Sådan fikser du unaturlige AI-prøvningsresultater: Fejlfinding på tøj, model og positur

Virker prøvningsbilledet unaturligt, så lad være med straks at prøve lykken med en ny generering: Problemet kan næsten altid føres tilbage til ét bestemt input. En effektiv fremgangsmåde har to trin. Trin et er kategorisering: Galt i print eller kontur – tjek tøjbilledet; fejl i ærmer, nederkant, hænder eller lemmer – tjek modellens positur; person og baggrund kolliderer – tjek beskrivelsesteksten. Trin to er fejlfinding: I denne rækkefølge ændres ét input ad gangen, generér én gang, sammenlign én gang – resultatet selv afslører, hvilket lag problemet ligger i.

Åbn AI-virtuel prøvning, og kør det utilfredsstillende inputsæt, du har i hånden, igennem i rækkefølgen nedenfor. Har du endnu ikke fået din første generering til at virke, kan du starte med „Sådan bruger du AI-prøvning: Komplet guide til at klæde en model i dit tøjbillede“; denne artikel handler kun om fejlfinding, når resultatet virker unaturligt.

Hovedpointer

• Kategoriser, før du går i gang: Problemer med print og kontur tjekkes i tøjbilledet, problemer med ærmer, nederkant og lemmer tjekkes i posituren, og baggrundskonflikter tjekkes i beskrivelsesteksten.
• Ændr ét input ad gangen før hver ny generering, og verificér tøjbillede, modelreference samt pose- og baggrundsbeskrivelse hver for sig – kun så kan ændringerne i resultatet tilskrives noget bestemt.
• Ved printproblemer: Skift først til et tydeligt tøjbillede, der er lagt fladt med forsiden frem og et komplet mønster; ved komplekse bevægelser: Vend først tilbage til naturlig stående positur, og tilføj bevægelsen gradvist igen, når grundlaget er stabilt.
• „Ryd resultater“ nulstiller kun resultatområdet; tøjbilledet, modellen og beskrivelserne på inputsiden bliver stående, som de var – ideelt til en sammenligningsgenerering, hvor kun én ting ændres.

Del først problemet op i tøj, person og scene

Kategoriseringen kommer før ændringerne. Læg det mislykkede prøvebillede og det oprindelige tøjbillede side om side og forstør dem, og markér problemets præcise placering – de fleste problemer falder ind i én af tre kategorier:

At omskrive alle betingelser på én gang er fejlfindingens største synd: Ændres tøjbillede, model og beskrivelse samtidig, ved du ikke, hvem du skal takke, når det bliver bedre, eller hvad du skal føre tilbage, når det bliver værre – og et input, der faktisk var rigtigt, risikerer at blive skiftet ud i forbifarten. Efter kategoriseringen ændres kun det input, der svarer til problemet, mens resten forbliver urørt; så har hver genereringsrunde et klart sammenligningsgrundlag.

Hvordan tøjbilledet påvirker print og kontur

Ved problemer med print og kontur er tøjbilledet den første mistænkte. Tøjoplysningerne i resultatet kan kun komme fra det uploadede tøjbillede: Et mønster, der er skjult af folder, eller en kant, der forsvinder ind i baggrunden, bliver i resultatet til gæt, du ikke kan styre.

Tre almindelige typer tøjbilleder har helt forskellig værdi i fejlfinding:

1. Tydeligt og fladt lagt: Forsiden frem, komplet, print og knapper klart genkendelige, konturkanterne hele – det bedste udgangspunkt.
2. Folder og dækning: Ærmer lægger sig over tøjet, halsudskæringen bunker op, nederkanten er rullet sammen – det tilslørede mønster kan kun gættes under generering, og printet er det, der lettest går galt.
3. Rødet baggrund: Fotoets baggrund er rodet, eller baggrundsfarven ligner tøjets – tøjkontur og baggrund flyder sammen, og resultatet får let kantrester og deformerede konturer.

