Teoría práctica del diseño rápido en IA de generación de retratos | 杉山宣嗣

- Descomposición estructural y indicaciones completas para garantizar la reproducibilidad -

Tabla de contenido

Introducción
Las indicaciones son "planos" en lugar de "texto"
1. ■Estructura básica del mensaje de retrato
Tres factores que reducen la reproducibilidad
Principios de diseño para mejorar la reproducibilidad.
Instrucciones completas de nivel práctico
La esencia de este mensaje
solicitud：Cómo utilizar las indicaciones correctamente
resumen
Explicación detallada de las indicaciones anteriores.
① Sesgo en los datos de aprendizaje
② Diferencia de precisión en la descomposición de tokens
1. Para ingles
2. Para japoneses
③ El inglés es el idioma estándar para los términos de fotografía.
■Caso en el que el japonés es adecuado
●Estructura recomendada
●Ejemplo
●① Completamente en inglés + diseño interno en japonés
●② “Traducción intencional” del japonés al inglés

Introducción

En generación de retratos、Hay un problema que enfrentan muchas personas.。
Es la inestabilidad de que "cada vez aparece una imagen diferente incluso con el mismo mensaje".。

El problema no es simplemente que el mensaje sea breve.。
La esencia es、プロンプトが“構造化されていない”ことEsta ubicado en。

En este artículo、Desglosar las indicaciones en la generación de retratos en un "proceso de producción"、Diseñar métodos que garanticen la reproducibilidad y、Guía completa de indicaciones prácticas.。

Las indicaciones son "planos" en lugar de "texto"

Un mensaje típico tiende a verse así:。

hermosa mujer
cinematográfico
alta calidad

Pero esto、En cuanto al proceso de producción, es sinónimo de "por favor, toma la foto de buena manera".。
En otras palabras、estado de ningún control en absolutoです。

Lo importante es、Lo que hay que hacer es desglosar el mensaje como se muestra a continuación.。

■Estructura básica del mensaje de retrato

Diseño de la materia (Asunto)
Estilo
Pose/Composición / Composición)
Iluminación
Ambiente
Configuración de la cámara (Cámara)
Color/tono
Estilo
Emoción/Significado (estado de ánimo)
Control de calidad

Esta estructura es、Coincide con el proceso de producción de la película de acción real.。
Entonces, ¿qué es un aviso?、

Texto de dirección de tiro.

です。

Tres factores que reducen la reproducibilidad

① Uso frecuente de palabras abstractas.

Palabras como “hermosa” y “cinemática” pueden interpretarse de manera demasiado amplia.、El resultado cambia cada vez.。

② Condiciones físicas indefinidas

posición de luz、distancia de la cámara、Si no se especifica la distancia focal, etc.,、La composición es borrosa.。

③ Ignorar los factores de ruido

Fondo, cabello, expresiones faciales, etc.、Si hay demasiadas partes que la IA interpreta libremente, se volverá inestable.。

Principios de diseño para mejorar la reproducibilidad.

■1. Cuantificar tanto como sea posible

Distancia (1,5 m)
Ángulo (45°)
Código de colores)

■2. Reparar elementos oscilantes.

Expresión (neutral)
vista (cámara)
Peinado (largo/partida)

■3. Evite desviaciones con indicaciones negativas

animado / dibujos animados excluir
Eliminar la sobrecorrección
eliminación de ruido de fondo

