Metinden Görüntü Oluşturucular: Nano Banana Pro ve GPT Image 1.5
En iyi 6 metinden görüntüye dönüştürme modelini, zamansal tutarlılık, fiziksel gerçekçilik, metin ve sembol tanıma, insan aktivitesini anlama ve karmaşık çok nesneli sahne tutarlılığı açısından görsel oluşturma yeteneklerini değerlendirmek için 15 farklı senaryo üzerinden karşılaştırdık:
Metni görüntüye dönüştüren araçların performans test sonuçları
Sonuçların nasıl hesaplandığını anlamak ve çıktı örneklerini görmek için kıyaslama metodolojimizi inceleyin.
Karşılaştırma testinden örnekler
Şekil 1: Analog ve dijital saatlerin farklı zamanlar gösterdiği, 6 metinden görüntüye dönüştürücünün saatler görevindeki sonuçları.
İstek: “Açık renkli bir duvarda, siyah saat ve dakika ibreleri ve rakamlı işaretleri olan, net bir şekilde görülebilen analog bir duvar saati asılıdır. Altındaki ahşap bir masanın üzerinde, parlak LED rakamlarla zamanı gösteren dijital bir saat bulunmaktadır. Analog saat 12:35'i, dijital saat ise 23:48'i göstermektedir.”
Bu test, hassas sembolik görüntüleme ve nesneler arası tutarlılığı değerlendirir. Çoğu model okunabilir bir dijital zaman gösterirken, analog saatte genellikle hatalar meydana gelir; burada ibrelerin konumları belirtilen zamana tam olarak karşılık gelmez.
Şekil 2: Takvim görevinde 6 metinden görüntüye dönüştürücüden elde edilen sonuçlar, imkansız bir tarihi (29 Şubat 2023) göstermektedir.
İstek: “Bir masanın üzerindeki kağıt takvimin detaylı yakın çekimi. Takvimde üst kısımda açıkça “Şubat 2023” ayı yazılıdır. Tarihler geleneksel bir ızgara formatında düzenlenmiştir ve takvimde 29 Şubat da görünür bir tarih olarak yer almaktadır. Kağıt dokusu gerçekçi, hafif kirli beyaz, ince gölgeler ve yumuşak bir aydınlatmaya sahiptir.”
Bu komut, imkansız bir takvim yapılandırması gerektirerek gerçek dünya doğruluğundan ziyade katı komut uyumluluğunu test etmek için tasarlanmıştır. Daha güçlü modeller, gerçekçi bir kağıt dokusu ve ızgara düzenini korurken 29 Şubat'ı doğru bir şekilde içerir ve gerçek varsayımlardan ziyade talimatı takip etmeyi gösterir. Daha düşük performanslı çıktılar ya 29'unu atlar ya da takvimde anlamsız tarihler gösterir; bu da görsel gerçekçiliğe rağmen uyumluluğu azaltır.
Şekil 3: Uzun bir el yazısı metni içeren defter görevinde 6 metinden görüntüye dönüştürücüden elde edilen sonuçlar.
İstek: “Ahşap bir masa üzerinde duran açık bir defterin yakın çekim görüntüsü. Sayfalar koyu mürekkeple yazılmış düzgün el yazısıyla dolu. El yazısı şu cümleleri içeriyor: “Hafıza niyetle yarıştığında zaman algıyı parçalar, geride asla tam olarak verilmemiş kararların yankılarını bırakır.” ve “Anlam kesinliğin sınırlarının ötesine uzandığında dil kırılgan hale gelir.” Kağıt doğal doku, hafif kırışıklıklar ve gerçekçi kalem basıncı varyasyonları gösteriyor. Sıcak ortam ışığı, sığ alan derinliği.”
Bu test öncelikle doğal el yazısıyla uzun metin oluşturmayı değerlendirir. Modellerin çoğu görsel olarak ikna edici el yazısı dokuları üretir ancak anlamsal doğruluk, satır sürekliliği veya cümlenin tam olarak yeniden üretilmesinde başarısız olur. Daha yüksek puanlar, sahte yazıya dönüşmeden birden fazla satırda okunabilir ve tutarlı metni koruyan çıktılarla ilişkilidir.
Şekil 4: Belirli renk ve desen kısıtlamalarıyla tırnak boyama gerektiren "eller" görevinde 6 metinden görüntüye dönüştürücüden elde edilen sonuçlar.
İstek: “Bir kadının tırnaklarını boyarken sadece ellerine odaklanan, son derece detaylı, yakın çekim bir fotoğraf. Masanın üzerindeki elinde, üç tırnağı parlak maviye, iki tırnağı ise beyaz benekli kırmızıya boyanmış. Diğer elinde küçük bir oje fırçası tutuyor ve tırnaklarına dikkatlice oje sürüyor. Cilt dokusu gerçekçi, yumuşak doğal ışık parmakları ve tırnak yüzeylerini vurguluyor. Arka plan hafifçe bulanık ve nötr, böylece eller ve zıt tırnak renkleri ve desenleri üzerinde tam bir odaklanma sağlanıyor.”
