Οι AI εικόνες καταλήγουν να μοιάζουν μεταξύ τους – και μια νέα μελέτη εξηγεί το γιατί

Μια νέα επιστημονική παρατήρηση βάζει σε λέξεις κάτι που πολλοί δημιουργοί έχουν ήδη νιώσει στην πράξη: όταν οι AI γεννήτριες εικόνας δουλεύουν «χωρίς χέρι», τείνουν να οδηγούν την αισθητική σε ασφαλείς, επαναλαμβανόμενες φόρμες που μοιάζουν μεταξύ τους και δυσκολεύουν τη διαφοροποίηση.

Η μελέτη δημοσιεύτηκε στο περιοδικό Patterns και δοκίμασε ένα σενάριο που θυμίζει οπτικό “telephone”: ένα μοντέλο δημιουργεί εικόνα από κείμενο και ένα δεύτερο μοντέλο περιγράφει την εικόνα σε κείμενο, το οποίο ξαναγίνεται prompt για την επόμενη εικόνα, ξανά και ξανά.

Στο πείραμα χρησιμοποιήθηκαν το Stable Diffusion XL ως generator και το LLaVA ως μοντέλο περιγραφής, με αφετηρία σύντομα, «παράξενα» prompts που δεν δείχνουν ξεκάθαρα έναν κλασικό προορισμό (ώστε να φανεί πού οδηγεί το σύστημα από μόνο του).

Όπως και στο ανθρώπινο «σπασμένο τηλέφωνο», οι λεπτομέρειες χάθηκαν γρήγορα. Εκεί όμως που η ομάδα στάθηκε περισσότερο ήταν στο ότι η απώλεια δεν οδηγούσε σε χάος ή άπειρη ποικιλία, αλλά σε μια περίεργη κανονικότητα: πολλές διαδρομές κατέληγαν σε λίγες «βολικές» αισθητικές κατευθύνσεις.

Μετά από επαναλήψεις, οι εικόνες έτειναν να συγκλίνουν σε γνώριμα, “premium stock” θέματα και ατμόσφαιρες: εντυπωσιακά εσωτερικά, δραματικό αρχιτεκτονικό μεγαλείο, νυχτερινά cityscapes, ρομαντικές βροχερές σκηνές δρόμου, γοτθικά κτίσματα και τοπία που θυμίζουν καρτ-ποστάλ.

Οι ερευνητές περιέγραψαν αυτό το τελικό ύφος ως «visual elevator music»: εικόνες τεχνικά ευχάριστες και «καθαρές», αλλά με γενικότητα που θυμίζει διακόσμηση ξενοδοχείου, κορνίζες μαζικής παραγωγής και ουδέτερη stock αισθητική.

Για φωτογράφους, βιντεογράφους και δημιουργούς εικόνας, το εύρημα έχει άμεση πρακτική αξία, ειδικά όταν το AI μπαίνει σε pre-production: moodboards, concept frames, key visuals, storyboards, ακόμη και “look exploration” για commercials ή ντοκιμαντέρ. Αν αφήσεις τη ροή να αυτοτροφοδοτείται, υπάρχει σοβαρή πιθανότητα να «σβήσει» το προσωπικό στίγμα.

Αυτό εξηγεί και γιατί πολλές φορές διαφορετικά prompts παράγουν τελικά εικόνες που μοιάζουν σαν να βγήκαν από την ίδια βιβλιοθήκη: το σύστημα, όταν δεν πιέζεται από σαφές δημιουργικό brief, επιλέγει την πιο πιθανή και πιο «ασφαλή» οπτική γλώσσα που έχει μάθει.

Με απλά λόγια, η ομοιομορφία δεν είναι πάντα θέμα “κακού prompt”. Είναι και δομική τάση ενός αυτοματοποιημένου κύκλου όπου το ίδιο το μοντέλο αναπαράγει τις δικές του περιγραφές και σταδιακά «ισιώνει» τις γωνίες, τις ιδιομορφίες και το ρίσκο.

Το αποτέλεσμα μπορεί να είναι χρήσιμο όταν ζητάς γρήγορα γενικά backgrounds ή μια ουδέτερη εικαστική βάση, αλλά γίνεται προβληματικό όταν χτίζεις οπτική ταυτότητα για πελάτη ή όταν θες να παρουσιάσεις μια ιδέα που πρέπει να ξεχωρίζει στην αγορά. Εκεί η «άνετη» σύγκλιση μεταφράζεται σε απώλεια χαρακτήρα.

Η μελέτη λειτουργεί σαν υπενθύμιση ότι το “hands-off” δεν είναι απαραίτητα αποδοτικό. Αντίθετα, μπορεί να σε οδηγήσει σε αισθητική που φαίνεται ακριβή, αλλά είναι οικεία σε βαθμό που δεν λέει κάτι νέο.

Τι σημαίνει αυτό σε επίπεδο workflow;

Πρώτον, κράτα τον άνθρωπο μέσα στο loop: όχι μόνο για τελική επιλογή, αλλά και για τη διαμόρφωση κατεύθυνσης σε κάθε στάδιο (σύνθεση, φωτισμός, χρωματική παλέτα, υφή, αναφορές).

Δεύτερον, δούλεψε με περιορισμούς που έχουν νόημα για το project: συγκεκριμένη εποχή/τόπος, πραγματικές οπτικές συμπεριφορές (φακός, απόσταση, βάθος πεδίου), αυστηρό art direction και συνειδητή αποφυγή γενικών περιγραφών τύπου “cinematic”, “beautiful”, “ultra detailed” όταν δεν συνοδεύονται από σαφή στόχο.

Τρίτον, αξιοποίησε εργαλεία που «δένουν» το αποτέλεσμα: reference images, control εργαλεία (όπου υπάρχουν), αρνητικά prompts με λογική, και—για όσους το πάνε πιο βαθιά—custom μοντέλα/LoRAs ή training πάνω σε δικό σου υλικό ώστε η οπτική γλώσσα να προέρχεται από εσένα και όχι από τον μέσο όρο του διαδικτύου.

Στο τέλος, το ζήτημα δεν είναι αν οι γεννήτριες εικόνας είναι «καλές» ή «κακές». Είναι ότι χωρίς ξεκάθαρη πρόθεση και δημιουργική επιμέλεια, τείνουν να παράγουν μια αισθητική που είναι εύπεπτη, αλλά προβλέψιμη. Για όποιον ζει από την εικόνα, η υπογραφή παραμένει το ανταγωνιστικό πλεονέκτημα.

Απέκτησε το Luminar με έκπτωση, με τον κωδικό pttl20,
κάνε κλικ στην εικόνα

Αναζητήστε όλα τα νέα προϊόντα στο κατάστημα
Ρεπέλλα Φωτογραφικά.