Альфа-тестирование MidJourney V5: научилась ли нейросеть рисовать руки и неоновых котиков

Недавно я писал инструкцию-обзор ^[1] на четвертую версию алгоритма MidJourney. Спустя всего два месяца нам предложили альфа-версию пятой версии алгоритма. В v5 предлагают большую реалистичность и более тонкую настройку. Зачем откладывать удовольствие, давайте взглянем!

Дисклеймер: данная статья написана по первой альфа-версии алгоритма v5. В процессе разработки стиль и доступная функциональность может меняться.

Используйте навигацию, если не хотите читать текст полностью:

→ Сухие факты ^[2]
→ Эксперименты ^[3]
→ Генерационные челленджи ^[4]
→ Заключение ^[5]

Сперва пробежимся по анонсу ^[6] от разработчиков MJ. Вот что поменялось:

• Расширен список стилей, в которых может рисовать нейронная сеть. Нейронная сеть более чутко относится к запросу.
• Увеличено разрешение генерируемых изображений. Разрешение изображений v5 равно разрешению увеличенных (upscaled) изображений v4.
• Больше деталей и меньше текста.
• Добавлена поддержка параметра --tile, генерирующего изображения в виде тайлов с бесшовным переходом.
• Добавлена поддержка не квадратного соотношения сторон через аргумент --ar.
• Добавлена поддержка весов для изображений через аргумент --iw.
• Увеличение изображений (upscale) на данный момент отключено.

Разработчики MJ отдельно упоминают, что v5 имеет меньше «собственного мнения», поэтому требует более длинных и обстоятельных описаний, а на коротких запросах могут возникнуть проблемы.

Хотя в анонсе разработчиков указано, что производительность повышена, картинки на пятой версии алгоритма генерируются в два раза дольше, то есть примерно минуту. Вероятно, это связано с высоким разрешением картинки.

Начнем с простого запроса, который сравнивал v3 и v4 в прошлой статье.

Запрос: stars world time

Слева направо: третья ^[7], четвертая ^[8], пятая версии ^[9] (здесь и далее по ссылкам — фулсайзы картинок).

Изображения v5 кажутся более сдержанными. К сожалению, сдержанность пятой версии алгоритма поставила крест на легкой генерации красочных неоновых котов, которые мне так полюбились.

Слева: запрос — neon cat ^[10]. Справа: запрос — painted neon cat with green light ^[11].

Сдержанность — это достойная цена за повышенный реализм в генерации.

Запрос: woman portrait soft sunset light --seed 2131932819

Слева — четвертая версия ^[12] MJ. Справа — пятая ^[13].

Провел опрос в своем Telegram-канале ^[14], какая генерация нравится моим подписчикам больше. Подавляющее большинство голосов — за более реалистичную версию. А какая нравится вам? Пишите в комментариях. И подписывайтесь на мое канал — рассказываю там о своих экспериментах.

Запрос: circuit of processor inside

Слева — четвертая версия ^[15]. Справа — пятая ^[16].

На этом хватит случайных изображений, посмотрим, как MJv5 поборолась с некоторыми особенностями своей предшественницы.

Метки «качества» и количества

Ранее я аргументированно убеждал, что «магические» слова вроде «beautiful» ничего не решают и минимально влияют на итоговое изображение. Отныне это не так. Новая версия более чутко воспринимает написанное, и теперь эти магические слова действительно влияют.

Основной запрос: woman portrait --seed 2131932819

Слева направо: без дополнительных слов ^[17]; beautiful ^[18]; beautiful 8k octane unreal realistic ^[19].

Слева направо (генерации в v5): без дополнительных слов; ^[20] beautiful ^[21]; beautiful 8k octane unreal realistic ^[22].

Наличие или отсутствие дополнительных слов существенно меняет визуальный стиль итогового изображения. Так, наличие в запросе слова «portrait» может быть трактовано как запрос художественного стиля, а «octane» генерирует как будто скриншоты из ААА-игры.

Запрос: nine cats

Слева — четвертая версия ^[22]. Справа — пятая ^[23].

С числительными новая версия алгоритма справляется лучше, хотя все еще затрудняется нарисовать правильное количество объектов. Но зато больше нет насмехающейся цифры 9 на шестом коте.

Нейросети не умеют рисовать конечности

Запрос: beautiful woman hand with five fingers

Слева — четвертая версия ^[24]. Справа — пятая ^[25].

Запрос: beautiful woman hand with ring

Слева — четвертая версия ^[26]. Справа — пятая ^[27].

MJv5 все так же ошибается при генерации человеческих рук, но итоговое изображение не имеет пугающих элементов. Можно ли считать это революцией в генерации изображений рук? Нет, но прогресс, определенно, есть.

Генерация широкоформатных изображений

На момент написания прошлой статьи четвертая версия алгоритма умела генерировать только квадратные изображения. Спустя месяц добавили поддержку соотношений 1:2 и 2:1, но я, как пользователь монитора с соотношением сторон 21:9 и телефона с соотношением сторон экрана 9:21, недоволен невозможностью генерировать обои на рабочий стол.

Запрос: nature landscape --ar 21:9

Сверху — третья версия ^[28]. Снизу — пятая ^[29].

Запрос: cyberpunk city --v 5 --ar 21:9

Сверху — третья версия ^[30]. Снизу — пятая ^[31].

Третье поколение алгоритма в некоторых случаях генерирует вытянутую картинку как смесь из нескольких квадратных Это заметно на изображении из запроса cyberpunk city, где есть некоторая симметрия относительно центральной вертикали, а в ландшафте видно две возвышенности, также симметрично расположенные.

Криповый, но более показательный пример

Запрос: beautiful woman portrait --ar 32:9

Сверху — третья версия ^[32]. Снизу — пятая ^[33].

Пятая версия алгоритма избавилась от этого недостатка, но появился новый: иногда при генерации появляются черные полосы, которые «корректируют» изображение до другого соотношения сторон.

Запрос: city landscape --ar 50:9 --v 5

Фулсайз. ^[34]

К слову, v3 неявно ограничивала вытянутость картинки и при генерации 32:9 полученный результат был похож скорее на 21:9. MJv5 же способна генерировать даже 100:9. Осталось найти такой монитор.

Генерация тайлов

Запрос: stone texture --tile --v 5

Фулсайз ^[35].

В MidJourney v5 добавили экспериментальную опцию: создание тайлов. Тайлы — это картинки, которыми можно бесшовно заполнить плоскость. Такой режим подойдет при разработке, например, игр, для быстрого создания повторяющихся текстур. Ну и набор ресурсов (Texture Pack) для Minecraft.

Возможно, эти тексты тоже вас заинтересуют:

→ Больше одноплатников, производительных и специализированных: 5 нужных многим моделей, которые появились в марте ^[36]
→ Конфигуратор и PostgreSQL: что под капотом 1С PaaS-решения для организации работы в облаке ^[37]
→ Как работают объектные хранилища: OpenStack Swift ^[38]

Пока весь мир следит за текстовыми моделями, прогресс txt2img-моделей не стоит на месте. Мне очень грустно, что пятое поколение алгоритма не дружит с неоновыми котами. Тем не менее, даже в альфа-версии MidJourney v5 предлагает что-то новое и вновь погружает в магию генераций изображений, что не может не радовать.

Удалось ли вам уже протестировать пятую версию? Какие впечатления от изменений? Пишите в комментариях!