Mafunzo ya kurekebisha vigezo vya mtindo wa mabango ya filamu kwenye Z-Image-Turbo

Mafunzo ya AI · Safu ya ubora wa picha

Z-Image-Turbo imeendesha vizuri, lakini picha zinatoka zikiwa za plastiki? Nimeifanyia marekebisho kwa nusu mwezi, na hatimaye nimeanza kuelewa siri ya mabango ya sinema

Workflow ileile, modeli ileile: wengine wanatoa picha zinazofanana na mabango ya sinema yanayoonyeshwa kwenye kumbi, wewe unatoa picha zinazofanana na ukurasa wa maelezo ya bidhaa wa Taobao. Tatizo si modeli, bali hujui "ubora" unapimwaje.

#ComfyUI#ZImageTurbo#AIImageGeneration#MoviePoster#AdvancedPrompt

Maelezo kuhusu utengenezaji kwa msaada wa AI: Makala hii ilisaidiwa na AI katika kupanga muundo na mpangilio; matukio yote ya kushindwa wakati wa kurekebisha vigezo, marekebisho mahususi ya parameta, na tathmini ya ubora wa picha ni kumbukumbu halisi za majaribio yangu ya mikono kwenye ComfyUI ya ndani. Zana zote ni kwa ajili ya kujifunza binafsi tu, si za kibiashara wala uzalishaji wa maudhui kwa wingi.

◆ ◆ ◆

Makala iliyotangulia ilieleza jinsi ya kuendesha workflow ya msingi ya Z-Image-Turbo, jinsi ya kuweka vigezo, na mitego ya kuepuka.

Baada ya kuifanya iendeshe vizuri, nilifurahia kwa muda.

Unabofya kuzalisha, na baada ya sekunde 10 unapata picha ya 1024×1024. Kadi ya picha ya 4060 inaendesha kwa kasi, na nilipoona kiolesura cha ComfyUI kikitoa picha mfululizo, nilifurahi sana.

Hata hivyo, muda mfupi baadaye niligundua tatizo lililonikera sana.

Picha zilizozalishwa zilikuwa... ukiitazama mara moja tu, unaona wazi kuwa zimetengenezwa na AI.

Ni kama kununua nguo mpya, ukaivaa na kuona inakupendeza, halafu ukitoka nje ukagundua kila mtu amevaa mtindo huohuo. Mara moja hutaki tena kuivaa.

Picha za AI ziko hivyo pia: laini kupita kiasi, mwanga kama wa taa bapa ya LED, na kompozisheni ambayo huwezi kusema tatizo liko wapi, lakini bado haikai sawa.

Kwa kifupi, ni "hisia ya plastiki".

Si kwamba modeli si nzuri; ni kwamba mimi sikujua kuitumia.

Katika nusu hii ya mwezi, nilirekebisha picha moja mara kwa mara na kutengeneza zaidi ya matoleo 30. Hatimaye nilianza kuelewa mbinu. Leo nitaandika majaribio yote yaliyoshindikana na nilichojifunza.

◆ ◆ ◆

Kwanza nikiri: toleo langu la kwanza la picha ya "kiwango cha juu" lilikuwa la aibu kiasi gani

Baada ya kuendesha workflow ya msingi, nilijiona nimefika.

Kwa kuwa vigezo vya msingi vilikuwa vimewekwa sawa, nilifikiri niweke tu prompt ya kiwango cha juu. Movie poster, cinematic lighting, 8K, masterpiece, maneno hayo yote niliyarundika.

Matokeo?

Huu ni mfano halisi: nilitaka kutengeneza bango la filamu ya kisayansi. Niliandika Prompt hivi:

A epic sci-fi movie poster, futuristic city, giant spaceship,
neon lights, cinematic lighting, masterpiece, 8K, ultra detailed

Nilibonyeza kuzalisha, na baada ya takriban sekunde 10 likatoka. Picha ilikuwa hivi:

▲ Toleo lililoshindikana: vipengele vilivyorundikwa, rangi zinazochoma macho, mwanga bapa. Mfano wa kawaida wa "hisia ya plastiki ya AI"

Kwa kweli, nililitazama picha hili na kukaa kimya kwa takriban sekunde kumi.

Hili si bango la filamu ya kisayansi. Hiki ni kifuniko cha mchezo kilichotengenezwa kwa yuan 100 na mtu wa Taobao.

