Superpose використовує ШІ для тренування поз на фото — створено колишніми топменеджерами TikTok

Superpose — застосунок для камери, створений колишніми керівниками TikTok, який аналізує фото або селфі та генерує чотири запропоновані ШІ пози — пряма спроба подолати розрив між тим, як люди хочуть виглядати на знімках, і тим, як вони насправді позиціонують себе перед об'єктивом.

Ключові висновки

• Superpose — новий застосунок для камери від колишніх керівників TikTok, який використовує ШІ для аналізу фотографій і генерації чотирьох варіантів поз.
• Застосунок сканує надіслане селфі або фото та пропонує альтернативні положення тіла й обличчя, адаптовані до суб'єкта.
• На відміну від генераторів зображень ШІ, що вигадують сцени, Superpose орієнтований на реальну фотозйомку — він тренує людину ще до того, як спрацює затвор.
• Продукт знаходиться на перетині обчислювальної фотографії та ШІ-режисури — простору, до якого OpenAI увійшов цього року, придбавши Glass Imaging за 300 мільйонів доларів.
• Для творців ШІ-арту застосунок сигналізує про зростаючий ринок ШІ-інструментів, що формують фотографічний вхідний матеріал — референсні зображення, які живлять робочі процеси генерації.

Що Superpose насправді робить із фотографією

Основна механіка проста: надішліть фото — і застосунок поверне чотири варіанти, що показують, як суб'єкт міг би перепозиціонуватися: різні кути, положення рук, нахили голови, перенесення ваги. Він не генерує синтетичне зображення вас; він генерує інструктивні референси поз, відкалібровані під ваше тіло та статуру. Ця відмінність важлива. Superpose тренує фотографа, а не замінює фотографію.

Ця функція тренування має чітке коріння у візуальній культурі. Фешн-фотографи давно використовують полароїди та миттєві попередні перегляди як режисерські інструменти — знімають один кадр, вивчають його, коригують, знімають знову. Superpose автоматизує цей цикл зворотного зв'язку в щось, що людина може використовувати самостійно, без фотографа по інший бік об'єктива. Результат більше нагадує режисера поз у вашій кишені, ніж фільтр.

Для творців ШІ-арту практичний аспект менш очевидний, але реальний. Референсні фотографії є основою робочих процесів збереження узгодженості персонажів — подача обличчя або тіла в генератор зображень для закріплення стилю чи схожості. Погано позиційований референс вносить незграбну геометрію, яку моделям важко інтерпретувати чисто: сутула плечова лінія читається як деформація, вкорочена рука дає спотворену кінцівку. Кращі вихідні фотографії дають чистіші цілі для інпейнтингу та більш узгоджені вхідні дані для ControlNet. Superpose, використаний до етапу генерації, може суттєво покращити якість референсного матеріалу, що живить ці пайплайни.

ДНК TikTok і що це говорить про ринок

Передісторія команди засновників примітна. Зростання TikTok частково будувалося на алгоритмічному зворотному зв'язку, який повідомляв творцям, що працює — які формати, які монтажні прийоми, які візуальні ритми забезпечують утримання аудиторії. Superpose застосовує версію того самого принципу до статичної фотографії: використовує дані та ШІ, щоб сказати людині, чого хоче камера, ще до того, як людина зафіксує позу.

За даними TechCrunch, застосунок по суті є камерою у своїй основі, а шар ШІ розташований поверх процесу зйомки, а не замінює його. Така архітектура залишає людину в процесі як реального суб'єкта та автора зображення — значущий вибір у момент, коли питання авторства в ШІ-зображеннях далеке від вирішення.

Застосунок, схоже, не орієнтований на професійних фотографів, які вже мають режисерів, асистентів і роки м'язової пам'яті. Він орієнтований на широку середину — людей, які хочуть фотографій, що виглядають навмисними, а не випадковими, і яким бракує словника, щоб досягти цього самостійно. Це велика аудиторія, яка значно перетинається з творцями, що використовують генератори зображень ШІ для розширення або стилізації своїх автопортретів.

Творці, які вже працюють з інструментами генерації зображень ШІ для вдосконалення та стилізації фотографій, знайдуть Superpose найкориснішим як крок перед генерацією: спочатку правильно відпрацюйте позу в камері, а потім внесіть цей чистіший референс у робочий процес генерації. Альтернатива — спроба виправити погану позу через інпейнтинг або ControlNet після факту — повільніша і рідко така ж чиста. Правильна геометрія до того, як пікселі зафіксовані, досі залишається найефективнішим шляхом.