Bu yönerge, anatomik doğruluğa, ince motor etkileşimine ve birden fazla küçük nesne üzerinde desen kontrolüne odaklanmaktadır. Tüm modeller verilen yönergeye tam olarak uymamıştır.
Sık rastlanan hatalar arasında yanlış el ve tırnak sayıları, tutarsız tırnak renkleri veya mantıksız fırça konumlandırması yer alır. Daha yüksek performanslı modeller, iki eli net bir şekilde ayırır, renk ve desen dağılımına tam olarak uyar ve gerçekçi cilt ve tırnak geometrisini korur.
Şekil 5: Bir çocuğun ikinci dereceden denklemi hesaplamak için hesap makinesi kullandığını gösteren 6 metinden görüntüye dönüştürücüden elde edilen sonuçlar.
İstek: “Bir çocuğun masada oturup, el hesap makinesi kullanarak karmaşık bir matematik problemine odaklandığı gerçekçi, iyi aydınlatılmış bir sahne. Hesap makinesi ekranında formül açıkça gösteriliyor: x = (−b ± √(b² − 4ac)) / (2a). Masanın üzerinde, formülle eşleşen el yazısıyla yazılmış hesaplamalar ve semboller içeren açık bir defter duruyor. Çocuğun elleri hesap makinesinin tuşlarına basarken görünüyor ve yüzündeki ifade odaklanma ve merakı gösteriyor. Ortam, doğal gün ışığı, yumuşak gölgeler ve fotogerçekçi bir görünüm için sığ alan derinliği ile sessiz bir çalışma alanı hissi veriyor.”
Bu test, ince ayrıntılı metin oluşturma, matematiksel sembol doğruluğu ve nesneler arasındaki anlatısal uyumu değerlendirir. Temel ayırt edici özellik, hesap makinesi ekranının tam ikinci dereceden denklem formülünü doğru bir şekilde gösterip göstermediği ve çevreleyen not defterinin bunu bağlamsal olarak destekleyip desteklemediğidir. Formülü yaklaşık olarak gösteren veya basitleştiren modeller, gerçekçi sahnelere rağmen önemli ölçüde uyumluluk kaybına uğrar.
Şekil 6: İç mekan-dış mekan sahnesi olan bir kadın için 6 metinden görüntüye dönüştürme aracından elde edilen sonuçlar.
Metin: “Genç bir kadın, dağınık yatak odasında pembe pijamalarıyla duruyor, bir eliyle saçlarını toplarken açık pencereden aşağıdaki işlek caddeye bakıyor; dışarıda arabalar geçiyor ve bir bisikletçi kırmızı ışıkta bekliyor.”
Bu test öncelikle insan duruşunun doğruluğunu, iç ve dış mekan arasındaki mekânsal ayrımı ve pencere sınırı boyunca anlatısal tutarlılığı değerlendirir. Modellerin çoğu özneyi iç mekanda, sokak aktivitesini ise dışarıda doğru bir şekilde konumlandırır; ancak duruşun doğallığında ve dış mekan sahnesinin, birleştirilmiş olmaktan ziyade mekânsal olarak aşağıda ve ayrı olarak algılanma biçiminde farklılıklar ortaya çıkar.
Şekil 7: Yağmurlu bir günde, çoklu etkileşimler ve yansımalar içeren kafe görevinde 6 metinden görüntüye dönüştürücüden elde edilen sonuçlar.
İstek: “Dışarıda şiddetli yağmur yağarken küçük bir kafenin içinde, bir barista bir müşteriyle sohbet ederken bardağa süt dolduruyor; yağmur damlaları pencereden aşağı süzülüyor, bir köpek masanın altında uyuyor, tezgahın arkasındaki çatlak ayna raflardaki bardakları ve asılı bitkileri yansıtıyor ve şemsiyeli yayalar dışarıdan geçiyor.”
Bu, çoklu öğe işleme, nedensel hava durumu ipuçları ve yansıtıcı yüzey mantığını test eden yüksek karmaşıklıkta bir testtir. Uyuyan köpek, dışarıdaki yayalar ve aynadaki çatlak gibi ikincil öğelerin tutarlı bir şekilde entegre edilip edilmemesinde farklılıklar ortaya çıkar. Daha yüksek puan alan modeller, net rol ayrımı, son derece gerçekçi bir ayna görüntüsü, tutarlı yağmur ve aydınlatma davranışı sergiler.
Şekil 8: Oturma odası yenileme görevinde paralel eylemler içeren 6 metin-görüntü oluşturucunun sonuçları.
İstek: “Yenileme aşamasındaki bir aile oturma odası: bir çocuk yerde Lego kulesi yapıyor, anne bir duvarı mezura ile ölçüyor, baba arka planda mobilya monte ediyor, güneş ışığı yarı takılmış perdelerden içeri giriyor ve oda isimleriyle etiketlenmiş karton kutular etrafa saçılmış durumda.”
