Féregszerű tésztát és lyukakat generál az AI, ezért nem hiteles az ételfotó

Egyre több étterem és márka fordul AI-képgenerátorokhoz, ám az eredmények gyakran visszataszítóak: lyukacsos, féregszerű tészták, fura formájú ételek és természetellenes textúrák jelennek meg a promóciós fotókon. Ezek a hibák technikai gyengeségekre, a képalkotási folyamat sajátosságaira és a modellek képzési anyagaira vezethetők vissza – írja a The Verge.

A probléma gyakran már a képalkotás kezdeténél jelentkezik. A diffúziós modellek zajos képekből indulnak ki, és fokozatosan távolítják el a zajt a kívánt vizuális tartalom létrehozásához. „Ez azt jelenti, hogy először a durva struktúrák állnak helyre, és csak utána jönnek a finom textúra részletei” – magyarázza Chris Russell, az Oxfordi Egyetem AI-professzora. Sok esetben a modell már az elején elrontja az objektum alapvető szerkezetét, majd erre rak rá élénk textúra részleteket, hasonlóan ahhoz, ahogy egy embergenerálásnál hat ujj jelenhet meg öt helyett.

Még ha az alapstruktúra helyes is, a finomabb részletek is elcsúszhatnak. Giovanbattista Califano, a Nápolyi Egyetem viselkedéstudományi kutatója szerint a diffúziós modellek „hírhedten gyengék a vékony, összefüggő, lezáruló struktúrák generálásában”. A tészták, szálak és indák pontosan ilyen geometriát jelentenek, ami hibákhoz vezethet. A modellek nehezen tudják eldönteni, hol kellene megállniuk vagy mihez kellene kapcsolódniuk. Az ismétlődő textúrák, mint a buborékok vagy magvak, szintén nehezen kezelhetők, így gyakran logikátlanul terjednek szét.

Az AI-nak nincs valódi megértése arról, mi is az a szendvics, tészta vagy burrito. Csak statisztikai szinten tanulta meg, hogyan néznek ki ezek a dolgok, de nem tudja, miért, vagy hogyan viselkednek. „Az AI képgenerálás a külcsínt reprodukálja a világról való megfelelő tudás nélkül” – mondja Roland Meyer, a Zürichi Egyetem professzora. Ez a megértés hiánya vezethet gyomrot kavaró esztétikai értelmezésekhez, ahol az étel úgy néz ki, mint építészeti elem vagy építőanyag. Az AI-modellek nem értik, miért ne nézhetne ki az étel más, nem-étel képekhez hasonlóan.

A képzési adatok is ronthatnak a helyzeten. Az AI-modelleket gyakran nagy kontrasztú, élénk színű, fényes és eltúlzott formájú, erősen stilizált képekkel tanítják. Néha a fotózott „étel” valójában nem is étel.

Az AI ezeket a felszíni minőségeket és vizuális konvenciókat veszi át, de a kontextus megértése nélkül. „Az AI képgenerálás tökéletesen utánozza a fotózás megjelenését, de nem a professzionális esztétikai stratégiáit” – véli Meyer. Emellett az interneten található adatok sokasága és a más modellek által generált tartalmak is torzíthatják a képet, ami vizuális degenerációhoz és a képek közötti egyre nagyobb hasonlósághoz vezethet.

A problémát tovább súlyosbíthatják az utasítások, amelyek lehetnek pontatlanok vagy félrevezetőek. A „légy precíz” utasítás például szövegben értelmes, de képgenerálásnál nem. Az alacsony felbontású képek felnagyítása is kiemelheti a hibákat. Az Oxfordi Egyetem professzora, Chris Russell szerint a diffúziós modellek gyengesége a vékony, összefüggő struktúrák generálásában a képalkotás korai szakaszában okoz gondot, amit a későbbi finom részletek csak rontanak.