Nilipolichanganua baadaye, niligundua matatizo matatu makubwa:

• Prompt ilikuwa na tamaa kupita kiasi. Nilijaza tukio moja kwa "jiji la baadaye + chombo kikubwa cha anga + taa za neon". Vipengele vilirundikwa, na modeli haikujua pa kuweka msisitizo.
• Rangi hazikudhibitiwa. Kwa kuwa sikuandika mwelekeo wa toni, Z-Image-Turbo ilinipa mpangilio wa rangi "angavu lakini wa bei rahisi" kwa chaguo-msingi.
• Mwanga haukufafanuliwa. Nilisema tu "cinematic lighting", bila kueleza mwelekeo wa chanzo cha mwanga, uwiano wa mwangaza, au kina cha vivuli.

Bila kutatua matatizo haya matatu, hata modeli nzuri kiasi gani haiwezi kutoa ubora wa sinema.

◆ ◆ ◆

Kitu nilichochukua nusu mwezi kukielewa

Si suala la kama modeli inaweza kutoa picha nzuri, bali kama wewe mwenyewe unajua "nzuri" ni nini.

Sentensi hii inaweza kusikika ya kinadharia, lakini nieleze kwa lugha rahisi:

Ukimwomba mtu ambaye hajawahi kuona bango la filamu atengeneze bango, ataweza? Hapana. Kwa sababu akilini mwake hana hazina ya mifano ya "bango la filamu linapaswa kuonekanaje".

Ni hivyo hivyo kwa utengenezaji wa picha kwa AI. Kama huna kiwango wazi cha "picha nzuri" akilini, prompt yako haiwezi kulenga kiini.

Kwa hiyo katika nusu hii ya mwezi, sikuwa nikirekebisha vigezo tu; nilikuwa nikijenga kiwango changu cha urembo.

Nilifanya mambo matatu:

• Nilitoa zaidi ya mabango 200 ya filamu niliyohifadhi kwenye Pinterest na kuyachanganua moja baada ya jingine
• Nilivunja kila picha katika vipengele vitatu: toni, kompozisheni na mwanga-kivuli
• Nilijaribu mara kwa mara kwa Z-Image-Turbo, nikibadilisha kipengele kimoja tu kila mara na kuangalia matokeo

Unauliza kama ilikuwa ngumu? Ndiyo. Ilikuwa na thamani? Ndiyo.

Hivi ndivyo nilivyobaini viwango vitatu vya msingi kwa kurekebisha picha moja baada ya nyingine.

◆ ◆ ◆

Ukitaka ubora wa sinema, anza kwa kushughulikia mambo haya matatu

Jambo la kwanza: toni ya rangi. Usiiache AI ikuchagulie rangi

Hili ndilo jambo linalopuuzwa kwa urahisi zaidi, na pia ndilo lenye madhara makubwa zaidi.

Z-Image-Turbo ni mahiri, lakini inapofika kwenye "kuchagua rangi", ladha yake ni ya kawaida sana.

Inamaanisha nini kuwa ya kawaida? Rangi zilizojaa sana, kontrasti kubwa, na mwonekano mkali unaochoma macho. Ni kwa sababu picha za aina hii ndizo zilizokuwa na kiwango cha juu zaidi cha kubofya kwenye data ya mafunzo.

▲ Toni ya kijivu ya sinema yenye saturation ya chini: vivuli vya bluu iliyokolea + mwanga laini wa cyan wa mazingira, kwa mtindo wa Blade Runner 2049

Lakini mabango ya filamu hayako hivyo kamwe. Tazama bango lolote la filamu linaloonyeshwa kwenye kumbi:

• Filamu za kisayansi: bluu baridi + kijivu kilichokolea + neon hafifu, kana kwamba picha imelowa kwenye maji ya barafu
• Filamu za mtindo wa Kichina: cyan ya wino + kijivu tulivu + mwanga laini wa dhahabu hafifu, kama mchoro wa wino unaotawanyika
• Filamu za mijini: mandhari ya usiku yenye saturation ya chini + madoa ya mwanga wa machungwa yenye joto, kama taa ya barabarani katika usiku wa mvua

Jambo la pamoja ni lipi? Saturation ya chini.

Si kwamba hakuna rangi, bali hazichomi macho, hazinyang'anyi tukio umakini, na zina nafasi ya kupumua.

Sasa mimi huandika wazi mwelekeo wa toni ndani ya prompt:

Bad（Too vague）:
cinematic lighting, masterpiece

Good（Specific）:
muted desaturated color palette, deep navy blue shadows,
soft cyan ambient light, no bright saturated colors,
film grain texture, cinematic color grading like Blade Runner 2049

Workflow ileile, lakini baada ya kuongeza maelezo ya toni, ubora wa picha ulibadilika kabisa.