Bu test öncelikle paylaşılan bir alanda çoklu aktör rol ayrımını ve nesne-araç etkileşimini değerlendirir. Daha yüksek performans gösteren modeller, her kişiye açıkça farklı görevler atar ve odanın genelinde mantıksal olarak hizalanan yenileme ipuçlarını korur. Daha düşük performans gösteren modeller ise genellikle çocuğun elleri ve ayakları veya kutuların üzerindeki yazılar gibi insan unsurlarını oluşturmakta zorlanırlar.
Şekil 9: Alacakaranlıkta sokak pazarı görevinde 6 metinden görüntüye dönüştürücüden elde edilen sonuçlar, satıcıların tezgahlarını kapatmasını göstermektedir.
İstek: “Alacakaranlıkta, tezgahlarını kapatan satıcıların olduğu, sokak lambalarının ısındığı, bir çocuğun ebeveyninin kolunu çekiştirdiği, yemek arabalarından buhar yükseldiği, başıboş kedilerin kasalar arasında dolaştığı ve arka planda bir müzisyenin enstrümanlarını topladığı açık hava sokak pazarı.”
Bu test, büyük ölçekli sahne düzenlemesini, ışık geçişlerini ve hikaye anlatım yoğunluğunu değerlendirir. Güçlü modeller, görsel aşırı yüklenmeye yol açmadan birçok küçük olayı dengeler, tutarlı alacakaranlık aydınlatmasını ve net mekansal derinliği korur. Daha zayıf sonuçlar ise düşük gerçekçiliğe sahip olma veya ikincil eylemleri atlama eğilimindedir.
Şekil 10: Banyo görevinde 6 metin-görüntü oluşturucunun sonuçları; iki kişi, aynada buhar ve görünür dağınıklık yer almaktadır.
İstek: “Sabahleyin küçük bir banyo: bir kişi dişlerini fırçalıyor, diğeri aynada makyajını düzeltiyor, buhar camı buğulandırıyor, havlular düzensiz bir şekilde asılı, güneş ışığı beyaz fayanslardan yansıyor ve telefon lavabo tezgahının üzerinde duruyor.”
Bu test, dar alanlardaki mekansal mantığı, ayna davranışını ve buhar gibi çevresel etkileri değerlendirir. Daha yüksek performans gösteren modeller, ayna ve buharın fiziksel olarak makul kalmasını sağlarken, bireylerin faaliyetlerini kısmen korur. Bununla birlikte, modellerin hiçbiri tüm parametrelerde tamamen başarılı değildir.
Şekil 11: Cam kırılması görevinde 6 metinden görüntüye dönüştürücüden elde edilen sonuçlar.
İstek: “Ahşap bir masa üzerine yerleştirilmiş şeffaf bir bardak su ve arkasında duran bir kalem; kalem suyun içinden bükülmüş ve büyütülmüş görünüyor, arka plandaki duvar karoları bardaktan dolayı bozuluyor ve ışık gerçekçi bir şekilde kırılıyor.”
Bu test öncelikle fiziksel ve optik doğruluğu, özellikle hava-su sınırındaki kırılmayı ve silindirik camdan kaynaklanan bozulmayı değerlendirir. Daha yüksek performans gösteren modeller, kalemi su hattında doğru şekilde büker ve tutarlı arka plan bozulması uygular. Diğer modeller ise kırılmayı olduğundan az gösterir veya mantıksız eğrilikler oluşturur. Modellerin hiçbiri testi tam olarak karşılamadı, çünkü hepsi kalemi camın arkasına değil içine yerleştirdi.
Şekil 12: Ayna görevinde 6 metin-görüntü oluşturucunun sonuçları; yalnızca yansımada görünen nesnelerle birlikte yana dönük bir insanı göstermektedir.
İstek: “Bir kişi aynanın önünde yan durmaktadır; yansıması aynada görünmektedir ve arkasındaki nesneler (bir sandalye ve lamba) yalnızca aynada görünmektedir.”
Bu test, geometrik doğruluğun ve aynalama mantığının sıkı bir sınavıdır. Tüm modeller, belirli arka plan nesnelerini yansımaya doğru şekilde sınırlandırır ve nesne ile ayna görüntüsü arasında tutarlı bir yönelim sağlar.
Şekil 13: Gün batımında uzun ve hizalı gölgelerle gölge görevinde 6 metinden görüntüye dönüştürücüden elde edilen sonuçlar.
İstek: “Gün batımında, insanların, ağaçların ve bir bisikletin aynı yöne doğru uzun gölgeler oluşturduğu, gölgelerin gerçekçi bir şekilde düzensiz kaldırım üzerinde uzandığı ve güneşin ufukta alçakta olduğu bir dış mekan sahnesi.”
Bu komut, küresel aydınlatmanın ve tek ışık kaynağı mantığının birden fazla nesne ve yüzeyde tutarlılığını test eder. Tüm çıktılar, engebeli zeminlerde bile, düşük güneş ışığına uygun uzunluklarda tüm gölgeleri aynı yönde hizalar.
Şekil 14: Arka plan bozulması olan bir cam kasede palyaço balığını gösteren 6 yapay zeka görüntü oluşturucusunun sonuçları.
