HƯỚNG DẪN AI trực quan

Chỉnh sửa hình ảnh hội thoại với các mô hình đa phương thức

Chỉnh sửa hình ảnh hội thoại có nghĩa là thay đổi hình ảnh thông qua một loạt yêu cầu trò chuyện bằng ngôn ngữ đơn giản, chẳng hạn như 'làm mưa làm gió', sau đó là 'bây giờ hãy tháo xe', sử dụng mô hình đa phương thức có thể hiểu cả hình ảnh và cuộc trò chuyện.

Nghe hướng dẫn nàyAI thuật lại · ~3 min

Trên trang nàyđọc 4 phút
  1. Tổng quan
  2. Lặn sâu
  3. Triển khai trong thế giới thực
  4. Tương lai của việc chỉnh sửa hình ảnh hội thoại với các mô hình đa phương thức
  5. Đưa nó vào thực tế
  6. Tiếp tục khám phá
  7. Câu hỏi thường gặp

Tổng quan

Nó quan trọng vì nó thay thế mặt nạ, lớp và kỹ thuật nhanh chóng bằng các hướng dẫn hàng ngày. Tuy nhiên, nó hoạt động khác với tính năng vẽ cổ điển và có thể lặng lẽ thay đổi các phần của hình ảnh mà bạn chưa bao giờ yêu cầu nó chạm vào.

Lặn sâu

Có hai cách rộng rãi mà AI chỉnh sửa hình ảnh. Bức tranh khuếch tán cổ điển bắt đầu bằng một chiếc mặt nạ. Bạn vẽ lên vùng bạn muốn thay đổi và mô hình chỉ tái tạo khu vực đó để phù hợp với môi trường xung quanh và lời nhắc của bạn. Các pixel bên ngoài mặt nạ không bị ảnh hưởng nhưng bạn phải biết và đánh dấu chính xác nơi thay đổi sẽ diễn ra. Các mô hình nghiên cứu như InstructPix2Pix, được xuất bản vào năm 2022, cho thấy rằng một hình ảnh có thể được chỉnh sửa chỉ bằng một hướng dẫn bằng văn bản mà không cần mặt nạ. Các mô hình đa phương thức còn tiến xa hơn nữa. Với tính năng tạo hình ảnh GPT-4o trong ChatGPT, ra mắt vào tháng 3 năm 2025 và Hình ảnh Flash Gemini 2.5 của Gemini, phát hành vào tháng 8 năm 2025 và có biệt danh là Nano Banana, một mô hình sẽ đọc hình ảnh đã tải lên của bạn, văn bản của bạn và cuộc trò chuyện trước đó, sau đó tạo ra một hình ảnh mới. Bởi vì nó nhìn thấy toàn bộ cuộc trò chuyện nên nó có thể làm theo các yêu cầu như 'quay lại màu áo khoác từ hai lần chỉnh sửa trước' hoặc 'giữ mọi thứ, chỉ cần thêm mưa'. Nó cũng có thể suy luận về những gì trong bức ảnh, chẳng hạn như vật thể nào là ô tô hoặc ánh sáng đến từ đâu. Sự cân bằng là những mô hình này thường tạo ra một hình ảnh hoàn toàn mới thay vì vá các pixel. Những phần bạn không đề cập đến vẫn có thể thay đổi một chút: khuôn mặt có thể mất đi vẻ giống nhau, văn bản nhỏ có thể thay đổi, kết cấu có thể mềm mại hơn. Qua nhiều ngã rẽ, những thay đổi nhỏ này cộng lại, thường được gọi là trôi dạt. Các mô hình mới hơn giữ được chi tiết tốt hơn nhiều so với các phiên bản đầu tiên, nhưng việc bảo quản là điều mà mô hình đã học được chứ không phải là một sự đảm bảo. Ba quan niệm sai lầm phổ biến. Mô hình trò chuyện không chỉnh sửa tệp gốc của bạn hoặc các lớp của nó. Nó không nhớ các phiên bản trước đó một cách hoàn hảo. Đầu ra có thể không khớp với độ phân giải ban đầu của bạn. Để xác định nguồn gốc, Google thêm hình mờ SynthID vô hình vào hình ảnh từ các mô hình của nó và OpenAI đính kèm siêu dữ liệu C2PA vào hình ảnh được tạo.

Triển khai trong thế giới thực

Một chủ tiệm bánh tải ảnh sản phẩm lên ChatGPT và yêu cầu nền trắng trơn, sau đó ở lượt tiếp theo yêu cầu bóng nhẹ hơn trong khi vẫn giữ nguyên chiếc bánh.

Một học sinh tải sơ đồ sinh học vẽ tay lên Gemini, yêu cầu một phiên bản kỹ thuật số rõ ràng và sử dụng các lượt tiếp theo để phóng to nhãn và sửa một thuật ngữ sai chính tả.

Một nhà tiếp thị yêu cầu một linh vật minh họa ở ba tư thế khác nhau, so sánh khuôn mặt và màu sắc trong mỗi lượt và bắt đầu một cuộc trò chuyện mới từ phiên bản tốt nhất khi nhân vật bắt đầu trôi dạt.

