عکاسی محصول با هوش مصنوعی: ۴ درسی که با آزمون و خطا یاد گرفتم

وقتی پایپ‌لاین عکاسی محصول با هوش مصنوعی را برای خطوط مختلف محصولاتمان راه انداختم، تصوری کاملاً متفاوت داشتم. فکر می‌کردم با مدل Nano Banana Pro روی پلتفرم Higgsfield می‌توانم تصاویری شبیه تیزرهای تبلیغاتی گران‌قیمت خلق کنم. اما پس از امتحان کردن سناریوهای مختلف، از قیچی باغبانی در تاکستان گرفته تا پمپ لجن‌کش شناور در گودال حفاری، به یک اصل ثابت رسیدم: عکس محصول با هوش مصنوعی زمانی جواب می‌دهد که خود محصول قهرمان کادر باشد، نه مدل انسانی و نه حواشی صحنه.

حذف چهره انسان و تمرکز روی محصول

در یکی از اولین تست‌ها می‌خواستم تصویر یک انبردست عایق‌دار برقکاری را در یک کارگاه ساختمانی بعد از باران خروجی بگیرم تا کیفیت ساخت ابزار مشخص شود. در نوبت‌های اول، چهره کارگر برقکار را هم در کادر قرار دادم. اما وقتی تصویر تولید شد، چشم در اولین برخورد روی صورت کارگر قفل می‌شد و انبردست کلاً دیده نمی‌شد. علاوه بر این، هوش مصنوعی نوشته‌های روی بدنه مثل حک Made in Germany را هم به کلمات درهم‌ریخته و نامفهوم تبدیل کرده بود. صورت انسان تمام توجه بیننده را می‌دزدید و هوش مصنوعی هم در رندر جزئیات دقیق متنی ابزار ناتوان بود. برای حل این مشکل، چهره را کاملاً از کادر حذف کردم و زاویه تصویر را طوری بستم که فقط دستکش کارگاهی و بدنه انبردست مشخص باشد. با این کار، تمرکز تصویر دقیقاً روی خود ابزار قرار گرفت، هرچند برای متن‌های حک‌شده روی بدنه هم مجبور شدم محدودیت هوش مصنوعی را بپذیرم و آن جزئیات را بعداً ویرایش کنم.

پرامپت کوتاه و ساده‌سازی توصیف‌ها

برای عکاسی از پمپ لجن‌کش شناور داخل گودال حفاری، پرامپت بسیار مفصلی نوشتم. تمام جزئیات مثل جنس گل‌ولای غلیظ، انعکاس نور روی آب، قطرات معلق و بافت دیواره‌های گودال را توصیف کردم. خروجی تصویر یک صحنه شلوغ و غیرطبیعی شد که در آن فرم بدنه پمپ تغییر کرده بود و لوله‌های متصل به آن به شکل غریبی کج شده بودند. وقتی توصیف‌های متنی زیاد و ریز به مدل داده می‌شود، هوش مصنوعی ساختار ابزار اصلی را به هم می‌ریزد و خروجی منطق بصری خود را از دست می‌دهد. برای اصلاح این خروجی، پرامپت را به چند کلمه کلیدی محدود به خود پمپ و محیط اصلی گودال کاهش دادم. با کوتاه کردن پرامپت، فرم ساختاری پمپ سالم ماند و تصویر نهایی بسیار طبیعی‌تر شد.

اتصال لوازم جانبی به ابزار اصلی

در سناریوی عکاسی از قیچی باغبانی در تاکستان، لوازم جانبی مثل تیغه یدکی و قوطی روغن نگهدارنده را جداگانه گوشه‌ای روی خاک و سنگ قرار دادم. خروجی تصویر طوری شد که اجزای جانبی روی زمین معلق به نظر می‌رسیدند و زاویه سایه‌شان با سایه قیچی و محیط هیچ همخوانی نداشت. بیننده با دیدن اجزای پراکنده گیج می‌شد و ارتباط آن‌ها را با قیچی درک نمی‌کرد. قطعات رهاشده در صحنه، حس یک تصویر سرهم‌بندی‌شده را منتقل می‌کردند. راهکار این بود که لوازم جانبی را کاملاً متصل به ابزار تعریف کنم؛ مثلاً تیغه‌ای که در دست کاربر و در حال تعویض روی قیچی است. وقتی قطعات جانبی نقش عملکردی روی ابزار پیدا کردند، هوش مصنوعی توانست نور و سایه را منطقی تولید کند و تصویر حس واقعی گرفت.

نشان دادن ابزار در حال کار به جای حالت ساکن

در تست‌های اولیه، انبردست عایق‌دار را به صورت تمیز و ساکن روی میز کارگاه گذاشتم و پمپ لجن‌کش را هم بدون حرکت کنار گودال قرار دادم. خروجی‌ها تصاویری بی‌روح و شبیه مدل‌های سه‌بعدی ارزان‌قیمت بودند که هیچ حس اعتمادی ایجاد نمی‌کردند. ابزار فیزیکی زمانی معنا پیدا می‌کند که در حال کار باشد؛ ابزار ساکن در صحنه، مصنوعی به نظر می‌رسد و کاربردی بودن خود را نشان نمی‌دهد. برای حل این مشکل، صحنه را تغییر دادم تا ابزار را وسط کار نشان دهم؛ انبردست در حال بریدن سیم برق و قیچی باغبانی در حال هرس شاخه تاک. وقتی ابزار در حال کار تصویر شد، جزئیات کاربردی مانند فشار دست و زاویه درگیر شدن ابزار با قطعه به عکس روح داد و خروجی هوش مصنوعی از حالت یک تصویر بی‌مصرف خارج شد.