" Masada, yuvarlak cam bir kase içinde su bulunan kırmızı bir palyaço balığı duruyor; arkasında ise cam yüzeyden kitaplar görünüyor."
Bu test, kavisli cam optiğini, su davranışını ve organik bir nesnenin bütünlüğünü değerlendirir. Daha yüksek kaliteli sonuçlar, balığın anatomisini ve ölçeğini doğru bir şekilde korurken, kase içinden arka plan nesnelerinin gerçekçi bir şekilde büyütülmesini ve bozulmasını gösterir. Daha düşük puan alan görüntüler ya cam optiğini doğru şekilde temsil edemez ya da testi takip etmez.
Şekil 15: Keskin bir arka plana karşı hareket bulanıklığı içeren bisikletçi görevinde 6 yapay zeka görüntü oluşturucusundan elde edilen sonuçlar.
İstek: “Hareketli bir bisikletli, park halindeki araçların önünden geçiyor; bisikletlinin görüntüsü bulanıklaşırken arka plandaki nesneler net kalıyor, sokak lambaları ıslak kaldırıma yansıyor.”
Bu test öncelikle seçici hareket bulanıklığını ve zamansal tutarlılığı değerlendirir. Yüksek performanslı modeller, bisikletliyi hareket yönü boyunca bulanıklaştırırken, park halindeki araçları ve sokak unsurlarını net tutar ve ıslak kaldırımdaki yansımalar tutarlı kalır. Daha düşük performanslı çıktılar genellikle ilgisiz unsurları bulanıklaştırarak hareket yanılsamasını zayıflatır.
Metni görüntüye dönüştürme araçları
Nano Banana Pro
Nano Banana Pro, çok sayıda etkileşimli öğeye, net mekansal organizasyona ve tutarlı ön plan-arka plan ilişkilerine sahip sahneleri tutarlı bir şekilde işleyerek en güçlü genel performansı sergiliyor. Birkaç aktör, çevresel efekt ve ikincil ayrıntı içeren karmaşık ortamlarda nesne bütünlüğünü ve sahne tutarlılığını güvenilir bir şekilde koruyor.
Performans düşüşü, özellikle kırılma, kavisli camdan büyütme veya şeffaf malzemelerin neden olduğu ince bozulmalar gibi küçük ölçekli hassas fiziksel veya optik olaylara dayanan komutlarda görülmektedir. Bu durumlarda model, fiziksel davranışı doğru bir şekilde yeniden üretmek yerine yaklaşık olarak temsil etme eğilimindedir. Bu sınırlamalara rağmen, gerekli unsurları nadiren atlar, bu da genel puanının yüksek olmasına katkıda bulunur.
GPT Görüntüsü 1.5
GPT Image 1.5, doğru sembolik içerik, okunabilir metin ve nesneler arasındaki açıkça tanımlanmış ilişkiler de dahil olmak üzere, açık talimatlara sıkı sıkıya uyulmasını gerektiren komutlarda olağanüstü performans sergiliyor. Mekansal mantık, nesne bütünlüğü ve genel sahne yapısında güçlü bir tutarlılık gösteriyor.
Başlıca zayıf noktası, özellikle saydam veya kırıcı malzemeleri içeren karmaşık optik etkileşimlerin hakim olduğu senaryolarda ortaya çıkar. Bu gibi durumlarda, fiziksel doğruluk bozulabilir ve gerçekçilik ile fiziksel doğruluk açısından önemli kayıplara yol açabilir.
Seedream v4
Seedream v4, özellikle insanlar, dış mekan ortamları, hareket ve atmosferik aydınlatma içeren sahnelerde görsel olarak ikna edici ve estetik açıdan tutarlı sahneler oluşturmada mükemmeldir. Genel olarak, görüntü genelinde gerçekçiliği ve tutarlı aydınlatmayı korur; bu da gerçekçilik odaklı değerlendirmelerde yüksek puanlar almasını destekler.
Ancak, model, görsel gerçekçilikten ziyade yüksek hassasiyet gerektiren durumlarda daha az güvenilirdir. Yoğun metin içeren içerikler, kesin sembolik gösterimler ve ince optik detaylar genellikle yaklaşık veya yanlış bir şekilde oluşturulur. Sonuç olarak, görüntüler ilk bakışta gerçekçi görünebilir, ancak daha yakından incelendiğinde katı uyumluluk veya fiziksel doğruluk kriterlerine uymayabilir.
Flux 2 Pro
Flux 2 Pro, kıyaslama testinde yüksek performans değişkenliği sergiliyor. Doğalcı sahnelerle uyumlu ve gevşekçe sınırlandırılmış görsel tanımlamalara sahip komutlarda, güçlü nesne bütünlüğü ve inandırıcı aydınlatma ile son derece gerçekçi görüntüler üretiyor.