Mtego niliokutana nao: Mara ya kwanza niliandika "low saturation", lakini picha iliyotoka ilikuwa ya kijivu na yenye ukungu kama iliyofifia. Baadaye nilibadilisha kuwa "muted cool tones with subtle color depth" (toni za baridi zilizotulia zenye kina hafifu cha rangi), ndipo matokeo yakawa mazuri.

Unaona? Katika uchaguzi wa maneno ya prompt, hata neno moja haliwezi kuchaguliwa kiholela.

◆ ◆ ◆

Jambo la pili: kompozisheni. Usiiache modeli ijitungie

Z-Image-Turbo ina tatizo moja kwenye kompozisheni: inapenda kuweka mhusika katikati kabisa ya picha, kisha kujaza maelezo kila upande.

Hili si tatizo kitaalamu, lakini kwa upande wa urembo ni kama kiolezo cha kawaida sana.

Mabango halisi ya filamu huwa na mantiki ya kompozisheni:

• Kanuni ya theluthi: mhusika huwekwa kwenye theluthi moja ya picha, huku nafasi ya kupumua ikiachwa
• Ulengaji wa katikati: mtu yuko katikati, lakini mandhari ya nyuma ina kina, si kama amebandikwa juu yake
• Nafasi ya dhahabu: picha huwa na sehemu "tupu", si kila kona kujazwa

▲ Kompozisheni ya kanuni ya theluthi: mhusika yuko kwenye theluthi ya kushoto, huku nafasi kubwa upande wa kulia ikiwekwa kwa mandhari ya anga la jiji

Hivi ndivyo ninavyodhibiti kwenye prompt:

Bad:
beautiful composition

Good:
rule of thirds composition, subject placed on left third line,
generous negative space on the right,
shallow depth of field focusing on subject,
clean and uncluttered background, professional poster layout

Mtego niliokutana nao: Wakati mmoja niliandika "minimalist composition" (kompozisheni ya kiminimalisti), lakini modeli ilielewa kuwa "hakuna chochote kwenye picha" na kunipa mandhari ya rangi moja tupu. Baadaye nilibadilisha kuwa "clean composition with intentional negative space" (kompozisheni safi yenye nafasi tupu iliyokusudiwa), ndipo matokeo yakawa sahihi.

◆ ◆ ◆

Jambo la tatu: mwanga na kivuli. Usifanye picha ionekane kama imeangazwa na taa bapa ya LED

Hii ndiyo hatua muhimu zaidi ya kubadilisha "hisia ya AI" kuwa "hisia ya sinema".

Mwanga wa picha za kawaida zinazozalishwa na AI ni kama taa ya paneli ya LED inayosambaza mwanga sawasawa. Kila sehemu ina mwanga, hakuna utofauti wa mwanga na giza, wala hisia ya ujazo.

Lakini mwanga kwenye bango la filamu huwa na "ujazo":

• Hali ya Tyndall: mwanga hupenya kupitia dirisha au tabaka la mawingu, na miale huonekana
• Mwangaza wa nyuma wa kuunda silueti: kuna mwanga nyuma ya mhusika, na kingo zake huangaza
• Tabaka za mwanga na giza: sehemu zenye mwanga hazichomi macho, sehemu za giza hazifi kabisa, na kuna mpito katikati

▲ Athari ya mwanga wa ujazo: miale ya Tyndall ikipenya kwenye ukungu, huku mwanga wa dhahabu wa kingo ukichora silueti ya mhusika

Sasa mimi huandika mwanga kwenye prompt hivi:

Bad:
good lighting

Good:
volumetric lighting with visible light rays,
rim light creating a subtle glow around the subject's silhouette,
soft shadows with detail in the dark areas (not crushed blacks),
god rays filtering through the scene, atmospheric haze

Mtego niliokutana nao: Mwanzoni niliandika "dramatic lighting" (mwanga wa kidrama), lakini modeli ilinipa mwanga wa jukwaani unaomlenga mhusika, huku nusu ya uso ikiwa angavu na nusu ikiwa giza, kama kwenye filamu ya kutisha. Baadaye nilibadilisha kuwa "soft cinematic volumetric lighting, gradual shadow falloff" (mwanga laini wa sinema wenye ujazo, kivuli kinachopungua taratibu), ndipo matokeo yakawa sahihi.

◆ ◆ ◆

Mandhari tatu, na jinsi nilivyozirekebisha

Mandhari ya kwanza: mtindo wa sakata la kisayansi. Jambo kuu ni "baridi" na "ukubwa"

Huu ndio mwelekeo uliotumia muda wangu mwingi, na pia ndio unaoshindikana kwa urahisi zaidi.

