Hoofdstuk 4

Hoofdstuk 4: Producten en advertenties maken met Playgroundai.com en tutorials

Geplaatst op door Patrick Petersen

In hoofdstuk 4 leren we producten en advertenties maken met Playgroundai.com.

 

  • We gaan nu advertenties voor producten ontwerpen die niet bestaan. We gebruiken bestaande producten als basis voor de nieuwe variant.
  • Surf naar playgroundai.com en meld je opnieuw aan.
  • Waar we eerst het canvas hebben gebruikt, gebruiken wij nu de optie met interface voor de creatie. Kies via de Create knop voor Create on a board.
  • Het scherm kent links en rechts de meest relevante menubalken. Kies links bij Filter voor een fotorealistisch filter, zoals een Protogen filter.
  • We slaan de Prompt nu even open; upload een afbeelding van een gele klomp bij de optie Image to Image, wederom in het linkermenu. Kies voor een afbeelding waar vooral de klomp is te zien op een lichte achtergrond.
  • Voer in het vak bij Exclude from image in: blurry, ugly, grainy.
  • Schuif de Image strength naar 35 om zo aan te geven hoeveel impact deze afbeelding gaat hebben op het eindresultaat.
  • Kies rechtsboven bij optie Model de Stable Diffusion XL, waar mij al eerder mee hebben gewerkt. Elk model kan een ander resultaat geven.
  • Kies bij Image dimension het formaat van de afbeelding die wij willen genereren. In dit voorbeeld kiezen wij voor 512 x 512.
  • Kies bij de optie Prompt Guidance voor een waarde van 10. Met deze schuifbalk geeft u aan hoe precies de prompt tot resultaat wordt verwerkt.
  • Kies bij de volgende optie in het rechtermenu, genaamd Quality & Details, voor een waarde van 100 om zo de kwaliteit van het eindresultaat te versterken. Bij een hoge waarde duurt de generatie langer.
  • Klik vervolgens voor de optie Randomize each number to get new variations bij het onderdeel Seed. Door een willekeurig nummer per keer te laten gebruiken komen er meer variaties uit de creaties.
  • De opties Samples en Number of Images gebruiken wij niet.
  • Voer nu in het linkermenubalk bij de optie Prompt deze prompt in om een fictieve advertentie voor een fictieve sneaker te generen:

a running sneaker advertising , a nike shoe, arty background, future 3d design, superrealism, masterpiece, octane render, 8k, high details, gold accentsneaker in the screen, by artgerm, highly detailed, production cinematic character render, ultra high quality model

 

 

 

Masker

Extra logo

Prompt (inpaint):

phantasy soccer logo placed on background, shadow, high quality, cinematic, cyan, yellow, white, octane render, photorealistic, small

 

 

 

 

1404, #1404

Hoofdstuk 4: werken met deepbrain.ai, voorbeelden en tutorials

Geplaatst op door Patrick Petersen

Het maken van video’s met behulp van kunstmatige intelligentie kan op verschillende manieren worden benaderd. Videogeneratie met de hulp van AI-algoritmen bevat het creëren van beelden op basis van specifieke input. Deze beelden kunnen vervolgens worden samengevoegd tot een reeks om een complete video te vormen. DL en GAN’s spelen vooral bij video een rol bij het genereren van afbeeldingen en zelfs volledige video’s. Met de inzet van AI is ook het mogelijk om bestaande video’s te bewerken en te verbeteren. Dit omvat taken zoals het verminderen van beeldruis, het verhogen van de resolutie, automatisch bijsnijden en het toevoegen van effecten of filterstijlen aan video’s. Bovendien kunnen AI-modellen worden ingezet voor videomanipulatie, deeze modellen zijn in staat om gezichten en objecten in bestaande video’s aan te passen. Hiermee kunnen gezichtsuitdrukkingen worden gewijzigd, achtergronden worden veranderd en zelfs compleet nieuwe scènes worden gecreëerd.

Ook de generatie van video kent no-code bediening van toepassingen en manieren om te programmeren, zoals met de toepassing deepbrain.ai. Met AI kunnen wij bijvoorbeeld AI-videopresentaties maken met menselijke avatars (ook humatars genoemd). Via het populaire deepbrain.ai-platform kunnen (gratis) AI-videopresentaties worden gegenereerd op basis van scripts en bijvoorbeeld url’s van website.