Buna karşılık, tam metin içeriği, kasıtlı mantıksal çelişkiler veya sıkı bir şekilde tanımlanmış çoklu öğe etkileşimleri gibi katı kısıtlamalar getiren komutlar, genellikle eksik veya yanlış temsil edilen öğelere yol açar. Bu da komutlara uyumda ve genel tutarlılıkta önemli düşüşlere neden olur.
Reve
Reve, özellikle ince detaylardan ziyade genel kompozisyona odaklanan görevlerde, tutarlı sahneler oluşturmada ve istikrarlı bir görsel stil sürdürmede genellikle başarılıdır. Orta karmaşıklıktaki ortamları makul bir mekansal mantık ve tanınabilir nesnelerle ele alır.
El hareketlerinin doğru şekilde gösterilmesi, okunaklı el yazısı, matematiksel semboller veya küçük desenli öğeler gibi ayrıntılar üzerinde ince ayar gerektiren komutlarda performansı önemli ölçüde düşmektedir. Bu sınırlamalar, özellikle genel sahne inandırıcılığından ziyade hassasiyeti test etmek üzere tasarlanmış görevlerde, komut uyumluluğu ve nesne bütünlüğü puanlarını düşürmektedir.
Dreamina v3.1
Dreamina v3.1, kıyaslama testlerinde en düşük genel tutarlılığı göstermektedir. Aydınlatma yönü veya ayna hizalaması gibi basit fiziksel ilişkilere odaklanan komutlarda zaman zaman iyi performans gösterse de, daha karmaşık sahnelerde gerekli tüm unsurları içermede sıklıkla başarısız olmaktadır.
Birden fazla aktörün yer aldığı, yoğun çevresel detaylar içeren veya kesin kısıtlamalar gerektiren komutlar genellikle eksik veya uyumsuz çıktılara yol açar. Bu durum, karmaşık gereksinimlerin ele alınmasında sınırlı gerçekçiliğe işaret eder ve genel değerlendirmeyi önemli ölçüde etkiler.
Metodoloji
Fal.ai üzerindeki uç noktalarla yaptığımız kıyaslama testinde, GPT Image 1.5 hariç, aşağıdaki modelleri kullandık; GPT Image 1.5'te ise görüntüleri oluşturmak için kendi sohbet özelliğini kullandık:
- Nano Banana Pro
- GPT Görüntüsü 1.5
- Seedream v4
- Flux 2 Pro
- Reve
- Dreamina v3.1
Araçlar Aralık 2025'te değerlendirildi.
Karşılaştırma testimiz, görsel-dil modellerinin gerçek dünya ürün güvenilirliğini ve dağıtıma hazır olma durumunu değerlendirmek üzere tasarlanmış 15 metinden görüntüye dönüştürme sorusundan oluşuyordu. Sorular, zamansal ve olgusal tutarsızlıklar, fiziksel ve optik gerçekçilik, metin ve sembol tanıma, insan aktivitesi ve niyetini anlama ve çoklu nesne sahne tutarlılığı da dahil olmak üzere, hataya yatkın çeşitli senaryoları kapsıyordu.
Her bir komut, üretim ortamlarında sıklıkla karşılaşılan, çelişkili görsel sinyaller, yansımalar ve kırılmalar, hareket ve aydınlatma efektleri ve eş zamanlı insan eylemleri gibi durumları yansıtacak şekilde oluşturulmuştur; bu durumlarda model hataları ve yanılsamalar, sonraki uygulamaları önemli ölçüde etkileyebilir. Model çıktıları, görsel ayrıntıları doğru bir şekilde yorumlama, iç tutarlılığı koruma ve desteklenmeyen çıkarımlardan kaçınma yeteneklerine göre değerlendirilmiş ve modeller arasında güvenilirliğin sistematik olarak karşılaştırılması sağlanmıştır.
Değerlendirme kriterleri
Yönergelere Uygunluk: Görsel, yönergede açıklanan tüm temel unsurları, ilişkileri ve eylemleri takip ediyor mu? (0-10)
0: İstem öğelerinin çoğunu göz ardı eder; sahne açıklamaya uymuyor.
2: Birkaç unsur içeriyor ancak önemli eylemleri veya ilişkileri atlıyor veya yanlış yorumluyor.
6: Temel unsurların çoğu mevcut, ancak bazıları eksik, yanlış yerleştirilmiş veya hatalı.
8: Hemen hemen tüm unsurlar küçük eksiklikler veya yanlışlıklar dışında doğru şekilde tasvir edilmiştir.
10: Talimatlara tamamen uygundur; tüm unsurlar, eylemler ve ilişkiler açık ve doğru bir şekilde temsil edilmiştir.
Gerçekçilik: Sahne genel olarak ne kadar inandırıcı ve canlı? (0-5)
0: Son derece yapay, tuhaf veya karikatüristik; sürükleyiciliği bozuyor
2: Gözle görülür derecede gerçekçi olmayan dokular, aydınlatma veya oranlar
3: Bazı gerçekçi yönler mevcut, ancak görsel veya fiziksel tutarsızlıklar belirgin.
4: Çoğunlukla gerçekçi, küçük kusurlar veya üslup değişiklikleri içeriyor.