▲ Mtindo wa sakata la kisayansi: anga la kina + muundo mkubwa + toni za bluu baridi + vumbi hafifu linalong'aa

Mambo ya msingi:

• Toni: bluu iliyokolea + kijivu cha nyota, pamoja na neon hafifu, lakini si rangi angavu za cyberpunk
• Kompozisheni: pana na kubwa; mhusika achukue takriban 30% ya picha, huku nafasi kubwa ikiachwa kwa anga la ulimwengu
• Mwanga: mwanga wa nyuma + mwanga wa ujazo, ili picha iwe na kina kinachoonyesha "mwanga uko mbali"

Maneno muhimu ya prompt yangu:

deep space background, massive monolithic structure,
cold navy blue and steel gray tones, subtle cyan rim light,
atmospheric dust particles floating in zero gravity,
cinematic anamorphic lens flare, widescreen 2.35:1 composition

Kumbukumbu ya kushindwa: Wakati mmoja niliandika "stars and galaxies", na modeli ikanichorea nebula nyingi za rangi, kama mandhari ya eneo-kazi la Windows XP. Baadaye nilibadilisha kuwa "deep space void with subtle distant starlight", ndipo ikatoa hisia ile ya kina na uwazi mpana.

◆ ◆ ◆

Mandhari ya pili: mtindo wa kichina wa xianxia. Jambo kuu ni "ulaini" na "nafasi tupu"

Huu ndio mwelekeo ulionishangaza zaidi. Kwa kweli, Z-Image-Turbo inaelewa urembo wa Mashariki vizuri; muhimu ni kuipa mwongozo sahihi.

▲ Mtindo wa kichina wa xianxia: mandhari ya milima na maji yenye wino wa cyan + bahari ya mawingu + mwanga laini wa kifahari + nafasi kubwa tupu

Mambo ya msingi:

• Toni: cyan ya wino + kijivu tulivu + mwanga laini wa dhahabu hafifu; epuka rangi za jadi zenye nyekundu na kijani zilizopitiliza
• Kompozisheni: nafasi tupu ndiyo roho. Mhusika awe chini kidogo au pembeni, huku bahari kubwa ya mawingu, milima na anga vikitawala
• Mwanga: mwanga laini uliotawanyika; epuka kontrasti kali, uwe kama mwanga wa ukungu mwepesi wa asubuhi

Maneno muhimu ya prompt yangu:

traditional Chinese ink wash painting aesthetic,
misty mountain peaks disappearing into clouds,
soft celadon green and warm grey tones,
diffused morning light through fog,
scholar viewing the landscape from a pavilion,
ethereal atmosphere, negative space on the upper half, poetic mood

Rekodi ya hitilafu: Mara ya kwanza nilipoandika "Chinese fantasy movie poster", modeli ilinipa mtindo wa tangazo la mchezo wa mtandaoni—silaha za dhahabu, mabawa na panga zinazoruka kila mahali. Baadaye nilipoandika wazi "classical ink painting style, not fantasy game art", ndipo nilipoweza kurejesha mtindo wa kisanaa.

◆ ◆ ◆

Tukio la tatu: Mtindo wa hisia za mjini—jambo muhimu ni "giza" na "ukaribu"

Mwelekeo huu unafaa zaidi kwa kuwasilisha hisia, na kwa sasa ndio ninaotumia zaidi kwa picha za jalada la akaunti yangu ya umma ya WeChat.

▲ Mtindo wa hisia za mjini: mandhari ya barabara usiku wa mvua + mwanga wa taa za barabarani wenye mng'ao wa machungwa wenye joto + kina kifupi cha uga + upangaji wa rangi wa mtindo wa Wong Kar-wai

Mambo muhimu:

• Toni za rangi: Mandhari ya usiku yenye rangi zilizopunguzwa + nukta za mwanga wa neon wa machungwa yenye joto, kama ule mtindo unaopatikana katika filamu za Wong Kar-wai
• Muundo: Wa kubana na wenye kina cha uga, sehemu ya mbele ikiwa imetiwa ukungu + mhusika katika sehemu ya kati + taa za jiji kwa mbali
• Mwanga: Tumia zaidi vyanzo vya mwanga vya nukta, kama taa za neon + taa za barabarani + mwanga wa madirisha; epuka mwangaza sare unaosambaa eneo lote

Maneno muhimu katika prompt yangu:

rainy night city street, warm amber streetlights reflecting on wet pavement,
shallow depth of field, subject silhouette against blurred city lights,
moody and atmospheric, Wong Kar-wai inspired color grading,
soft bokeh effect in the background, intimate and contemplative mood

Rekodi ya hitilafu: Nilipoandika "rainy night", modeli ilipenda sana kuongeza mwavuli wa uwazi kiotomatiki; karibu kila picha ilikuwa nao. Baadaye niliongeza "no umbrella, rain on the character's coat", ndipo ikaondoka.

