सुसंगत कॅरेक्टर डिझाइनसाठी AI ला प्रॉम्प्ट कसा द्यावा

कॅरेक्टर सुसंगतता टिकवण्यासाठी मजकुरात अचल वैशिष्ट्ये परिभाषित करा आणि दृश्य संदर्भांनी त्यांना स्थिर करा, नंतर प्रकाश आणि कोन यांसारखे चल राशी कडकपणे नियंत्रित करा. आपल्या वर्कफ्लोमध्ये कॅरेक्टरची ओळख आणि दृश्याचा संदर्भ वेगळे करून हे साध्य करता येते.

जनरेटिव्ह AI मध्ये कॅरेक्टर ड्रिफ्टची समस्या

जनरेटिव्ह मॉडेल्स प्रॉम्प्ट्सची संभाव्यतेनुसार व्याख्या करतात. जेव्हा तुम्ही विशिष्ट कॅरेक्टरची मागणी करता, तेव्हा मॉडेल शक्य व्याख्यांच्या वितरणातून नमुने घेते. निर्बंधांशिवाय, प्रत्येक जनरेशन हे नवीन डायस थ्रो असते. चेहऱ्याची रचना, केसांची टेक्स्चर किंवा कपड्यांचे तपशील यांमधील लहान बदल प्रतिमांमध्ये जमा होतात. हे ड्रिफ्ट होते कारण मॉडेल विशिष्ट ओळखीच्या खुणांपेक्षा एकूण रचना आणि प्रकाशावर अधिक भर देते. जर तुम्ही आउटपुट सक्रियपणे मर्यादित केले नाही, तर कॅरेक्टर विशिष्ट व्यक्तीऐवजी एक सामान्य आर्केटाइप बनतो.

प्रॉम्प्ट्समध्ये अचल कॅरेक्टर वैशिष्ट्ये परिभाषित करणे

कॅरेक्टरला परिभाषित करणाऱ्या आणि त्यांना अचल मानल्या जाणाऱ्या वैशिष्ट्यांची ओळख पटवणे आवश्यक आहे. हे अचल वैशिष्ट्ये आहेत. यामध्ये विशिष्ट चेहऱ्याची भूमिती, डोळ्यांचा रंग, केसांचा आकार आणि अनोखे कपडे यांचा समावेश होतो. "कूल" किंवा "मिस्टेरियस" यांसारख्या अस्पष्ट शब्दांत कॅरेक्टरचे वर्णन करू नका. भौतिक वास्तवतेचे वर्णन करा. "रग्ड लुक" ऐवजी "शॉर्ट क्रॉप्ड हेअर, डाव्या भुवईवर खरचटलेला डाग, जुना लेदर जॅकेट" असे नमूद करा.

• अचल वैशिष्ट्ये एका निश्चित मजकूर ब्लॉकमध्ये लिहा.
• हा ब्लॉक प्रत्येक प्रॉम्प्टसाठी समान ठेवा.
• जास्त वजन मिळवण्यासाठी हा ब्लॉक प्रॉम्प्टच्या सुरुवातीला ठेवा.
• अनेक व्याख्या सुचवणारे विशेषण वापरू नका. ठोस नावे आणि भौतिक वर्णने वापरा.

जर तुम्ही केसांचे वर्णन बदलले, तर मॉडेल नवीन वर्णनाची व्याख्या वेगळ्या कॅरेक्टर म्हणून करू शकते. मजकूर प्रॉम्प्ट हा प्राथमिक अ‍ॅंकर आहे. जर मजकूर अस्पष्ट असेल, तर प्रतिमा असुसंगत असेल.

रेफरन्स इमेजेस आणि स्टाइल अ‍ॅंकर्सचा वापर

जटिल कॅरेक्टरसाठी फक्त मजकूर पुरेसा नसतो. दृश्य संदर्भ स्थानिक आणि शैलीगत अ‍ॅंकर पुरवतात. ओळखीची मॉडेलची व्याख्या मार्गदर्शित करण्यासाठी तुम्ही कॅरेक्टरची प्रतिमा अपलोड करता. या टप्प्यावर विशिष्ट साधने प्रक्रियेत समाविष्ट होतात.

• Midjourney निवडा जेव्हा एखाद्या विशिष्ट कॅरेक्टर इमेजचा संदर्भ घेऊन नवीन जनरेशन्समध्ये चेहऱ्याची वैशिष्ट्ये आणि स्टाइलिंग सुसंगत ठेवायची असेल.
• Adobe Firefly वापरा जेव्हा Creative Cloud इकोसिस्टीममध्ये जनरेट केलेल्या इमेजेसची स्टाइल आणि ओळख मार्गदर्शित करण्यासाठी कॅरेक्टर रेफरन्स इमेज अपलोड करायची असेल.
• Leonardo.Ai निवडा जेव्हा अनेक इमेज जनरेशन्समध्ये विशिष्ट कॅरेक्टर वैशिष्ट्ये आणि एस्थेटिक्स लॉक करायची असेल.
• Stable Diffusion वापरा जेव्हा LoRA ट्रेनिंगद्वारे कॅरेक्टर डेटासेट्सवर किंवा ControlNet वापरून पोज आणि स्ट्रक्चर लॉकिंगद्वारे अ‍ॅडव्हान्सड सुसंगतता हवी असेल.
• Krea वापरा जेव्हा रियल-टाइम जनरेशनमध्ये कॅरेक्टर ओळख आणि स्टाइल टिकवण्यासाठी इमेज अपलोड करायची असेल.
• Runway वापरा जेव्हा व्हिडिओ सिक्वेन्स जनरेट करताना किंवा स्थिर कॅरेक्टर डिझाइन्स अ‍ॅनिमेट करताना कॅरेक्टर सुसंगतता टिकवायची असेल.
• DALL-E 3 वापरा जेव्हा तपशीलवार, विशिष्ट टेक्स्ट प्रॉम्प्ट्स आणि इटरेटिव्ह रिफाइनमेंटद्वारे कॅरेक्टर सुसंगतता टिकवायची असेल, कारण त्यामध्ये नेटिव्ह इमेज-रेफरन्स फीचर नाही.