Instrucciones completas de nivel práctico

A continuación se muestra、Avisos diseñados para maximizar la reproducibilidad。

ultra-realistic portrait of a 26-year-old Japanese woman,
height 165cm, slim build, narrow shoulders, long neck,
oval face shape, small chin, straight nose bridge, slightly wide-set almond eyes,
dark brown iris (#3b2f2f), clear sclera, natural eyelashes,
light smooth skin with subtle pores, no blemishes, no freckles,

neutral calm expression, lips slightly closed, no smile,
eye contact directly to camera,

hair: medium-length (shoulder length), straight with slight inward curl at ends,
natural black (#1a1a1a), center part, slight volume at crown, no stray hair,

outfit: white silk blouse, matte texture, no patterns, slightly loose fit,
top button open, soft fabric folds, no accessories,

pose: seated upright on a chair, spine straight but relaxed,
hands resting gently on thighs, fingers naturally curved,
shoulders slightly angled (15 degrees to camera),

camera position: eye-level, 1.5 meters distance, centered framing,
framing: chest-up portrait, head near top margin,

lens: 85mm prime lens,
aperture: f/1.8,
depth of field: shallow, sharp focus on eyes, background fully blurred,

lighting setup:
single soft light at 45° camera left, slightly above eye level,
soft shadows on opposite side, subtle reflector fill (10%),

environment:
indoor studio, plain warm gray background (#d6d1cc), no objects,

color grading:
warm tone, low contrast, soft highlights, natural skin tones,

style:
editorial fashion photography, realistic, non-stylized,

negative prompt:
cartoon, anime, bad anatomy, extra fingers, blur, noise,
overexposed, harsh shadows, plastic skin, busy background,

--ar 2:3 --q 2 --style raw --seed 12345

La esencia de este mensaje

El valor de este mensaje no es "longitud"。

Lo importante es、

sin dejar lugar a la interpretación
variables fijas
Verbaliza completamente el proceso de producción.

Ese es el punto。

solicitud：Cómo utilizar las indicaciones correctamente

Esta versión completa no es una "forma terminada" sino una "base".。

Por ejemplo：

Cambia solo la iluminación
solo cambia el peinado
Cambiar solo la lente

Al reemplazar cosas como、

Puede diseñar las variaciones que desee.

Se verá así。

resumen

El diseño rápido en la generación de retratos es、

en lugar de agregar palabras
Diseño de estructura de control.

です。

y lo más importante、

¿Qué proceso debería dejarse en manos de la IA?、¿Dónde deberían diseñar los humanos?

Ese es el punto de vista。

La IA es buena para “generar”、El “diseño de intención” no es posible。
El responsable del diseño es、Este es un aviso。

Lo que necesitas no es técnica.、
Desglosando el proceso de producción.、perspectiva para reconstruirです。

Explicación detallada de las indicaciones anteriores.

Este mensaje no es sólo una "descripción detallada"、Especificaciones de control diseñadas para suprimir las fluctuaciones en los resultados generados."es。

En lo siguiente、cada bloqueque arreglar、¿Cómo controlamos el grado de libertad de la IA?de、Lo desglosaré y lo explicaré desde una perspectiva práctica.。

■Comprender la estructura general (lo más importante)

Este mensaje consta de tres capas:：

① Definición de forma (Geometría)

→ 人物の物理的特徴・構図

② Definición óptica (Óptica)

→ 光・レンズ・色

③ Restricciones

→ AIの逸脱防止

👉 この3つを揃えることで、“再現性のある生成”が成立します

■① 被写体設計（Subject Design）

ultra-realistic portrait of a 26-year-old Japanese woman,
height 165cm, slim build, narrow shoulders, long neck,
oval face shape, small chin, straight nose bridge, slightly wide-set almond eyes

●Rol

人物の「平均化」を防ぐ
骨格レベルでのブレを抑制

●Puntos

「26歳」→ 若すぎず老けすぎない中間固定
「narrow shoulders / long neck」→ シルエット制御
「face shape」→ 顔の輪郭を固定

👉AIは顔より“輪郭”の方がブレやすい

■② 目・肌の詳細定義（微細ディテール制御）

dark brown iris (#3b2f2f), clear sclera, natural eyelashes,
light smooth skin with subtle pores, no blemishes, no freckles

●Rol

「不気味の谷」回避
Estabilización de textura

●Puntos

Especificar código de color → Mejorar la reproducibilidad del color
esclerótica (peltre de los ojos) → Previene la nubosidad
poros → Prevenir la corrección excesiva de la IA

👉“La piel no está especificada” y convertida en plástico

■③ Expresión facial/mirada (el elemento más variable)

expresión tranquila y neutral, labios ligeramente cerrados, sin sonrisa,
Contacto visual directamente a la cámara.