◆ ◆ ◆

Historia yangu ya kurekebisha vigezo kwa maumivu na machozi (kwa lugha rahisi)

Usifikiri prompt pekee inatosha. Baadhi ya vigezo visipokuwa sahihi, hata prompt iwe nzuri kiasi gani haitasaidia.

Idadi ya hatua (steps)—si kwamba nyingi ni bora kila wakati

Z-Image-Turbo huwa na hatua 8 kwa chaguo-msingi. Nimejaribu hatua 4, 8, 12 na 20.

Hitimisho: Hatua 8 ndiyo uwiano bora zaidi kati ya utendaji na ubora. Kuanzia hatua 12 na kuendelea, uboreshaji wa maelezo ya picha hauonekani kwa urahisi kwa macho, lakini muda wa kutengeneza picha huongezeka mara mbili. Kwenye kompyuta yangu yenye Windows 11 + RTX 4060 (8G VRAM) + 64G RAM, hatua 8 huchukua zaidi ya sekunde 10 hivi, huku hatua 20 zikihitaji kusubiri kwa muda mrefu zaidi; lakini kwa kusema ukweli, hakuna haja.

CFG—usiibadilishe, ukibadilisha kila kitu huharibika

CFG ya Z-Image-Turbo lazima ibaki 1. Usiulize kwa nini; nilijaribu kuiweka 3, na picha zilizotoka zilionekana kana kwamba zimemwagiwa rangi ya fosforasi. Nilieleza hili katika makala ya utangulizi, lakini narudia kusisitiza tena.

Vigezo vya sampling shift—nimeviweka 3.5

Thamani chaguo-msingi ya shift katika AuraFlow ni 3. Nilijaribu 2, 3, 3.5 na 5.

• 2: Picha huwa na giza zaidi, na maelezo ya sehemu zenye giza hupotea
• 3: Kiwango cha kawaida, hakuna tatizo
• 3.5: Picha huwa angavu kidogo, na maelezo ya sehemu zenye mwanga huwa mengi zaidi—hiki ndicho ninachotumia sasa
• 5: Mwangaza kupita kiasi, sehemu zenye mwanga mkali huwa nyeupe kabisa

▲ Ulinganisho wa vigezo vya shift: mwangaza na mwonekano wa maelezo ya picha chini ya thamani tofauti

Kigezo hiki si cha kudumu; kinategemea mahitaji ya picha yako. Kwa mandhari ya usiku yenye giza, shift ya chini kidogo hutoa mwonekano unaofaa zaidi; kwa mandhari angavu ya mchana, shift inaweza kuongezwa kwa kiasi.

◆ ◆ ◆

Kwa kumalizia

Nusu mwezi uliopita, nilifikiri kwamba "kujua kutumia Z-Image-Turbo" kulimaanisha tu kujua jinsi ya kuweka vigezo na kuendesha workflow.

Sasa ninaelewa kwamba zana ni msingi, lakini uelewa wa kisanaa ndio huweka kikomo cha juu.

Huhitaji kuwa mbunifu mtaalamu, lakini unahitaji kujua "uzuri" ni nini—toni za rangi za picha zinapaswa kuelekea upande gani, muundo unapaswa kuacha nafasi tupu vipi, na mwanga unapaswa kutoka wapi.

Mambo haya matatu hayapaswi kuachwa bila uwazi hata kwa neno moja katika prompt.

Ikiwa pia unatumia Z-Image-Turbo kutengeneza picha, jaribu hivi: usikimbilie kubofya kitufe cha kutengeneza; tumia kwanza nusu saa kueleza wazi katika prompt mambo haya matatu—toni za rangi, muundo na mwanga pamoja na vivuli.

Utagundua kwamba kwa modeli hiyo hiyo, matokeo yanaweza kuwa tofauti kabisa.

Muundo wa makala hii uliandaliwa kwa msaada wa AI. Rekodi zote za kweli za majaribio yaliyoshindikana wakati wa kurekebisha vigezo, majaribio ya vigezo mahususi na tathmini ya ubora wa picha zilitokana na matumizi yangu ya mikono katika ComfyUI ya ndani. Zana zinazohusiana zilitumika kwa ajili ya kujifunza binafsi na kurekodi matumizi ya mikono tu; si kwa matumizi ya kibiashara wala kutengeneza maudhui kwa wingi.