Három különböző dolog, egy név
A referenciakép szó alatt három, egymástól élesen eltérő mechanizmus rejtőzik. Az egyik a stílust viszi át: színvilág, megvilágítás, ecsetkezelés, filmes jelleg. A másik a tartalmat: egy konkrét arcot, egy konkrét terméket. A harmadik a szerkezetet: hol van mi a képen, milyen a testtartás, hol vannak az élek.
A legtöbb csalódás abból jön, hogy az egyik típustól a másik dolgát várjuk. A stílusreferencia nem fogja átvinni a karakteredet; a karakterreferencia nem fogja átvenni a kompozíciót; a szerkezeti referencia nem hoz magával színvilágot. Az eszközök felületén ez gyakran nem látszik, mert mindhárom ugyanúgy „kép feltöltése" néven jelenik meg.
Stílusreferencia
Ez a legelterjedtebb és a legkevésbé kockázatos. Feltöltesz egy képet, amelynek a hangulatát szeretnéd, és a modell abból a színvilágot, a fénykezelést és a képi jelleget veszi át. A prompt közben szabadon mást mond: más témát, más helyszínt.
Amit tudni kell róla: kifejezetten nem másolja át a tárgyakat és az embereket — az egyik szolgáltató ezt ki is írja a dokumentációjába. És van egy kellemetlen mellékhatása, aminek külön neve van a szakirodalomban: a tartalom átszivárgása. Ha a stílusreferencián egy piros kanapé van, a generált képeken hajlamos felbukkanni valami piros és nagy, akkor is, ha nem kérted. Minél sajátosabb a referencia tartalma, annál erősebb ez.
Karakterreferencia
Itt nem a hangulat, hanem a konkrét dolog a lényeg: ugyanaz az arc, ugyanaz a termék, ugyanaz a kabát. A mai modellek jellemzően nem egy, hanem több referenciát fogadnak, és külön kezelik a szereplőket, a tárgyakat és a stílust — a keretszámok szolgáltatónként eltérnek, de a nagyságrend hasonló: néhány szereplő, néhány tárgy, néhány stíluskép egyszerre.
Két gyakorlati tanács. Az egyik, hogy a referenciakép legyen tiszta és jellegtelen hátterű — minél kevesebb rajta a zavaró elem, annál kevesebb szivárog át belőle. A másik, hogy a karakterreferencia ereje véges: több szereplőnél összecsúsznak az azonosságok. Erről, és arról, mikor éri meg inkább tanítani, a karakter és a termék azonossága poszt szól részletesen.
Szerkezeti referencia
Ez a legkevésbé ismert, pedig a legpontosabb. Nem a kép tartalmát adod át, hanem a vázát: a körvonalakat, a mélységi rétegeket, egy alak testtartását, vagy egyszerűen egy kézzel rajzolt dobozos elrendezést. A modell ezt a szerkezetet követi, a felületet pedig a promptból építi fel.
Ezért ez a módszer a válasz arra a helyzetre, amikor pontosan tudod, mi hova kerüljön. A szavakkal megadott elrendezés a mai modellek leggyengébb képessége; a vázlat viszont nem értelmezést kíván, hanem követést. A módszer részleteiről és a mérési adatokról a kompozíció megadása poszt szól.
A súly, amit állíthatsz
A legtöbb eszköznél a referencia erőssége állítható. Van, ahol csúszka, van, ahol egy szám a prompt végén — a lényeg ugyanaz: mennyire kösse magát a modell a referenciához, és mennyi szabadságot hagyjon a promptnak.
Két végletet érdemes ismerni. Alacsony súlynál a referencia csak halvány irány: felismerhető a hangulat, de a modell szabadon dolgozik. Magas súlynál a referencia gyakorlatilag lemásolódik, és a prompt alig számít — ilyenkor jellemzően a referenciaképhez nagyon hasonló képet kapsz, ami ritkán az, amit akartál. A használható tartomány szinte mindig a kettő között van, és érdemes két-három súllyal is lefuttatni ugyanazt a promptot, mielőtt eldöntöd, hogy nem működik.
Amit ne keverj
Négy párosítás, ami rendszeresen elrontja az eredményt.
- Erős stílusreferencia + részletes stílusleírás a promptban. A kettő verseng; jellemzően a referencia győz, a prompt stílusrésze pedig fölöslegesen hígítja az egészet.
- Ugyanaz a kép stílus- és karakterreferenciának. Így a modell nem tudja, mit másoljon és mit hagyjon el — a szivárgás maximális lesz.
- Sok referencia egyszerre, ellentmondó tartalommal. A felső határ közelében jellemzően romlik az eredmény, nem javul. Kevesebb, de tisztább referencia jobb.
- Szerkezeti referencia + „legyen kreatív" prompt. A váz épp azért van, hogy ne legyen szabad; ha szabadságot is kérsz, a kettő kioltja egymást.
Tipikus félreértések
- „A referenciakép olyan, mint egy példa a promptban." Nem. A prompt szövegét a modell értelmezi; a referenciaképet külön mechanizmus dolgozza fel, más súllyal és más hatással.
- „Ha nagyobb felbontású referenciát adok, pontosabb lesz." A referenciák jellemzően amúgy is kis méretre kerülnek feldolgozás előtt. A tisztaság számít, nem a felbontás.
- „Amit egyszer beállítottam, az a szolgáltatónál marad." A referenciakezelés funkciói jönnek-mennek: volt olyan eszköz, ahol egy új verzióban a korábbi karakter- és tárgyreferenciát kivették, és mással váltották. Érdemes évente újranézni, mi az aktuális.
- „A referenciakép jogilag semleges." Nem feltétlenül. Ha egy másik művész stílusreferenciájával dolgozol, az nem csak ízléskérdés — érdemes tudatosan a saját anyagaidból építeni referenciakészletet.
Amit érdemes elvinni
Mielőtt képet csatolsz, tedd fel a kérdést: mit akarsz átvinni belőle — hangulatot, konkrét dolgot vagy szerkezetet? A válasz dönti el, melyik referenciatípust kell használnod, és ha ez megvan, a legtöbb „nem azt csinálja, amit kérek" panasz magától megszűnik.