●Rol

Arreglar las fluctuaciones emocionales

●Puntos

sin sonrisa → Elimina cambios sutiles en las expresiones faciales.
contacto visual → prevención de la desviación de la línea de visión

👉Cuando tu mirada cambia, pareces una “persona diferente”

■④ Cabello (control de la fuente de generación de ruido)

longitud media, derecho, rizo hacia adentro, parte central, sin pelo suelto

●Rol

Suprimir la principal causa de fallo de generación

●Puntos

Especificar toda la longitud + forma + raya
Eliminación del vello callejero → reducción de ruido

👉El cabello es la parte más inestable para la IA

■⑤ Disfraz (control de reflejo de luz)

blusa de seda blanca, textura mate, sin patrones

●Rol

Estabilizar el comportamiento de la luz.

●Puntos

seda × mate → previene el reflejo excesivo
sin patrones → reducción de ruido de reconocimiento

👉Los patrones hacen que la IA no reconozca bien

■⑥ Pose (esqueleto de composición)

sentado erguido, manos en los muslos, hombros en ángulo de 15°

●Rol

Prevención del colapso de la estructura del cuerpo humano.

●Puntos

Designación de manos → Medidas contra dedos torcidos
Especificación del ángulo → Evite la falta de naturalidad demasiado frontal

👉Si no especifica el movimiento, existe una alta probabilidad de que colapse.

■⑦ Posición de la cámara (punto de vista fijo)

al nivel de los ojos, 1.5distancia m, encuadre centrado

●Rol

Estabilizando la perspectiva

●Puntos

Especificar distancia → Prevenir distorsión facial
nivel de los ojos → impresión natural

👉Distancia no especificada = se produce una distorsión de gran angular

■⑧ Lente/profundidad de campo (el núcleo de la fotografía)

85milímetros, f1.8, poca profundidad de campo

●Rol

Determinar la semejanza fotográfica

●Puntos

85mm → estándar vertical
f1.8 → 背景分離

👉Este es el punto de inflexión entre el “sentimiento CG” y el “sentimiento fotográfico”

■⑨ Escritura (lo más importante)

luz suave única a 45°, ligeramente por encima del nivel de los ojos

●Rol

Creando un efecto tridimensional

●Puntos

45° → Equilibrio óptimo de sombras del rostro
Desde arriba → Reproducción de luz natural
llenar 10% → Ajuste fino del contraste

👉No controlar la luz = todo se derrumba

■⑩ Medio ambiente (aislamiento de ruido)

fondo gris cálido liso (#d6d1cc), sin objetos

●Rol

背景の暴走防止

●Puntos

単色指定 → 認識安定
no objects → 不要要素排除

■⑪ カラーグレーディング

warm tone, low contrast, soft highlights

●Rol

印象の統一

👉 撮影後の「現像工程」に相当

■⑫ スタイル指定

editorial fashion photography, realistic, non-stylized

●Rol

出力の方向性固定

👉 “photorealistic”より具体性が高い

■⑬ Mensaje negativo (restricción)

dibujos animados, animado, mala anatomía, dedos extra...

●Rol

Evitar que la IA se salga de control

●Puntos

Anatomía → Prevenir la pérdida de forma
estilo → prevención manga

👉A menudo más importante que positivo

■⑭ Parámetro

--Arkansas 2:3 --q 2 --estilo crudo --semilla 12345

●Rol

control final
ar → relación de composición
semilla → núcleo de reproducibilidad

👉La reproducción completa es imposible sin una semilla.

