Text To Image ด้วย Stable Diffusion

ในบทความนี้ เราจะมาดูเรื่องของการใช้งาน Txt2Img หรือก็คือ Text to Image ซึ่งเป็นการสร้างภาพด้วย AI โดยการป้อนข้อมูลที่ต้องการผ่าน Prompt เช่น ถ้าต้องการภาพแมวอยู่ในกล่อง เราก็ใส่ Prompt ไปว่า “cat in the box” ตัว AI ก็จะแปลง Prompt นั้นออกมาในรูปแบบภาพ

Prompt จะแบ่งออกเป็น Positive Prompt และ Negative Prompt

Positive Prompt คืออะไร?

Positive Prompt คือสิ่งที่เราต้องการให้อยู่ในภาพ เช่น “cat in the box”, “park”, “afternoon”, “under the tree” โดยจะใช้เครื่องหมายจุลภาค (,) เพื่อแบ่งคำใหม่ ไม่จำเป็นต้องเขียนเป็นประโยคยาว ๆ เช่น:

• “cat in the box”
• “park”
• “afternoon”
• “under the tree”

Negative Prompt คืออะไร?

Negative Prompt คือสิ่งที่เราไม่ต้องการในภาพ เช่น “bird”, “grass” โดยการใช้ Negative Prompt ช่วยให้เราสามารถควบคุมองค์ประกอบที่ไม่ต้องการในภาพได้ เช่น:

• “bird”
• “grass”

เมื่อสั่ง Generate ภาพจาก Prompt ตัวอย่าง เราก็จะได้ภาพแมวอยู่ในกล่องใต้ต้นไม้ โดยจะไม่มีนก หรือหญ้าในรูป

ตัวอย่าง Prompt

Prompt : cat in the box, park, afternoon, under the tree
Negative prompt: bird, grass

//Steps: 20, Sampler: DPM++ 2M Karras, CFG scale: 7, Seed: 3506571581
//Model: epicrealismXL_v5Ultimate

Parameters สำคัญที่ควรรู้ในการใช้งาน Stable Diffusion

1. Sampling Steps
   • Sampling Steps หมายถึงจำนวนครั้งที่ AI จะทำการประมวลผลภาพ ตามหลักการของ Diffusion Model มีผลต่อความละเอียดและคุณภาพของภาพ ยิ่งจำนวนมาก ภาพก็จะยิ่งละเอียดขึ้น แต่ก็ใช้เวลานานขึ้น ปกติจะใช้อยู่ที่ 20-30 Step
2. CFG Scale (Classifier-Free Guidance Scale)
   • CFG Scale เป็นค่าที่ใช้กำหนดความแม่นยำของ AI ในการทำตาม Prompt ถ้าค่า CFG Scale สูง AI จะยิ่งทำตาม Prompt ได้มากขึ้น แต่ก็อาจทำให้ภาพดูไม่เป็นธรรมชาติ ถ้าค่าต่ำ AI จะมีความยืดหยุ่นในการสร้างภาพมากขึ้น ปกติจะใช้ที่ CFG Scale 7
3. Sampling Method
   • Sampling Method ใน Stable Diffusion เป็นเทคนิคที่ AI ใช้ในการสุ่มตัวอย่างภาพจากข้อมูลที่มีอยู่เพื่อสร้างภาพใหม่ มีให้เลือกใช้งานหลากหลายตัว การเลือก Sampling Method ที่เหมาะสมจะมีผลต่อคุณภาพและความเร็วในการสร้างภาพ เช่น Method ที่นิยมใช้ ได้แก่ DDIM (Denoising Diffusion Implicit Models) ซึ่งเป็นวิธีที่ช่วยลด noise ในภาพและทำให้ภาพมีคุณภาพสูงขึ้น แต่ใช้เวลาน้อยกว่า Method อื่นๆ อย่างเช่น PNDM (Predictive Noise Diffusion Models) ที่มีความแม่นยำสูงแต่ใช้เวลามากกว่า
   • ใน Web UI A1111 ,DPM++ 2M Karras คือ Method ที่ใช้กันแพร่หลาย ทำงานได้เร็วและแม่นยำ
4. Seed
   • Seed ในการสร้างภาพด้วย AI เช่น Stable Diffusion หมายถึงค่าตัวเลขเริ่มต้นที่ใช้ในการกำหนดการสุ่มของการสร้างภาพใหม่ ถ้าใช้ Seed เดียวกัน Prompt เดียวกัน ระบบจะสร้างภาพที่คล้ายกันออกมา ทำให้ Seed มีประโยชน์ในการสร้างภาพซ้ำ กลับกันถ้า Seed เปลี่ยน แต่ Prompt เดิม ระบบจะสร้างภาพใหม่ที่ไม่เหมือนเดิมขึ้นมาเรื่อยๆ

ในการเริ่มสร้างภาพทุกครั้งเราจะมาเริ่มที่ Txt2Img เจนภาพไปเรื่อยๆ จนกว่าจะได้โครงภาพที่พอใจแล้วค่อยนำภาพนั้นไปทำต่อที่ Img2Img (Image to Image) เพื่อเพิ่มความคมชัด ปรับปรุงภาพให้สมบูรณ์มากยิ่งขึ้น