Elias traduz a pesquisa por trás das manchetes em linguagem simples.
Guias passo a passo sobre prompts, estilos e como aproveitar ao máximo a geração de imagens com IA.
Ler os guiasEscolha um companheiro e veja o que ele acha dessa história
Imagens de comida geradas por IA estão se espalhando por cardápios de restaurantes e campanhas de marca — e continuam parecendo erradas das mesmas formas específicas, desde macarrão parecido com minhocas até sorvete que parece massa corrida.
O olhar profundo do The Verge sobre imagens de comida por IA cataloga um show de horrores consistente: camarão com textura de rosquinha, sanduíches Reuben que parecem estar se decomondo, macarrão que se funde em massas únicas parecidas com minhocas, e doces com a tensão superficial de argila molhada. Estes não são falhas aleatórias. Eles decorrem de como modelos de difusão — a classe de IA que gera imagens removendo ruído iterativamente de um campo de pixels — aprendem como a comida se parece.
Modelos de difusão treinam em enormes conjuntos de dados de imagem coletados da web. Fotografia de comida na web tende fortemente para imagens stock idealizadas: hiper-saturadas, muito retocadas e frequentemente compostas. O modelo aprende uma média estatística dessas imagens, não a física de como um macarrão mantém sua forma ou como sorvete derrete sob luzes de estúdio. O resultado são saídas que acertam uma paleta de cores plausível mas falham na lógica material — o modelo não sabe que camarão deveria ter uma translucidez específica, ou que as camadas de um croissant deveriam se separar de uma forma particular.
O problema de contaminação cruzada agrava isso. Porque imagens de comida em conjuntos de treinamento são frequentemente marcadas de forma solta, a representação interna do modelo de «cremoso» ou «fibroso» pode vazar entre categorias. É por isso que você obtém frango que parece fibroso da forma que papel molhado é, ou sorvete que tem as propriedades superficiais de espuma de construção.
A boa notícia para criadores é que a maioria desses modos de falha são endereçáveis no nível do prompt, sem esperar por melhorias do modelo.
O ajuste mais eficaz é especificidade de referência. Em vez de fazer prompt para «uma tigela de ramen», especifique o estilo regional («ramen tonkotsu de Hakata»), a opacidade do caldo («caldo turvo de osso de porco»), e a espessura do macarrão («macarrão fino reto, textura firme»). Modelos performam melhor quando o prompt ancora em uma tradição culinária real que os dados de treinamento realmente contêm, em vez de uma categoria genérica que é mediada entre exemplos incompatíveis.
Descritores de iluminação emprestados de fotografia real de comida — «softbox difuso superior, sombra leve à esquerda» — superam termos vagos como «profissional» ou «apetitoso», para os quais o modelo não tem referente visual consistente.
Prompts negativos importam aqui mais que na maioria das outras categorias de imagem. Excluir explicitamente descritores de textura «surreal», «brilhante», «derretendo», «supersaturado» e «plástico» corta os tipos de artefato mais comuns. Se seu gerador suporta prompting ponderado, reduzir o peso do conceito de imagem de comida «perfeita» (que o modelo associa com as fotos stock super-retocadas que causaram o problema) pode puxar resultados para mais naturalísticos.
Referências de estilo ajudam também. Fazer prompt direcionado à estética de fotografia documentária de uma culinária específica — fotografia de revista de comida japonesa tem um estilo distinto e bem representado na maioria dos conjuntos de treinamento — dá ao modelo uma distribuição mais estreita para amostrar.
Para criadores construindo personagens ou cenas relacionadas a comida no gerador de imagem do Charmloop, os mesmos princípios se aplicam: ancore os elementos de comida em pratos específicos e nomeados e contextos culinários reais em vez de categorias abstratas de comida. A seção de guias tem walkthroughs mais amplos de técnica de prompting que cobrem especificidade e prompting negativo em mais profundidade.
O problema subjacente do modelo — dados de treinamento que não capturam física material — é uma correção mais difícil, e uma que requer mudanças no nível de conjunto de dados e arquitetura que criadores individuais não podem controlar. Mas as soluções alternativas no nível do prompt são reais e utilizáveis hoje, que é o que torna entender a causa raiz valer o esforço.