या टूल्सचा वापर करताना, आउटपुटचे मूल्यमापन चेहऱ्याची रचना रेफरन्सशी जुळते की नाही यावर करा. दृश्य चांगले दिसते की नाही यावर करू नका. जर चेहरा चुकीचा असेल, तर दृश्य निरर्थक आहे.

प्रकाश आणि कोन बदलांचे व्यवस्थापन

प्रकाश आणि कोन हे जाणवणाऱ्या असुसंगततेचे सर्वात सामान्य कारण आहेत. तेजस्वी दिवसातील कॅरेक्टर सावलीतील त्याच कॅरेक्टरपेक्षा वेगळे दिसते. हे ड्रिफ्ट नाही; हे फिजिक्स आहे. तथापि, मॉडेल्स अक्सर प्रकाश बदलांना ओळख बदल म्हणून अर्थ लावतात.

• जर कॅरेक्टर समान दिसावा असेल तर प्रकाशाचे वर्णन सुसंगत ठेवा.
• जर तुम्ही कोन बदलला, तर चेहऱ्याची वैशिष्ट्ये सरकतील अशी अपेक्षा ठेवा.
• बेसलाइन ओळख स्थापित करण्यासाठी कॅरेक्टर शीट्ससाठी न्युट्रल प्रकाशाचा वापर करा.
• ओळख लॉक झाल्यानंतरच ड्रामॅटिक प्रकाशाचा वापर करा.

जर तुम्ही एका अंधाराच्या गल्लीत आणि नंतर एका तेजस्वी स्टुडिओमध्ये कॅरेक्टर जनरेट केला, तर मॉडेल्स सावल्यांना वेगळ्या चेहऱ्याच्या रचना म्हणून अर्थ लावू शकते. ओळखीला परिसरापासून वेगळे करा. आधी न्युट्रल कॉन्टेक्स्टमध्ये कॅरेक्टर जनरेट करा. मग विशिष्ट परिसरासाठी कॉम्पोझिट करा किंवा प्रॉम्प्ट द्या.

इटरेटिव्ह रिफाइनमेंट आणि निगेटिव्ह प्रॉम्प्टिंग

पहिल्याच प्रयत्नात तुम्हाला बरोबर उत्तर मिळणार नाही. पुनरावृत्त सुधारणा ही कार्यप्रवाहाचा गाभा आहे. अनेक व्हेरिएशन्स जनरेट करा. लक्ष्य ओळखीच्या सर्वात जवळचे असलेले निवडा. त्या निवडीचा नवीन रेफरन्स म्हणून वापर करा. यामुळे एक फीडबॅक लूप तयार होतो जो सुसंगतता अधिक मजबूत करतो.

निगेटिव्ह प्रॉम्प्टिंग अत्यंत आवश्यक आहे. मॉडेलला काय करायचे नाही हे तुम्ही नक्की सांगितले पाहिजे.

• तुमच्या निगेटिव्ह प्रॉम्प्टमध्ये सामान्यतः होणाऱ्या विचलनांची यादी करा.
• "वेगळा चेहरा", "चुकीचे केस" किंवा "सामान्य वैशिष्ट्ये" असे शब्द समाविष्ट करा.
• नवीन प्रकारचे त्रुटी दिसल्यावर निगेटिव्ह प्रॉम्प्टमध्ये सुधारणा करा.

जर मॉडेल पात्राला वेगळ्या नाकाचा आकार देत राहिले, तर निगेटिव्ह प्रॉम्प्टमध्ये "wrong nose shape" हे जोडा. यामुळे ड्रिफ्ट सक्रियपणे रोखली जाते.

सुसंगतता बिघडवणाऱ्या सामान्य चूका

सुसंगततेतील बहुतेक अपयश हे वर्कफ्लोमधील त्रुटींमुळे होते, साधनांच्या मर्यादांमुळे नाही.

• प्रॉम्प्ट्समध्ये पात्राचे वर्णन बदलणे.
• भौतिक वर्णनाऐवजी अस्पष्ट विशेषणे वापरणे.
• ओळख ठरवताना प्रकाश संदर्भ दुर्लक्षित करणे.
• विचलन दबवण्यासाठी निगेटिव्ह प्रॉम्प्टिंग वापरण्यात अपयशी ठरणे.
• पुनरावृत्ती सुधारणेशिवाय परिपूर्ण सुसंगततेची अपेक्षा करणे.
• कमी गुणवत्तेचे किंवा अस्पष्ट असलेले एकच संदर्भ चित्र वापरणे.

जर तुम्ही हे चुका केल्या, तर कोणतेही साधन तुम्हाला वाचवणार नाही. कार्यप्रवाह शिस्तबद्ध असला पाहिजे. मजकूर अचूक असला पाहिजे. संदर्भ स्पष्ट असले पाहिजेत. पुनरावृत्ती सतत चालू ठेवावी.