Thay vào đó, người chỉnh sửa cần bảo tồn mọi pixel chưa được chạm sẽ sử dụng tính năng vẽ dựa trên mặt nạ trong trình chỉnh sửa hình ảnh vì chỉ vùng bị che được tái tạo.

Tương lai của việc chỉnh sửa hình ảnh hội thoại với các mô hình đa phương thức

Sự phát triển đang hướng tới chỉnh sửa kết hợp trò chuyện với điều khiển chính xác. Các tính năng có thể bao gồm trỏ tới hoặc đánh dấu đại khái một khu vực bên trong cuộc trò chuyện, giữ danh tính và văn bản nhất quán hơn trong các lượt, hỗ trợ độ phân giải cao hơn và trả về các tệp phân lớp phù hợp với quy trình làm việc chuyên nghiệp. Các công cụ chứng minh nguồn gốc như hình mờ và Thông tin xác thực nội dung có thể sẽ được phổ biến, mặc dù chúng có thể bị loại bỏ. Cũng có những mối quan ngại mở. Việc chỉnh sửa ảnh thật dễ dàng, thực tế giúp thao tác thuyết phục về con người và sự kiện trở nên đơn giản hơn, đồng thời các nền tảng đã hạn chế một số chỉnh sửa liên quan đến cá nhân thực. Mức độ hiệu quả của các mô hình trong việc cân bằng việc chỉnh sửa hữu ích với việc sử dụng sai mục đích cũng như mức độ bảo toàn chi tiết đáng tin cậy sẽ quyết định xem việc chỉnh sửa trò chuyện có thay thế các công cụ truyền thống hay nằm cạnh chúng hay không.

Đưa nó vào thực tế

Tại sao nó quan trọng

  • Tốc độ và tỷ lệ. Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
  • Xây dựng lựa chọn. Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
  • Nhóm và quy trình làm việc. Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.

coi chừng

  • Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
  • Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
  • Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.

Các bước tiếp theo

  1. Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
  2. Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
  3. Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
  4. Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.

Tiếp tục khám phá

Bản tin miễn phí

Nhận bản tóm tắt AI hàng ngày

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

Take the Conversational Image Editing with Multimodal Models quiz

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.

Bắt đầu bài kiểm tra

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

Câu hỏi thường gặp

Chỉnh sửa hình ảnh đàm thoại với mô hình đa phương thức là gì?

Chỉnh sửa hình ảnh hội thoại có nghĩa là thay đổi hình ảnh thông qua một loạt yêu cầu trò chuyện bằng ngôn ngữ đơn giản, chẳng hạn như 'làm mưa làm gió', sau đó là 'bây giờ hãy tháo xe', sử dụng mô hình đa phương thức có thể hiểu cả hình ảnh và cuộc trò chuyện. Nó quan trọng vì nó thay thế mặt nạ, lớp và kỹ thuật nhanh chóng bằng các hướng dẫn hàng ngày. Tuy nhiên, nó hoạt động khác với tính năng vẽ cổ điển và có thể lặng lẽ thay đổi các phần của hình ảnh mà bạn chưa bao giờ yêu cầu nó chạm vào.

Sự khác biệt chính giữa cách vẽ tranh khuếch tán cổ điển và chỉnh sửa trò chuyện đa phương thức gốc là gì?

Inpainting để lại các pixel bên ngoài mặt nạ không bị ảnh hưởng. Các mô hình trò chuyện đa phương thức thường hiển thị lại toàn bộ hình ảnh, dựa trên hình ảnh, văn bản của bạn và lịch sử trò chuyện.

Tại sao chi tiết bạn không yêu cầu thay đổi ca trong quá trình chỉnh sửa đa phương thức?

Không có mặt nạ bảo vệ các khu vực không thay đổi. Mô hình phải tái tạo chúng từ những gì nó đã học nên khuôn mặt, văn bản và họa tiết có thể bị lệch một chút.

Việc truy cập vào lịch sử hội thoại cho phép mô hình đa phương thức làm gì?

Vì mô hình nhìn thấy các tin nhắn và hình ảnh trước đó nên nó có thể hiểu các tham chiếu như "màu áo khoác từ hai lần chỉnh sửa trước".

Mô hình nghiên cứu năm 2022 nào cho thấy hình ảnh có thể được chỉnh sửa từ hướng dẫn bằng văn bản mà không cần đeo mặt nạ?

InstructPix2Pix đã chỉnh sửa hình ảnh chỉ từ hướng dẫn bằng văn bản. SynthID và C2PA là các công nghệ xuất xứ và Nano Banana là biệt danh của mẫu Gemini 2025.

Một bước đi tốt là gì khi sự trôi dạt đã hình thành qua nhiều lượt trò chuyện?

Bắt đầu lại từ một phiên bản mạnh mẽ sẽ đặt lại những thay đổi nhỏ đã tích lũy và việc hướng mô hình về phía bản gốc sẽ mang lại cho nó một tham chiếu rõ ràng hơn.