残念ながら、誰もレポートを読みたがらないけど、実際に欲しいのはオープンウェイトモデルのダウンロードなんだよね。それを持って行って、自分で使いたいって感じ。（戻してくれる人もいないし）

実装は簡単そうだね（他のやつとすごく似てる、HiDream-E1、ICEdit、DreamOとか）。魔法はデータキュレーションにあるみたい（詳細はちょっとだけ共有されてる）。

うーん、基盤となるモデルやパイプラインのどこにいるかによるね。アイデンティティモデルは、部分的なジオメトリから顔を補間するのがかなり高度なんだ。

スライドショーは最初の例でバグってるみたい。入力画像には彼女の顔の大部分を覆う雪の結晶がある。

"真実"を明らかにしてるわけじゃないし、実際の顔もない。これらは全部生成された画像だよ、そうだね。

実際の画像を使うとモデルが顔を変えちゃうから、初期画像に顔が映ってなければその問題は解消されるんだと思う。

例をもっとよく見てみて。明らかに、部分的に隠れている物体に対して推論の機会があるよ。

西洋の美の基準がフェティシズムするアジアの特徴を選んでるけど、アジアでは全然真剣に受け取られないよね。アメリカのテキストから画像生成モデルは、あまり魅力的じゃなくて、肌の色が濃い人を生成する傾向があるのに対して、中国のテキストから画像生成モデルは、魅力的で肌の色が明るい人を生成することが多い。これは中国のAIモデルが光るもう一つの分野だと思う。

オープンソースモデルはまだリリースされてないけど、Flux 1 Devの上でLoRAをトレーニングするより簡単にはならないと思うよ。

comfyuiを通して設定済みのものを見つけるのは普通に簡単だよ。時々、YouTuberがPatreonの裏に隠してることもあるけど。

https://github.com/bghira/SimpleTuner を使ってみて。これを使って自分でLoraをトレーニングするスクリプトを実行できたから、Pythonライブラリを学ぶ時間をかけずに済んだよ。

RTX 4090でWindows上のFlux 1 devでLoRaのカスタマイズをトレーニングしようと2日間頑張ったけど、Windowsが主な問題で、ほんとに活用するにはLinuxが必要だね。

生成は大体4秒くらいで速いね。どのGPUとVRAMを使ってるの？ 編集：あ、もしかしてhuggingfaceのUIを通してって意味だったのかな。

正直、Replicateが常に最新情報を提供してくれるのが大好き。急速に進化するAIの時代に生きているだけでなく、研究用の新しいモデルがすぐにAPIを通じて利用可能になり、プロダクションでスケールに合わせて使えるってすごいよね。こういうモデルのリリースに影響を与えているディストリビューター、Replicateみたいなのがいるってことは重要だと思う。

元のディテールを保つ点では、4oの画像生成よりも正確な気がする。3Dの動物キャラクターを渡して、照明を変えるようなちょっとした変更を頼むと、4oはキャラクターの顔を完全にめちゃくちゃにしちゃうし、体や他のディテールも少し変わる。でも、このFluxモデルは、ポーズや照明を大きく変えるように頼んでも、目に見えるジオメトリをほぼ完璧に保ってくれる。

いいサイトだね！ずっと上手くいかなかったプロンプトの提案があるんだけど、試したのは結構前で、モデルもかなり改善されてると思うから、今ならできるかも。剣を持った騎士が私たちに背を向けて、軍隊に立ち向かっているシーン。後ろにいる弓兵たちが撃つ矢の雨から自分を守るために、頭上に盾を掲げている。モデルのパフォーマンスがひどくて驚いたよ。かなりアイコニックなシーンなのに、トレーニングデータは十分すぎるくらいあるのにね。

入力画像のアスペクト比と出力のアスペクト比は同じなのかな？テストしてみた感じ、強制的にシフトさせると変なことが起きることに気づいた。

顔のアイデンティティ保持の科学的問題は、まだ誰も解決してない。手の問題すら解決されてないし。

複数の画像を入力できる実験的な「マルチ」モードがあるよ。

Falはマルチ画像インターフェースをテストしてる。これ、マジでヤバい！gpt-image-1には及ばないけど、めっちゃ近い。画像や動画に関してはもう独占はないね。GoogleやOpenAIがクリエイティブを永遠に勝ち取るんじゃないかって心配してたけど、そんなことはない。誰でもこれを作れるよ。