5: Son derece fotogerçekçi; görsel olarak ikna edici ve doğal
Fiziksel ve optik uygunluk: Görüntü gerçek dünya fiziğine, optiğine ve uzamsal mantığa uygun mu? (örneğin, gölgeler, yansımalar, kırılma, ölçek) (0-5)
0: Ciddi fiziksel imkansızlıklar veya çelişkili aydınlatma/perspektif
2: Birden fazla hatalı gölge, yansıma veya ölçek ilişkisi
3: Genel olarak makul, ancak belirgin fiziksel hatalar içeriyor.
4: Fiziksel olarak tutarlı, küçük hatalarla birlikte.
5: Fiziksel ve optik olarak doğru, karmaşık etkileşimleri de içerir (cam, aynalar, hareket).
Sahne tutarlılığı ve mekansal mantık: Tüm unsurlar mantıksal olarak aynı mekanda bulunuyor ve tutarlı bir şekilde etkileşimde bulunuyor mu? (0-5)
0: Kopuk veya parçalı sahne; unsurlar birbiriyle alakasız görünüyor.
2: Zayıf mekansal mantık; belirsiz ön plan/arka plan ilişkileri
3: Çoğunlukla tutarlı, ancak bazı derinlik veya yerleşim sorunları var.
4: Küçük perspektif hatalarıyla birlikte güçlü mekansal tutarlılık.
5: Net derinlik, ölçek ve inandırıcı etkileşimlerle tamamen tutarlı bir sahne.
Çoklu öğe işleme: Model, tek bir sahnede birden fazla kişiyi, nesneyi ve eylemi ne kadar iyi işliyor? (0-5)
0: Birçok öğe eksik, birleştirilmiş veya anlamsız.
2: Birkaç unsur mevcut ancak karıştırılmış veya yanlış şekilde tekrarlanmış.
3: Çoğu unsur mevcut, ancak etkileşimler zayıf veya belirsiz.
4: Birden fazla unsur küçük hatalarla iyi bir şekilde ele alındı.
5: Karmaşık ve kalabalık sahne, net roller ve etkileşimlerle temiz bir şekilde ele alındı.
Nesne bütünlüğü: Bireysel nesneler açıkça şekillendirilmiş, eksiksiz ve tanınabilir mi? (0-5)
0: Nesneler kırılmış, birbirine yapışmış veya tanınmaz halde.
2: Nesnelerin yapısı veya belirgin bir kimliği yoktur.
3: Nesneler çoğunlukla doğru, ancak bazı deformasyonlar mevcut.
4: Nesneler, küçük görsel kusurlar dışında gerçeğe uygundur.
5: Nesneler net, eksiksiz ve açıkça tanımlanmıştır.
Stil ve ışık tutarlılığı: Işıklandırma, renk ve stil, görüntünün tamamında tutarlı mı? (0-5)
0: Tutarsız aydınlatma veya çelişkili görsel stiller
2: Birden fazla aydınlatma kaynağı veya tarzı doğal olmayan bir şekilde çatışıyor.
3: Çoğunlukla tutarlı, ancak belirgin uyumsuzluklar mevcut.
4: Küçük sapmalar dışında tutarlı aydınlatma ve stil.
5: Tamamen tutarlı aydınlatma, gölgeler, renk sıcaklığı ve stil
Metni görüntüye dönüştüren araçların temel özellikleri
Kalite ve çözünürlük
Bir metni görüntüye dönüştüren araç, genellikle öncelikle görüntü kalitesi açısından değerlendirilir. Yüksek kaliteli görüntüler, hassas kenarlar, doğru aydınlatma ve tutarlı dokular gösterir. Bu, oluşturulan görüntülerin sıradan denemelerin ötesinde, ticari projeler, konsept sanat çalışmaları veya sosyal medya paylaşımları gibi alanlarda kullanılacağı zaman önem kazanır.
Çıktı kalitesini etkileyen temel unsurlar şunlardır:
- Temel makine öğrenimi modelleri ve bu modellerin ince detayları ne kadar iyi ele aldıkları.
- Daha yüksek çözünürlüklü çıktı desteği, özellikle baskı veya büyük ekranlar için indirilen görüntüler söz konusu olduğunda faydalıdır.
- Benzer komutlardan oluşturulan birden fazla görselde tutarlılık, ekiplerin istikrarlı kalmasına yardımcı olur.
Çoklu en boy oranları
Farklı en boy oranı seçeneklerine yönelik destek, farklı formatlar için görseller oluştururken esnekliği artırır. Kullanıcılar, görüntüleri daha sonra kırpmak yerine, zaten amaçladıkları düzenle eşleşen görüntüler oluşturabilirler.
Yaygın en boy oranları şunlardır:
- Genel amaçlı görseller ve küçük resimler için kare format.
- Posterler, mobil ekranlar veya editoryal düzenler için dikey format.
- Sunumlar , web sayfaları vevideo kapakları için yatay ve geniş ekran formatları.
