Generarea de imagini cu inteligență artificială înseamnă crearea unei imagini noi pornind de la o descriere în cuvinte, numită prompt. Cele mai multe sisteme actuale folosesc modele de difuzie: rețele neuronale care au învățat să transforme, pas cu pas, un câmp de pixeli aleatorii, asemănător cu purecii de pe ecranul unui televizor fără semnal, într-o imagine care corespunde textului primit.
Procesul pare magic, dar are o logică ușor de urmărit. Mai jos vezi cum învață un astfel de model, cum leagă cuvintele de forme și culori, de ce face greșeli tipice, ce poți controla ca utilizator și ce întrebări juridice și etice ridică imaginile generate.
Ideea centrală: a învăța să elimini zgomotul
Un model de difuzie este antrenat să facă un singur lucru: să privească o imagine stricată cu zgomot și să estimeze ce zgomot trebuie scos ca să se apropie de imaginea curată. După ce stăpânește această sarcină, poate porni chiar de la zgomot pur și, eliminându-l treptat, ajunge la o imagine complet nouă.
Analogia potrivită este un sculptor care scoate statuia dintr-un bloc de piatră. Blocul este zgomotul, iar fiecare pas îndepărtează o bucată care nu aparține formei finale. Diferența este că sculptorul digital nu are un model în față, ci doar descrierea ta și ce a învățat din milioane de exemple.
Cum se antrenează un model de difuzie
Antrenarea are două direcții: un proces de stricare, fix și simplu, și un proces de reparare, pe care rețeaua trebuie să-l învețe. Datele de antrenare sunt perechi de imagini și descrieri text.
Difuzia înainte: stricarea controlată
Fiecare imagine din setul de antrenare este stricată treptat, în zeci sau sute de pași, prin adăugarea de zgomot aleatoriu. La primii pași abia se observă; spre final, imaginea devine zgomot pur, fără nicio urmă din conținutul inițial. Acest proces nu necesită învățare: este o rețetă matematică.
Difuzia inversă: repararea învățată
Rețeaua primește o imagine dintr-un pas intermediar, informația despre cât zgomot are și descrierea text, și trebuie să estimeze zgomotul adăugat. Compară estimarea cu zgomotul real, măsoară eroarea și își ajustează ponderile, prin mecanismul de antrenare descris în Rețelele neuronale: cum învață un model din date. După milioane de astfel de exerciții, rețeaua devine foarte bună la a ghici cum ar arăta imaginea cu puțin mai puțin zgomot.
| Etapă | Ce se întâmplă | Cine o face |
|---|---|---|
| Difuzie înainte | imaginea reală devine treptat zgomot | o formulă fixă, fără învățare |
| Antrenare | rețeaua învață să estimeze zgomotul adăugat | rețeaua neuronală, pe milioane de exemple |
| Generare | zgomotul aleatoriu devine treptat imagine nouă | rețeaua antrenată, ghidată de text |
Legătura dintre cuvinte și imagine
Modelul înțelege descrierea ta pentru că textul este transformat într-o reprezentare numerică de un codificator de text, antrenat separat să așeze imaginile și descrierile lor în același spațiu de sens. În acest spațiu, vectorul pentru „pisică pe pervaz” se află aproape de vectorii imaginilor care arată exact asta.
La fiecare pas de curățare, rețeaua primește acest vector și îl consultă prin mecanismul de atenție încrucișată: fiecare zonă a imaginii în formare „întreabă” care cuvinte din descriere o privesc. Așa ajunge cerul să fie albastru și pisica să stea pe pervaz, nu invers. Mecanismul de atenție este același tip de idee care stă la baza modelelor de text, explicate în Modelele de limbaj mari (LLM): cum generează text.
Ghidarea după text
O setare numită, în general, scară de ghidare stabilește cât de strict urmează modelul descrierea. Valorile mici dau imagini mai naturale, dar mai libere față de cerere; valorile mari respectă textul mai fidel, dar pot produce culori stridente și detalii artificiale.
Spațiul latent: de ce generarea e rapidă
Majoritatea modelelor moderne nu lucrează direct pe pixeli, ci într-un spațiu latent, o versiune comprimată a imaginii, de multe ori mai mică, care păstrează structura și renunță la detaliile redundante. Curățarea zgomotului se face în acest spațiu, iar la final un decodor transformă rezultatul înapoi în pixeli.
Avantajele sunt mari: calculele sunt de zeci de ori mai puține, generarea durează secunde în loc de minute, iar unele modele pot rula chiar pe calculatoare personale cu plăci grafice performante. Principiul este înrudit cu compresia imaginilor obișnuite, explicată în Compresia datelor: cum se micșorează fișierele digitale.
Pașii unei generări, de la prompt la imagine
O generare tipică parcurge o succesiune fixă de etape, iar câteva dintre ele pot fi controlate de utilizator în aplicațiile mai avansate.
- Textul este codificat: promptul devine un vector de sens.
- Se alege o sămânță (seed): un număr care determină zgomotul de pornire. Aceeași sămânță, cu același prompt și aceleași setări, dă aceeași imagine.
- Se generează zgomotul inițial în spațiul latent.
- Urmează pașii de curățare: de obicei între câteva și câteva zeci; la fiecare pas zgomotul scade, iar formele devin mai clare.
- Decodorul transformă rezultatul în pixeli.
- Opțional, imaginea este mărită de un model separat, care adaugă detalii fine.
| Setare | Efect | Când o modifici |
|---|---|---|
| Număr de pași | mai mulți pași, mai multe detalii, timp mai lung | când imaginea pare neterminată |
| Scara de ghidare | cât de strict urmează textul | când rezultatul ignoră o parte din cerere |
| Sămânța | punctul de pornire aleatoriu | când vrei variante sau vrei să reproduci un rezultat |
| Prompt negativ | ce să evite modelul | când apar elemente nedorite repetat |
| Dimensiuni | raportul laturilor și rezoluția | după unde vei folosi imaginea |
Sfat: Descrie imaginea în ordinea importanței: subiectul, acțiunea, cadrul, lumina, stilul și unghiul. Cuvintele vagi de tipul „frumos” sau „spectaculos” ajută mult mai puțin decât detaliile concrete despre lumină și compoziție. Principiile generale de formulare sunt în Prompturile: cum formulezi cereri clare pentru un asistent AI.
De ce greșește: mâini, text și logică
Erorile tipice ale imaginilor generate vin din faptul că modelul învață aspectul statistic al lucrurilor, nu structura lor; știe cum arată de obicei o mână, dar nu „știe” că are cinci degete. Aceste erori sunt o variantă vizuală a halucinațiilor descrise în Halucinațiile AI: de ce inventează uneori modelele.
- Mâinile: apar în fotografii în mii de poziții, parțial ascunse, încleștate, în mișcare. Modelul a văzut rar o mână completă și clară, așa că produce degete în plus, lipite sau îndoite imposibil.
- Textul: literele sunt forme mici, cu reguli stricte. Modelele mai vechi produceau semne care doar seamănă cu literele; cele noi scriu mai bine cuvinte scurte, dar greșesc des la texte lungi sau în română, cu diacritice.
- Logica spațială: obiecte care trec unele prin altele, umbre în direcții diferite, reflexii care nu corespund obiectului.
- Numărarea: „cinci mere pe masă” devine des patru sau șase.
- Consistența: aceeași persoană sau același personaj arată diferit de la o imagine la alta, fără tehnici speciale.
Editarea imaginilor și alte utilizări
Același mecanism de curățare a zgomotului poate fi folosit și pentru a modifica imagini existente, nu doar pentru a crea unele noi. Funcțiile acestea apar deja în programele obișnuite de editare foto și în aplicațiile de pe telefon.
- completarea unei zone (inpainting): ștergi un obiect și modelul reconstruiește fundalul;
- extinderea cadrului (outpainting): imaginea este continuată dincolo de marginile originale;
- transformarea de stil: o fotografie devine schiță, acuarelă sau desen tehnic;
- mărirea rezoluției: o imagine mică primește detalii plauzibile, dar inventate, deci nu potrivite pentru scopuri de identificare sau probă;
- schițe pentru proiecte: variante rapide de design, amenajări, ilustrații pentru prezentări.