 

Tutorials

 

 

 

1405, #1405

 

Hoofdstuk 4: Uitleg van de werking van stable difussion modellen

Geplaatst op door Patrick Petersen

Bekijk de uitleg van de werking van stable difussion modellen bij het genereren van visuele content. Dit proces begint met een willekeurige ruis en voegt stap voor stap informatie toe om de ruis om te zetten in een realistische afbeelding. Het doel is om een afbeelding te creëren die lijkt op de oorspronkelijke input om zo unieke afbeeldingen te kunnen genereren op hogere snelheid. Stable diffusion, met stability.ai als handig platform vol toepassingen, is de meest flexibele AI-beeldgenerator. Het is volledig open source en je kunt zelfs je eigen modellen trainen op basis van je eigen dataset om het precies het soort afbeeldingen te laten genereren dat je wilt. Toepassingen die zijn gebaseerd op GAN’s, zoals DALL-E van producent OpenAI, zijn dan weer eenvoudiger in gebruik.

 

 

De architectuur van Stable Diffusion-modellen en GANs is fundamenteel verschillend. Stable Diffusion-modellen gebruiken een denoising-architectuur, waarbij het model wordt getraind om toegevoegde ruis uit de gegevens te verwijderen en geleidelijk de gegenereerde afbeelding te verfijnen in de loop van de tijd.

Aan de andere kant hebben GANs een competitieve architectuur, waarbij de generator en discriminator tegelijkertijd worden getraind. De generator probeert gegevens te produceren die de discriminator niet kan onderscheiden van echte gegevens, terwijl de discriminator probeert beter te worden in het onderscheiden van echte gegevens van de gegenereerde gegevens. Dit kan leiden tot een probleem dat bekend staat als modusinstorting, waarbij de generator beperkte variaties van voorbeelden produceert.

 

 

Hoofdstuk 4: Hoe werkt het genereren van grafische content met AI?

Geplaatst op door Patrick Petersen

Hoe werkt het genereren van grafische content met AI?

 

 

AI-generatie van afbeeldingen en video’s maakt gebruik van complexe neurale netwerkarchitecturen, zoals generatieve tegen-netwerken (GAN’s) en RNN’s:

  1. Voorbereidende fase: In de voorbereidende fase worden grote hoeveelheden visuele gegevens verzameld, zoals afbeeldingen of video’s. Deze gegevens worden gebruikt om het AI-model te trainen, zodat het de patronen, stijlen en kenmerken van de bestaande visuele inhoud kan begrijpen.
  2. Generatieve Modellen (bijv. GAN’s): Een veelgebruikte aanpak voor het genereren van afbeeldingen en video’s is via generatieve tegen-netwerken (GAN’s). Een GAN bestaat uit twee hoofdcomponenten: de generator en de discriminator. De generator creëert nieuwe afbeeldingen of video’s op basis van willekeurige ruis of een startafbeelding. De discriminator probeert onderscheid te maken tussen de door de generator gegenereerde inhoud en echte, bestaande inhoud.
  3. Training: Tijdens het trainingsproces worden de generator en de discriminator samen getraind. De generator probeert afbeeldingen te genereren die de discriminator misleiden, zodat deze de gegenereerde inhoud als echt beschouwt. Naarmate het trainingsproces vordert, wordt de generator steeds beter in het creëren van realistische inhoud.
  4. Feedbacklus: De generator en de discriminator zijn met elkaar in een feedbacklus verwikkeld. Naarmate de generator verbetert, wordt de discriminator ook beter in het herkennen van nepinhoud. Dit dwingt de generator om nog realistischere inhoud te creëren om de discriminator voor de gek te houden.
  5. Fijntuning en Aanpassing: Nadat het generatieve model is getraind, kan het worden aangepast aan specifieke doelen. Dit omvat mogelijk het finetunen van het model op specifieke soorten afbeeldingen (bijv. gezichten, landschappen) of het sturen van het generatieproces op basis van bepaalde input (bijv. tekstuele beschrijvingen).
  6. Generatie: Zodra het model is getraind en aangepast, kan het worden gebruikt om nieuwe afbeeldingen of video’s te genereren. Voor afbeeldingengeneratie kan het generatieve model willekeurige ruis gebruiken om een startpunt te creëren, terwijl bij video’s opeenvolgende frames worden gegenereerd om een vloeiende beweging te creëren.