مولدهای تصویر در سال‌های اخیر از «ساخت یک تصویر زیبا» به سمت «ساخت دقیقاً همان تصویری که می‌خواهم» حرکت کرده‌اند. در ۲۱ نوامبر ۲۰۲۴ شرکت Black Forest Labs، سازندهٔ خانوادهٔ مدل‌های FLUX، گام مهمی در این مسیر برداشت و مجموعه‌ای به نام FLUX.1 Tools را معرفی کرد. هدف این مجموعه، دادن کنترل بیشتر به کاربر روی ساختار، لبهها، عمق و سبک تصویر است.
چهار ابزار، چهار نوع کنترل#
مجموعه از چهار ابزار تشکیل شده بود. بر اساس گزارش‌هایی که دربارهٔ این عرضه منتشر شد، کارکرد هر کدام به این شکل است:
- FLUX.1 Fill: ویرایش بخشی از تصویر با ماسک (inpainting) و گسترش تصویر فراتر از کادر اصلی (outpainting). برای نمونه، تغییر ژاکت یک فرد یا بزرگ‌تر کردن صحنه.
- FLUX.1 Depth: استخراج اطلاعات عمق از یک تصویر و استفاده از آن برای ساخت تصویری تازه با ترکیب‌بندی مشابه.
- FLUX.1 Canny: استخراج خطوط و لبه‌های تصویر و اعمال آن‌ها روی تصویری که تازه ساخته می‌شود.
- FLUX.1 Redux: ساخت دوبارهٔ یک سوژه در سبکی دلخواه، بدون این‌که خود سوژه از بین برود؛ مثلاً در سبک هنر شیشه‌ای یا انیمه.
چرا کنترل مهم است؟#
اگر تا همین چند وقت پیش یک مولد تصویر را امتحان کرده باشید، می‌دانید که نوشتن یک توضیح متنی خوب فقط بخشی از کار است. ترکیب‌بندی، زاویه و جای قرارگیری اشیا اغلب تصادفی است. ابزارهایی مانند Depth و Canny این مشکل را از راه «راهنمای ساختاری» حل می‌کنند: شما می‌گویید ساختار از این تصویر گرفته شود و مدل فقط ظاهر و جزئیات را بسازد. این همان ایده‌ای است که پیش‌تر در دنیای Stable Diffusion با ControlNet رایج شده بود، و عرضهٔ رسمی آن توسط خود سازندگان FLUX یعنی کیفیت و سازگاری بهتر با مدل اصلی.
