompts alone do not provide enough human control for the output to be protected, although human-authored elements, creative selection and arrangement, and modifications can be. Realistic fakes of real people and events are the most serious misuse, which is why provenance standards such as C2PA Content Credentials record how an image was made.
In practice, there are two ways to use image generation. Hosted services run the model in the cloud and usually charge a subscription or per-image credits, with the provider's content rules and terms of use deciding what is allowed and who may use the outputs commercially. Open models such as Stable Diffusion can be run locally; the original 2022 release needed a graphics card with about 6.9 GB of memory, and its license allowed commercial and non-commercial use subject to use restrictions. Training a new model from scratch is far more expensive: the latent diffusion paper notes that pixel-space diffusion models often needed hundreds of GPU days to train, which is the cost its compressed approach was designed to reduce. For most people the real work is iteration: writing clear prompts, generating several candidates, editing the best one, checking it at final size, and labeling it honestly as AI-generated.
04Ví dụ hoạt động
Viết lời nhắc cụ thể nêu tên chủ đề, bối cảnh, phong cách và bố cục, ví dụ: ngọn hải đăng trên bờ biển đầy đá vào lúc hoàng hôn, hình minh họa vector phẳng, cảnh quay rộng, bầu trời trống trải ở bên trái cho dòng tiêu đề.
Tạo bốn hình ảnh với các hạt giống ngẫu nhiên khác nhau và lưu ý cách bố cục và chi tiết khác nhau ngay cả khi lời nhắc giống hệt nhau.
Cố định hạt giống của kết quả tốt nhất và thay đổi một thứ trong lời nhắc, chẳng hạn như hoàng hôn đến trưa, để xem yếu tố nào giữ ổn định và yếu tố nào thay đổi.
Nếu công cụ hiển thị hướng dẫn hoặc cài đặt cường độ lời nhắc, hãy thử giá trị thấp và giá trị cao rồi so sánh mức độ đa dạng với mức độ chặt chẽ của mỗi hình ảnh theo lời nhắc.
Kiểm tra hình ảnh đã chọn ở kích thước đầy đủ để phát hiện các lỗi điển hình: văn bản bị biến dạng, các đối tượng thừa hoặc thiếu, hình học không phù hợp và ánh sáng không nhất quán.
Ghi lại công cụ, phiên bản mô hình, lời nhắc, hạt giống và cài đặt, đồng thời kiểm tra các điều khoản của công cụ cũng như sự hiện diện của bất kỳ Thông tin xác thực nội dung nào trước khi sử dụng hình ảnh một cách công khai.
Những gì nó cho thấy
Người học kết thúc với một hình ảnh có thể tái tạo được và một bản ghi chép về cách nó được tạo ra. Việc kiểm tra rất đơn giản: chạy lại cùng một mô hình với cùng một hạt giống và cài đặt sẽ cho hình ảnh giống nhau hoặc gần giống nhau và các ghi chú kiểm tra cho biết liệu nó có phù hợp với mục đích sử dụng và kích thước dự kiến hay không.
Các mẫu mở trên máy tính gia đình: Stability AI phát hành công khai Stable Diffusion vào ngày 22 tháng 8 năm 2022, theo giấy phép cho phép sử dụng thương mại, với trọng lượng chạy trong bộ nhớ card đồ họa khoảng 6,9 GB.
Chỉnh sửa thay vì vẽ từ đầu: giấy khuếch tán tiềm ẩn năm 2021 đằng sau Stable Diffusion đã báo cáo các kết quả tiên tiến về tính năng inpainting, giúp lấp đầy vùng bị che của ảnh, chẳng hạn như xóa đối tượng hoặc mở rộng nền.
Nghệ thuật thiết kế và ý tưởng: các nhóm tạo ra nhiều biến thể nhanh chóng của một cảnh, ảnh chụp sản phẩm hoặc bố cục từ lời nhắc văn bản, sau đó chọn và tinh chỉnh từng biến thể một cách thủ công, duy trì quá trình lựa chọn và chỉnh sửa của con người.
Nhãn xuất xứ: tiêu chuẩn C2PA, có ban chỉ đạo bao gồm Adobe, Google, Microsoft, OpenAI và Sony, đính kèm Thông tin xác thực nội dung ghi lại hình ảnh đến từ đâu và hình ảnh đó được chỉnh sửa như thế nào.