Pazarlama veya tasarım gibi iş akışlarında kullanılan bir yapay zeka görüntü oluşturucu için bu, zamandan tasarruf sağlar ve kompozisyon kalitesini baştan itibaren korur.
Hızlı anlama
Etkili metinden görüntüye dönüştürme sistemleri, istemler birden fazla nesne, ilişki veya kısıtlama içerse bile, metin açıklamasını doğru bir şekilde yorumlar. Güçlü istem anlama yeteneği, oluşturulan görüntülerin tekrarlanan deneme yanılma gerektirmek yerine kullanıcının fikriyle yakından örtüşmesini sağlar.
İyi bir hızlı kavrama becerisi genellikle şunları içerir:
- Ön plan ve arka plan gibi mekansal ilişkileri anlamak.
- Sıfatların, niceliklerin ve eylemlerin doğru kullanımı.
- Daha uzun veya ayrıntılı metin istemlerinin mantıksal yorumlanması.
Yapay zekâ görüntü oluşturucuları, görüntü stilini ve duygusal tonu doğrudan verilen komuttan yorumlayabilir. Kullanıcılar, teknik parametrelere ihtiyaç duymadan belirli sanatsal stiller, aydınlatma koşulları veya ruh halleri talep edebilirler.
Yaygın kullanım örnekleri şunlardır:
- Suluboya, anime veya fotogerçekçi gibi belirli bir sanat tarzı seçmek.
- Mevcut görsellerin veya referans fotoğrafın tonuyla uyum sağlamak.
- Yaratıcı keşif sürecinde çeşitli stilleri incelemek.
Özelleştirme ve kontrol
Hazır şablonlardan seçim yapmak, görüntü oluşturmaya yeni başlayan veya zaman kısıtlamaları altında çalışan kullanıcılar için sürtünmeyi azaltır. Şablonlar, kullanıcıları sıfırdan bir komut yazmak yerine daha net bir yapıya ve daha iyi sonuçlara yönlendirir.
Şablonlar genellikle şu amaçlarla tasarlanır:
- Pazarlama görselleri ve sosyal medya paylaşımları.
- Karakter tasarımı ve konsept çizimi.
- Ürün prototipleri ve editoryal görseller.
Metinden görüntüye dönüştürme araçları için şablonlar, özellikle profesyonel ortamlarda, daha tahmin edilebilir ve kullanılabilir yapay zeka görüntüleri oluşturmaya yardımcı olur.
Bazı görüntü işleme araçları, kullanıcıların yapay zeka tarafından oluşturulan görüntüleri oluşturulduktan sonra düzenlemelerine veya iyileştirmelerine olanak tanır. Bu, ayrıntıları ayarlamayı, belirli bölümleri yeniden oluşturmayı veya mevcut görüntülere dayanarak oluşturmaya devam etmeyi içerebilir.
İş akışı entegrasyonu
API ve araç entegrasyonu
İş akışı entegrasyonu, yapay zeka görüntü oluşturma özelliğinin bağımsız bir sayfa olarak çalışmak yerine daha büyük sistemlere entegre olmasını sağlar. API'ler, görüntüleri programatik olarak oluşturmanıza veya oluşturucuyu diğer araçlarla entegre etmenize olanak tanır.
Yaygın entegrasyon senaryoları şunlardır:
- Görüntü oluşturma işlemini tasarım veya içerik platformlarına entegre etme.
- Web siteleri veya uygulamalar için görsel oluşturmayı otomatikleştirme.
- Büyük ölçekte toplu görüntü oluşturmayı destekliyor.
Yapay zekâ tarafından üretilen içerikle düzenli olarak çalışan ekipler için entegrasyon seçenekleri, çıktı kalitesi kadar önemli olabilir.
Metinden görüntü oluşturmanın zorlukları
Karmaşık komutların yanlış yorumlanması
Metinden görüntü oluşturma araçlarının yaygın bir sınırlaması, karmaşık veya incelikli metin açıklamalarını işleme zorluğudur. İstemler birden fazla nesne, özellik veya soyut fikir içerdiğinde, yapay zeka görüntü oluşturucu bazı unsurlara öncelik verirken diğerlerini göz ardı edebilir.
Bu sorun genellikle şu durumlarda ortaya çıkar:
- Tek bir komut istemi, belirli rollere veya ilişkilere sahip birden fazla nesne içerir.
- Açıklamalar, açık talimatlardan ziyade incelikli bir dile dayanır.
- Bu yönerge, görsel ayrıntıları soyut kavramlarla birleştiriyor.
Gelişmiş yapay zeka modelleri bile niyeti yanlış yorumlayabilir ve bu da orijinal fikre yalnızca kısmen uyan görüntülerin oluşturulmasına yol açabilir. Kullanıcılar genellikle bu durumu, istemleri basitleştirerek veya tek bir fikri birden fazla görüntü oluşturma adımına bölerek telafi ederler.
Sayma ve sayısal doğruluk
Çoğu yapay zeka görüntü oluşturucu, sayısal hassasiyet konusunda zorluk yaşıyor. "Üç fincan" veya "yedi kuş" gibi bir metin istemi nesnelerin tam sayısını belirttiğinde, oluşturulan görüntüler genellikle yanlış sayıyı gösteriyor.