■La esencia de este mensaje

Este mensaje es

No es bueno porque esté detallado.
Estable porque “las variables están aplastadas”

El diseño es。

■Comprensión importante

Esta estructura permanece、

Planificación → Concepto → Fotografía → Desarrollo

Esto es consistente con la producción de acción real.。

■Resumen

La esencia de este mensaje es：

eliminar expresiones ambiguas
en condiciones fisicas
Eliminar los factores de ruido de antemano.

En otras palabras、

En lugar de dejarlo en manos de la IA、Diseñado para controlar la IA

です。

■Por qué el inglés es más ventajoso

① Sesgo en los datos de aprendizaje

Muchos modelos generativos、

Imágenes con subtítulos en inglés.
Conjuntos de datos de habla inglesa (por ejemplo, LAION)

se está aprendiendo en。

👉 つまり、

概念とビジュアルの結びつきが英語で最適化されている

② Diferencia de precisión en la descomposición de tokens

AIは文章をそのまま理解しているのではなく、トークン（意味単位）に分解しています。

Para ingles

“soft light”
“85mm lens”

👉 意味単位で安定して分解される

Para japoneses

「柔らかい光」
「85mmレンズ」

👉 分解が不安定になりやすい
（文脈依存・曖昧性が高い）

③ El inglés es el idioma estándar para los términos de fotografía.

Por ejemplo：

aperture（絞り）
depth of field（被写界深度）
rim light
cinematic lighting

👉 これらは英語で学習されている前提語彙

■では日本語は使えないのか？

en conclusión：使えるが、用途を分けるべき

■Caso en el que el japonés es adecuado

① Concepto/Emoción

「静かな朝の雰囲気」
「孤独感のある表情」

👉 抽象概念は日本語でも機能する

② Generación aproximada

Generación de ideas
雰囲気確認

👉 精度より方向性重視

■日本語が不利なケース

① Designación física y técnica (mortal)

光の角度
lente
距離

👉 ここは英語でないと崩れる

② Cuando se requiere reproducibilidad

👉 同じ画像を出したいなら英語必須

■実務的な最適解（重要）

👉ハイブリッド運用

●Estructura recomendada

[英語：物理・構造]
+
[japonés：コンセプト・感情]

●Ejemplo

ultra-realistic portrait, 85mm lens, soft lighting, poca profundidad de campo,静かな朝の空気感、少し内省的な表情、Ambiente tranquilo

👉 これが最もバランスが良い

■さらに精度を上げる方法

●① Completamente en inglés + diseño interno en japonés

設計 → 日本語で考える
出力 → 英語に変換

👉 実務ではこれが主流

●② “Traducción intencional” del japonés al inglés

単純翻訳はNG：

❌ "Luz suave" → luz suave
✔ “Luz difusa desde la ventana” → luz difusa de la ventana

👉Importante traducir a terminología fotográfica.

■Conceptos erróneos comunes

❌"No hay problema si es un modelo compatible con japonés"
→Parcialmente correcto pero no suficiente.

razón：

puedo entender el idioma
peroEl inglés es dominante cuando se trata de conexiones visuales.

■Conclusión

También se puede generar en japonés.
pero
El inglés es superior en términos de precisión, reproducibilidad y controlabilidad.

■Esencia

El problema no es el idioma.、

¿Hasta qué punto es “controlable” la descripción?

です。

Sin embargo, en el modelo actual、

Su idioma de control está optimizado para el inglés.

esa es la realidad。

*Utilice el mensaje de arriba、Intenté generar imágenes con Gemin y ChatGPT.。(cada vez、(Puede que no sea la misma foto)

ChatGPT ha creado una cara que se ve comúnmente en imágenes de IA.。Para Géminis,、Parece natural, como una persona real.。pero、Géminis ignora la petición de sacudir los hombros 15 grados.。Hay muchos lugares donde Géminis no escucha tus instrucciones.。