Kontrollen under upload kigger kun på tre ting: om formatet er JPG, PNG eller WebP, om filen er på maks. 10 MB, og om bredde og højde ligger mellem 384 og 3072 pixel – overskrides én af grænserne, stoppes filen allerede ved valget. At komme igennem kontrollen betyder kun, at filen kan uploades, ikke at den egner sig til generering. Ved fejlfinding på print er det som regel hurtigere at skifte til et tydeligere, fladt lagt billede end at lappe på det gamle igen og igen.

Ligner tøjets farve fotoets baggrund, og resultatet har rester fra baggrunden, kan du slå „AI-baggrundsfjernelse“ til før upload: Kontakten er som standard slået fra; når den er slået til, sender værktøjet billedet af overdel, underdel eller heldragt til baggrundsfjernelse først og erstatter derefter det oprindelige billede i uploadfeltet med versionen uden baggrund, så rester fra baggrunden forsvinder ved roden. Kontakten kan dog ikke løse et mønster, der i sig selv er utydeligt – det kræver et nyt billede.

Hvordan modellens positur påvirker ærmer og nederkant

Ærmer, der hænger i luften, nederkant i forkert retning og fejl i hænder hænger oftest sammen med positurens kompleksitet. Ved naturlig stående positur er mellemrummene mellem arme og krop stabile, og tøjets fald er tydeligt; skiftes der til bevægelser som hånd på hoften, løftet arm, vending eller gang, bliver der markant flere steder, der kan gå galt:

• Dækning: Armen lægger sig over tøjet eller lommerne, og det dækkede mønster kan kun gættes;
• Armplacering: Ved løftet arm passer ærmeafslutning, skulderlinje og overgangen til tøjet let ikke sammen;
• Kroppens retning: Set fra siden eller i halv vending er sammenhængen mellem tøjets for- og bagside sværere at ramme.

Fejlfinding på denne type problemer har en fast manøvre: Gendan pose- og baggrundsbeskrivelsen til standardsætningen „Fuld figur, naturligt stående, lys ensfarvet baggrund, blødt studiolys“, og generér igen. Kan detaljerne gendannes, er materialet i orden – det var positurens kompleksitet, der oversteg den nuværende kombinations stabilitet. Bliver detaljerne stadig forkerte, går du tilbage til forrige afsnit og skifter tøjbilledet. Når stabiliteten er bekræftet, tilføjes bevægelsen trinvist igen – ét trin ad gangen med én generering – og når kompleksiteten begynder at give fejl, har du svaret.

Med eget modelfoto gælder samme logik for selve fotoet: Et billede med hele kroppen, stående positur og jævn belysning er mere stabilt end et med halv krop, siddende positur eller komplicerede stillinger. Modelbilledet følger samme uploadkrav som tøjbilledet, og komplekse poser på fotoet lægger de samme fælder for ærmer og nederkant.

Gør beskrivelsen til konkrete, synlige bevægelser

Prisen på en vag beskrivelse er for meget fortolkningsrum. „Skab en fashionable følelse“ siger ikke, hvor armene er, hvilken vej kroppen vender, eller hvad baggrunden er – alle de tomrum udfyldes hver for sig efter forgodtbefindende. Pose- og baggrundsbeskrivelsen er obligatorisk og er som standard udfyldt med stå-posen; ved fejlfinding retter du direkte i den og udskifter følelsesadjektiver med konkrete, synlige handlinger:

Hold dig til to regler, når du retter beskrivelsen. For det første: Skriv kun handlinger, baggrunde og lys, der kan ses i billedet – ikke ord som „eksklusiv“ eller „stemningsfuld“, der ikke kan efterprøves. For det andet: Ændr kun én bestanddel ad gangen. Fasthold tøjbillede og model, og ændr kun armene fra „hånd på hoften“ til „hænger naturligt“ i én generering, eller kun baggrunden fra „gade“ til „ensfarvet“ i én generering; ændres tre-fire bestanddele i træk, kan resultatets ændringer ikke længere tilskrives noget bestemt.