Bunun başlıca nedenleri şunlardır:
- Görüntü oluşturma modelleri, açık sayma kuralları yerine kalıplar üzerinde eğitilir.
- Sayılar, kısıtlama unsuru olarak değil, açıklayıcı belirteçler olarak ele alınır.
- Yalnızca ufak tefek ayarlamalar yapmak, tutarlı sayım hatalarını nadiren düzeltir.
Bu sınırlama, özellikle diyagramlar, eğitim görselleri veya yapılandırılmış düzenler gibi hassasiyet gerektiren kullanım durumlarında belirgindir. Yapay zeka görüntü oluşturmada çözülmesi gereken en önemli sorunlardan biri olmaya devam etmektedir. 1
Nesne ilişkileri ve mekansal akıl yürütme
Bir diğer zorluk ise yapay zeka tarafından oluşturulan görüntülerin mekansal ilişkileri nasıl ele aldığıdır. Modeller tek tek nesneleri doğru bir şekilde oluşturabilir, ancak bunları birbirlerine göre doğru bir şekilde konumlandırmakta başarısız olabilirler.
Sık karşılaşılan sorunlar şunlardır:
- Nesneler doğal olmayan bir şekilde havada süzülüyor veya üst üste biniyor gibi görünüyor.
- Ön plan ve arka plan yerleşimi yanlış.
- Eller veya aletler diğer nesnelerle gerçekçi bir şekilde etkileşime girmez.
Ürün kurulumları veya öğretici görseller gibi net mekansal mantığa dayanan sahnelerde bu durum kullanılabilirliği azaltabilir. Referans görüntüler veya mevcut görseller kompozisyona rehberlik etmeye yardımcı olsa da sonuçlar tutarsız kalır.
Görüntüler içinde metin oluşturma
Görüntüler içinde okunabilir metin oluşturmak, birçok görüntü oluşturma aracı için hala zayıf bir nokta olmaya devam ediyor. Harfler bozuk, yanlış yazılmış veya metne benzeyen ancak hiçbir anlam taşımayan sembollerle değiştirilmiş olarak görünebilir.
Bu durum aşağıdaki gibi senaryoları etkiler:
- Levhalar, etiketler veya posterler.
- Tişört veya şapka gibi giyim tasarımları.
- Kullanıcı arayüzü metni içeren arayüz taslakları.
Yeni yapay zeka modelleri iyileşme gösterse de, kullanıcılar genellikle doğrudan yapay zeka tarafından oluşturulan metne güvenmek yerine, görüntü oluşturulduktan sonra metin eklemek için manuel düzenlemeye veya harici tasarım araçlarına başvuruyorlar.
Anlamsal ve bağlamsal hatalar
Görüntü kalitesi yüksek olsa bile, yapay zeka tarafından oluşturulan fotoğraflar ince anlamsal hatalar içerebilir. Bu hatalar, modelin ilk bakışta mantıklı görünen ancak gerçek dünya mantığına aykırı görseller üretmesiyle ortaya çıkar.
Örnekler şunlardır:
- Düzensiz aydınlatma veya gölgeler.
- Fiziksel olarak imkansız şekillerde etkileşime giren nesneler.
- Eşyalar, gerçekte bulunmamaları gereken yerlere yerleştiriliyor.
Bu sorunlar, fizik ve bağlamın sınırlı anlaşılmasından kaynaklanmaktadır. Yapay zeka, gerçek kavrayıştan ziyade görsel benzerliğe odaklanmaktadır; bu da gerçekçilik gerektiren ticari projeler için sorun teşkil edebilir.
Önyargı ve temsil sorunları
Önyargı , metinden görüntüye dönüştürme sistemleri de dahil olmak üzere yapay zekânın genelinde daha geniş bir endişe kaynağı olmaya devam etmektedir. Yapay zekâ tarafından üretilen içerik, eğitim verilerinde mevcut olan dengesizlikleri yansıtarak, klişeleşmiş veya sınırlı temsillerin ortaya çıkmasına yol açabilir.
Bu şu şekilde görünebilir:
- Meslekî rollerde belirli demografik grupların aşırı temsil edilmesi.
- Giyimde veya ortamlarda kültürel kalıplaşmış yargılar.
- Yönergeler belirsiz olduğunda çeşitlilik sınırlıdır.
Birçok platform bu sorunları çözmek için aktif olarak çalışırken, kamu veya ticari kullanım için yapay zeka tarafından oluşturulan görseller üreten kullanıcılar, çıktıları dikkatlice incelemeli ve varsayılan varsayımlara güvenmekten kaçınmalıdır.
Tüm araçlar, tek bir sahnede tek veya minimal nesneler oluşturmada daha iyidir; birden fazla nesne içeren daha karmaşık senaryolar söz konusu olduğunda, performansları genellikle düşer. Ayrıca, insan faktörünün entegrasyonu sorunlara yol açar.
Referans Linkleri
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir.