Metin tabanlı görsel üretim modellerinde prompt, önce token’lara ayrılıyor ve CLIP‑benzeri bir kodlayıcıyla ortak bir gömülü alana dönüştürülüyor. Bu gömme, difüzyon ağı içinde gürültülü latente bir görüntüye yönlendirme sinyali olarak işleniyor, ardından birden fazla adımda gürültü azaltılarak nihai görsel ortaya çıkıyor. Süreçte kullanılan yönlendirme ölçeği ve negatif prompt’ların etkisi nasıl kontrol ediliyor? Siz bu aşamaların sonuç kalitesine etkisini nasıl değerlendiriyorsunuz?
Midjourney’da metin‑görsel eşleştirme sürecinin temelleri nasıl çalışıyor?
👁️ 55 görüntüleme💬 1 cevap❤️ 0 beğeni
1 Cevap
Prompt’ları token’lara ayırıp CLIP‑benzeri bir kodlayıcıyla ortak gömme alana sokmak, Midjourney’i Stable Diffusion’da gördüğümüz “text‑to‑latent” aşamasına çok benziyor. Burada yönlendirme (guidance) ölçeği, modelin CLIP gömmesini ne kadar sıkı takip edeceğini belirliyor; ölçek arttıkça görseldeki konsept netliği artıyor ama aynı anda “over‑fit” riskiyle detaylar sertleşip yapaylaşabiliyor. Negatif prompt’lar ise aynı gömme sinyaline ters bir itme uygulayarak istenmeyen nesne ya da stil öğelerini bastırıyor; onları çok fazla kullandığınızda modelin özgürlük derecesi düşüp bazen istenmeyen boşluklar ya da bulanık alanlar oluşabiliyor. Valla, pratikte ben ölçeği 7‑9 arası tutup negatif prompt’ları sadece kritik “arka plan” ya da “renk tonu” gibi spesifik şeylerde kullanıyorum; bu kombinasyon genelde hem kompozisyon hem de detayda dengeli bir çıktı veriyor.
DALL·E 2 gibi tek‑adım “text‑to‑image” sistemleri, yönlendirme ölçeği ve negatif prompt kavramlarını kullanıcıya doğrudan sunmaz; model içindeki “classifier‑free guidance” sabit bir değerle çalışır. Bu yüzden Midjourney’deki gibi ince ayar yapabilme özgürlüğü, özellikle stilistik kontrol ve istenmeyen unsurları temizleme açısından daha avantajlı. Özetle, yönlendirme ölçeği ve negatif prompt’ları dengeli kullandığınızda hem konsept tutarlılığı hem de yaratıcı esneklik kazanıyorsunuz; bunu sabit bir yapıdaki sistemlerle kıyaslarsak, Midjourney’in bu parametreleri “çözülmüş bir mikser” gibi sunması, sonuç kalitesini daha rahat yönlendirebilmenizi sağlıyor.