Skabelonen „Anbefalet baggrund“ i brugerfladen erstatter hele beskrivelsen, og manuel redigering fjerner igen den valgte skabelon. Vær opmærksom på denne udskiftning, når du laver enkeltvariabel-sammenligninger – lad ikke skabelonen i forbifaren ændre den bestanddel, du netop skulle til at fastlægge.

Byg et materialesæt, der kan genbruges næste gang

Udbyttet af fejlfinding er ikke kun et billede, der kan bruges denne gang, men også et sæt verificerede inputs. Gem fire ting sammen, hver gang du får et tilfredsstillende resultat: det anvendte tøjbillede, modelreferencen, den oprindelige pose- og baggrundsbeskrivelse samt det tilhørende resultatbillede. Den næste lignende model starter direkte fra dette sæt – udskift tøjbilledet, og du er i gang – og prøvefejlingen fra nul er sparet væk. Den fulde arbejdsgang til at forberede en hel modelbilledserie til en ny kollektion gennemgås i „Sådan laver tøjsælgere en serie modelbilleder til en ny kollektion med AI-prøvning“.

Arkivet kan holdes enkelt:

• Filerne navngives efter mønsteret „vare-tøjbillede“, „vare-modelreference“ og „vare-resultat“, og beskrivelserne gemmes i et dokument, der er let at bladre i;
• gem én basislinje med stående positur og én pr. almindelig scenetype, som der senere kun laves små rettelser i;
• klik på „Ryd resultater“ i brugerfladen: Kun resultatområdet nulstilles, uploadede billeder og beskrivelser bliver i inputområdet – klar til at starte en ny sammenligningsrunde direkte på det forrige inputsæt.

Knappen „Generér nu“ viser direkte antallet af kreditter, der trækkes i denne runde, så du til enhver tid kan se, hvad de mange sammenligningsrunder tilsammen koster.

Ofte stillede spørgsmål

Printet er ændret – hvilket input skiftes først?

Tøjbilledet først. Printoplysningerne kommer kun fra det uploadede tøjbillede; en endog så præcis beskrivelse kan ikke gendanne et mønster, der ikke kan ses i billedet. Skift til et billede, der er lagt fladt med forsiden frem og med komplet mønster, og generér igen; ligner tøjets farve baggrunden, slås „AI-baggrundsfjernelse“ til før upload. Er printet stadig tydeligt galt efter skiftet til et klart billede, skal du undersøge, om beskrivelsen indeholder bestanddele, der ændrer billedet.

Hvorfor går komplekse poser oftere galt?

Jo mere kompleks bevægelsen er, desto flere dækninger og perspektivforhold opstår der. Når armen lægger sig over tøjet, eller kroppen vender sig til siden, skal både det skjulte mønster og sammenhængen mellem tøjets for- og bagside gættes – der er flere fejpunkter end ved naturlig stående positur. I fejlfindingsfasen: Vend først tilbage til naturlig stående positur, og bekræft, at tøjdetaljerne er stabile, og tilføj derefter bevægelsen trinvist igen.

Hvordan vurderer du, om modelfotoet skal skiftes?

Vurdér i to trin. Generér først én gang med en officiel standardmodel: Forsvinder problemet, skyldtes det kompleksiteten i dit eget modelfoto; består problemet, vender du tilbage til tøjbillede og beskrivelse. Vil du holde fast i din egen model, så udskift billeder med halv krop, siddende positur eller ujævn belysning med billeder af hele kroppen, stående og med jævnt lys, før du prøver igen.

Prøv igen fra ét konkret problem

Vend tilbage til det seneste utilfredsstillende resultat, placer det i kategorien tøj, person eller scene, og ændr derefter kun det tilsvarende input – skift til et tydeligt, fladt lagt tøjbillede, vend tilbage til naturlig stående positur eller gør beskrivelsen til en konkret, synlig handling – generér igen, og sammenlign ændringen i netop det detaljepunkt.

Åbn AI-virtuel prøvning, og start forfra ved kategoriseringstrinnet.