Wan v2.6 Image to Image

A Wan v2.6 Image to Image egy képszerkesztő és kompozíciós modell, amely lehetővé teszi, hogy akár három referenciaképet kombinálj és alakíts át pusztán egy írásos leírással. Ahelyett, hogy képeket generálna a semmiből, a már meglévő vizuális elemeiddel dolgozik – egy karakterrel, tárggyal, helyszízzel, textúrával vagy stílussal –, és ezeket összeolvasztja egyetlen új képpé, amely követi az utasításaidat. Ha meg tudod jelölni néhány fotó elemeit, és le tudod írni, hogyan álljanak össze, ez a modell megvalósítja azt egy kész képben.

A meghatározó jellemzője a többképes hivatkozási rendszer. Egy és három referenciaképet adsz meg, és a szöveges promptban közvetlenül hivatkozol rájuk mint 'image 1', 'image 2' és 'image 3'. A sorrend számít, így mindig tudod, melyik képről húzza a modellt. Ez bonyolult kompozíciókat tesz egyszerűen leírhatóvá: elhelyezhetsz egy karaktert az egyik képből egy másik helyszínén, miközben egy harmadik tárgyat tart a kezében. Egy példa utasítás így hangzik: 'Place the wizard from image 2 in the ancient library from image 3, holding and studying the magical crystal orb from image 1,' kiegészítve lilás-kék megvilágítással az arcán, lebegő gyertyákkal, háttérben ősi könyvekkel és nagyon részletes fantasy művészeti stílussal. A modell mindezt értelmezve összeszerel egy összetartó jelenetet.

Mivel a prompt végzi a kreatív munkát nagy részét, a modell a leíró írást jutalmazza. Megadhatod a megvilágítást, hangulatot, művészeti stílust, kompozíciót és finom részleteket, a modell pedig követi őket. A promptok akár 2000 karakteresek lehetnek, bőven hagyva helyet a részletezésre, és támogatja az angolt és a kínait. Aki rövid promptokat preferál, használhatja a beépített prompt-optimalizálót, amely automatikusan kibővíti és finomítja az egyszerű utasításokat a generálás előtt. Néhány másodpercet hozzáad a feldolgozáshoz, de észrevehetően javítja az eredményt, ha rövid ötletet adsz be részletes bekezdés helyett. Bekapcsolhatod kényelemből, vagy kikapcsolhatod, ha pontos szavaidat szeretnéd követni.

Kinek hasznos? Koncept művészeknek és illusztrátoroknak gyorsan tesztelhető, hogyan mutat egy karakter különböző környezetekben vagy kellékekkel. Tervezőknek termékfotókat, mood boardokat és stílus tanulmányokat állíthatnak össze maszkolás és rétegezés nélkül. Filmeseknek és storyboard művészeknek elővizualizálhatók a jelenetek színészek, díszletek és tárgyak egyetlen képbe helyezésével. Marketernek és közösségi tartalomkészítőknek meglévő márka képeket remixelhetnek friss vizuálissá. Aki jelenleg órákat tölt réteges szerkesztőben elemek kivágásával és keverésével, ugyanazt egy mondatban leírhatja.

A feltöltött referenciaképek JPEG, JPG, PNG (átlátszóság nélkül), BMP vagy WEBP fájlok legyenek, mindegyik oldala 384 és 5000 pixel között, és legfeljebb 10MB. A kimeneti képek PNG formátumban érkeznek. A végeredmény alakját és méretét képarány-előbeállításokkal vezérelheted – négyzet, álló 4:3, álló 16:9, fekvő 4:3, fekvő 16:9 és nagyfelbontású négyzet opció –, vagy pontos egyedi méreteket kérhetsz. A teljes kimeneti felbontás meghatározott tartományban van, így a képek élesek maradnak anélkül, hogy kezelhetetlenek lennének, nagyjából 768×768 és 1280×1280 pixel között.

A kompozíción és méretezésen túl számos kreatív vezérlőd van. A negatív prompttal felsorolhatod, amit ki akarsz zárni a képből – gyakori példák: alacsony felbontás, deformált formák vagy extra ujjak –, segítve a tipikus generálási hibák elkerülését. Egyszerre akár négy variációt generálhatsz, ami hasznos a gyors összehasonlításhoz és a legjobb kiválasztásához. A seed vezérlés reprodukálhatóságot ad: ugyanazt a seedet újrafelhasználva konzisztensebb eredményeket kapsz, így ha tetsző képet találsz, iterálhatsz rajta újrakezdés nélkül. Van beépített tartalommoderálás is, ami mind a bemenetet, mind a kimenetet ellenőrzi, alapértelmezetten be, hogy a generálások megfelelőek maradjanak.

Stílusban rugalmas a modell. Mivel közvetlenül a referenciaképeidből és írásos irányításodból merít, fotorealisztikus, festői, filmes vagy teljesen illusztratív lehet attól függően, mit adsz be és mit kérsz. A példaképek drámai fantasy művészetet mutatnak légköri megvilágítással, kiemelve a modell erősségét a hangulatban és részletekben, ha világosan leírod őket. Kivetheted egy kép stílusát és egy másik hátterét, keverve a vizuális forrásokat egységes esztétikává.

Néhány legjobb gyakorlat természetesen fakad a modell működéséből. Először légy explicit, melyik referenciakép adja melyik elemet – a számozott rendszer csak annyira jó, amennyire tiszta a promptod. Másodszor írd le a megvilágítást, stílust és kompozíciót ahelyett, hogy a modellre bíznád a találgatást; gazdagabb leírás közelebb visz a kívánt eredményhez. Harmadszor rövid ötletnél tartsd be a prompt-optimalizálót a hézagok kitöltésére, de kapcsold ki, ha pontos megfogalmazás kell. Negyedik, használd a negatív promptot a visszatérő artefaktumok ellen. És ha szereted az eredményt, jegyezd fel a seedjét, hogy építhess rá.

Korlátozások: a modell legalább egy referenciaképet igényel, és legfeljebb hármat fogad, így szerkesztésre és kompozícióra optimalizált, nem tiszta szöveg-kép generálásra. A referenciaképeknek támogatott formátumokban és méretkorlátokon belül kell lenniük, PNG átlátszósággal nem elfogadott. A kimeneti felbontás a meghatározott tartományban van korlátozva, így éles, megosztható képekre optimalizált, nem nagyon nagy nyomdaképekre. Ezeken belül a Wan v2.6 Image to Image gyors, vezérelhető módja annak, hogy referenciaképek gyűjteményéből és tiszta leírásból egyetlen összetartó új képet hozz létre.