Imaginile reale versus cele generate
Pentru că aceleași tehnici pot imita fotografii reale, ele sunt folosite și pentru falsuri: persoane care nu există, evenimente care nu au avut loc, chipuri reale puse în situații false. Felul în care sunt construite și recunoscute aceste falsuri este explicat în Deepfake-urile: cum sunt create și cum le recunoști.
Drepturi, etichetare și folosire responsabilă
Imaginile generate ridică trei întrebări practice: pe ce date a fost antrenat modelul, cine are drepturi asupra rezultatului și cum află privitorul că imaginea nu este o fotografie reală. Răspunsurile depind de legislație, de țară și de condițiile serviciului folosit.
Datele de antrenare și drepturile de autor
Modelele au fost antrenate pe volume mari de imagini, unele protejate de drepturi de autor. Statutul juridic al acestei practici este dezbătut și diferă de la o jurisdicție la alta. În Uniunea Europeană, furnizorii modelelor de uz general au obligații de transparență privind datele de antrenare și de respectare a regulilor privind drepturile de autor, conform regulamentului rezumat în Regulamentul european privind AI (AI Act) pe scurt.
Etichetarea conținutului generat
Tot regulamentul european cere ca imaginile, sunetele și clipurile generate sau manipulate artificial să fie marcate într-o formă care poate fi detectată automat, iar deepfake-urile să fie semnalate ca atare de cei care le publică. Tehnic, marcarea se face prin metadate atașate fișierului sau prin filigrane invizibile, care pot însă fi pierdute la editare sau la capturi de ecran.
Atenție: Condițiile de utilizare diferă de la un serviciu la altul, inclusiv în privința folosirii comerciale a imaginilor. Citește-le înainte de a folosi o imagine generată într-un material publicitar, iar pentru situații concrete cere sfatul unui jurist; legislația în domeniu evoluează.
Reguli de bun-simț:
- nu genera imagini cu persoane reale în situații false sau compromițătoare;
- semnalează clar când o imagine folosită public este generată;
- nu folosi imagini generate ca dovadă a unui fapt real;
- evită imitarea stilului inconfundabil al unui artist în viață pentru scopuri comerciale.
Ce merită reținut despre imaginile generate
Modelele de difuzie creează imagini pornind de la zgomot și eliminându-l pas cu pas, ghidate de descrierea transformată în vectori de sens. Lucrează de obicei într-un spațiu latent comprimat, ceea ce le face rapide, și pot fi controlate prin prompt, sămânță, număr de pași și scară de ghidare. Erorile tipice la mâini, text și logică vin din faptul că modelul imită aspectul statistic, nu structura reală a lucrurilor. Locul acestor modele în familia mai largă a AI generative este explicat în Inteligența artificială explicată: ghid complet pe înțeles.
De reținut:
- antrenarea învață modelul să estimeze și să scoată zgomotul;
- textul ghidează fiecare pas prin mecanismul de atenție;
- aceeași sămânță și aceleași setări reproduc aceeași imagine;
- imaginile generate nu sunt dovezi și pot conține detalii inventate;
- conținutul generat trebuie semnalat, iar drepturile depind de lege și de condițiile serviciului.
Întrebări frecvente
De ce se numește difuzie?
Numele vine din fizică, unde difuzia descrie răspândirea treptată a unei substanțe, ca o picătură de cerneală în apă. La fel, informația din imagine se „împrăștie” în zgomot, iar modelul învață drumul invers.
Modelul copiază imagini din datele de antrenare?
De regulă nu, ci generează combinații noi de tipare învățate. În cazuri rare, mai ales pentru imagini foarte des repetate în date, modelele pot reproduce fragmente apropiate de original.
De ce primesc altă imagine la același prompt?
Pentru că zgomotul de pornire este ales aleatoriu la fiecare generare. Dacă fixezi sămânța și păstrezi setările, rezultatul se poate reproduce.
Pot folosi imaginile generate pe site-ul firmei?
Depinde de condițiile serviciului folosit și de legislația aplicabilă. Verifică licența oferită, evită persoanele reale și mărcile protejate și semnalează conținutul generat.
