Spójność postaci w wideo AI – co pozwala zachować wygląd twarzy

Dlaczego postacie dryfują

Generatywny model wideo nie pamięta Twojej postaci. Każde ujęcie to świeża interpretacja tego, co mu podano – promptu, klatki, referencji. Opisz dwukrotnie „kobietę pod koniec lat dwudziestych z krótkim czarnym bobem i czerwoną dżinsową kurtką”, a otrzymasz dwie różne kobiety w dwóch różnych kurtkach. Opis to pole prawdopodobieństwa, a nie osoba.

To jest najważniejszy powód, dla którego praca dla klienta w wideo AI rozpada się na etapie montażu. Pojedyncze ujęcia wyglądają dobrze. Zmontowane razem, czytają się jako czterdzieści ujęć czterdziestu różnych osób, a widz czuje to natychmiast, nawet jeśli nie potrafi tego nazwać.

Tekst może opisać postać. Nie potrafi jednak utrzymać modelu na twarzy. Musi to zrobić coś wizualnego.

Trzy rzeczy, które utrzymują stabilność postaci

Po wielu nieudanych próbach generowania, błędy grupują się w trzy kategorie i tak samo jest z ich rozwiązaniami.

• Kotwiczenie wizualne – Każde ujęcie generuje się na podstawie obrazu postaci, nigdy z samych słów. Jedna referencja wzorcowa – czysty, dobrze oświetlony portret z ustaloną garderobą i stylizacją – staje się DNA całego filmu.

• Ograniczenie ruchu – Szybkie odwrócenia głowy, gwałtowne panoramy i duże zmiany blokowania to sytuacje, w których twarze się rozmywają. Profesjonalny ruch jest taki sam, jakiego używają reżyserzy filmów fabularnych przy trudnej konfiguracji: ogranicz ruch wewnątrz ujęcia i zamiast tego stwórz dynamikę w montażu.

• Stabilność środowiskowa – Zmiany oświetlenia starzeją postać; dryf stylu zamienia fotorealistyczną osobę w render 3D w połowie sekwencji. Zablokuj kierunek światła i styl renderowania na scenę, a każdą zmianę któregokolwiek z nich traktuj jako nową konfigurację, która wymaga własnej referencji.

Przepływ pracy, który stosujemy

Nasz proces tworzenia filmu AI z udziałem postaci wygląda na papierze mało efektownie, co jest poniekąd celem:

1. Najpierw stwórz referencję wzorcową – Obrazy statyczne, nie wideo. Dopracowujemy postać w modelu obrazu, dopóki garderoba, twarz i stylizacja nie przejdą pomyślnie weryfikacji na pełnym ekranie, a klient zatwierdzi to, zanim powstanie choćby sekunda wideo.

2. Zablokuj wygląd. Zestaw referencyjny stylu – kolorystyka, ziarno, styl obiektywu – zapisany i używany ponownie przy każdej generacji, dzięki czemu ujęcie piąte i ujęcie trzydzieste piąte pochodzą z tego samego wizualnego świata.

3. Generuj klatka po klatce. Tam, gdzie pozwalają na to narzędzia, definiujemy pierwszą i ostatnią klatkę ujęcia i pozwalamy modelowi uzupełnić ruch między nimi. Dwa zakotwiczone punkty końcowe dryfują znacznie mniej niż jeden otwarty prompt.

4. Zmontuj przed ostatecznym zatwierdzeniem. Klipy trafiają do wstępnej sekwencji na wczesnym etapie. Problemy ze spójnością, które są niewidoczne w odosobnieniu, ujawniają się już po trzech cięciach.

5. Kontrola jakości jako filtr, a nie luźna ocena. Jedna osoba odpowiada za ciągłość – twarz, garderobę, światło – i ma prawo odrzucić ujęcie. Narzędzia się zmieniają. Proces pozostaje zdyscyplinowany.

Skalowanie od jednego klipu do czterdziestu

15-minutowy materiał może oznaczać 40-80 oddzielnych generacji i to właśnie tutaj większość procesów pracy kończy się niepowodzeniem. Co pozwala przetrwać zderzenie z taką ilością:

Grupuj według typu ujęcia, a nie kolejności fabularnej. Wszystkie zbliżenia w jednej sesji, wszystkie plany ogólne w innej – każda grupa współdzieli referencje i ustawienia, dzięki czemu błędy pozostają lokalne. Przetestuj najpierw najbardziej ryzykowne ujęcia; jeśli postać przetrwa półzbliżenie z odwróceniem głowy, statyczne ujęcia będą w porządku. I planuj budżet na ponowne generowanie bez pobożnych życzeń: przy obecnych modelach zakładamy, że znaczna część ujęć postaci będzie wymagała drugiego lub trzeciego podejścia i odpowiednio wyceniamy pracę.

Gdzie to wciąż nie działa

Szczera część. Plany ogólne pozostają słabym punktem – przy małej liczbie pikseli model ma zbyt mało szczegółów twarzy, by się ich uchwycić, więc omijamy je w scenariuszu lub używamy ich bez rozpoznawalnych cech. Akcesoria są nietrwałe: okulary, kolczyki i czapki wymagają własnej pozycji na liście kontrolnej jakości, ponieważ potrafią po cichu znikać. I żaden proces pracy nie zapewnia jeszcze darmowej, niezmiennej postaci w długiej kampanii – niestandardowe trenowanie pomaga, ale jest to decyzja produkcyjna wiążąca się z kosztami i kwestiami prawnymi, a nie zwykłe kliknięcie pola wyboru.

Wiedza o tym, gdzie leży granica, stanowi różnicę między profesjonalnym studiem a zwykłym demo-reelem.