Quyết định về bản quyền: vào tháng 1 năm 2025, Văn phòng Bản quyền Hoa Kỳ đã kết luận rằng chỉ riêng lời nhắc thì không đủ khả năng kiểm soát để khiến hình ảnh do AI tạo ra có bản quyền, mặc dù việc lựa chọn, sắp xếp và chỉnh sửa của con người có thể được bảo vệ.
Nghiên cứu đang tiến triển theo nhiều hướng, chưa có hướng nào trong số đó được giải quyết. Kiểm soát là một: người dùng muốn có bố cục chính xác, các ký tự nhất quán trong một chuỗi và văn bản chính xác bên trong hình ảnh, đồng thời thiết kế thu hút sự chú ý chéo của giấy khuếch tán tiềm ẩn năm 2021 đã cho phép điều chỉnh bố cục và các đầu vào khác ngoài văn bản. Tốc độ là một vấn đề khác, với công việc trên các máy lấy mẫu và các mô hình chưng cất cần ít bước khử nhiễu hơn nhiều so với các hệ thống khuếch tán ban đầu. Nguồn gốc và sự tin cậy là một phần ba. Liên minh C2PA, có ban chỉ đạo bao gồm Adobe, Google, Meta, Microsoft và OpenAI, đang quảng bá Thông tin xác thực nội dung để lịch sử của hình ảnh có thể đi cùng với nó, mặc dù nhãn có thể bị xóa khi tệp được sao chép hoặc chụp ảnh màn hình. Luật pháp và chính sách vẫn đang hình thành. Báo cáo tháng 1 năm 2025 của Văn phòng Bản quyền Hoa Kỳ kết luận rằng chỉ riêng lời nhắc thì không làm cho đầu ra có bản quyền và báo cáo trước khi xuất bản vào tháng 5 năm 2025 về đào tạo AI có tính tổng quát đề cập đến việc đào tạo về các tác phẩm có bản quyền có hợp pháp hay không, một câu hỏi cũng đang được kiểm tra tại tòa án. Việc đánh giá vẫn khó khăn vì các điểm số tự động như FID không ghi lại liệu hình ảnh có tuân theo mọi phần của lời nhắc hay không. Đó là lý do tại sao các điểm chuẩn như DrawBench của Imagen, được giới thiệu vào năm 2022, dựa vào xếp hạng song song của con người. Thế hệ video và 3D mở rộng những ý tưởng phổ biến giống nhau và sự tiến bộ của chúng sẽ đặt ra những câu hỏi giống nhau về sự đồng ý, ghi nhãn và quyền tác giả.
Bản tin miễn phí
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Tạo hình ảnh AI là việc sử dụng mạng lưới thần kinh được đào tạo để tạo ra hình ảnh mới từ mô tả văn bản, bản phác thảo, hình ảnh khác hoặc mặt nạ đánh dấu những gì cần thay đổi. Hầu hết các công cụ hiện tại đều sử dụng mô hình khuếch tán, bắt đầu từ nhiễu ngẫu nhiên và làm sạch nó từng bước cho đến khi hình ảnh khớp với lời nhắc xuất hiện. Điều này quan trọng vì những công cụ này hiện nay rẻ và phổ biến rộng rãi, khiến chúng trở nên hữu ích cho việc thiết kế và minh họa, đồng thời là nguồn tạo ra hàng giả thuyết phục ngày càng tăng.
Hướng dẫn cho biết các mô hình khuếch tán tìm hiểu quy trình khử nhiễu; mô tả đó không ngụ ý đầu ra là một hồ sơ tài liệu.
Hướng dẫn lưu ý rằng các sản phẩm có thể kết hợp nhiều giai đoạn, do đó, quy trình làm việc hoàn chỉnh và nội dung tạo ra đều quan trọng.
Hướng dẫn liệt kê những điều này như những ràng buộc trực quan hữu ích đồng thời cảnh báo rằng một số chi tiết vẫn cần được kiểm tra trực tiếp.
Hướng dẫn cho biết văn bản chính xác và hình học lặp lại cần được kiểm tra trực tiếp; ví dụ hoạt động của nó đề xuất các phần tử văn bản hoặc vectơ có thể chỉnh sửa khi cần.
Hướng dẫn này khuyến nghị kiểm tra kích thước cuối cùng vì hình thu nhỏ có thể che giấu các vấn đề hiển thị trong bố cục biểu ngữ hoặc bản in.
Tiếp tục học hỏi
Đã chọn thêm hướng dẫn cho chủ đề này
Tiếp theoHướng dẫn tiếp theo
Tạo hình ảnh tự động
AI trực quan