ByteDance امروز اعلام کرد مدل تصویرساز نسل جدیدش، Seedream 5.5، به‌تدریج در پلتفرم‌های Jimeng، Doubao، Doubao Work و Volcengine Ark عرضه می‌شود. به گفته این شرکت، مدل می‌تواند یک تصویر را تا ۱۰۰ بار پیاپی ویرایش کند و در عین حال بخش‌های بدون تغییر را با دقت پیکسلی حفظ کند، بی‌آنکه رنگ‌ها جابه‌جا شوند. Seedream 5.5 همچنین تصاویری با کانال آلفا (RGBA) تولید می‌کند؛ بنابراین خروجی پس‌زمینه شفاف دارد و برای کارهای طراحی، بدون نیاز به برش اضافه آماده است.
این ارتقاها چه اهمیتی برای تولیدکنندگان محتوا دارد؟
تولید حرفه‌ای محتوای بصری اغلب به اصلاح‌های پیاپی نیاز دارد؛ مثلاً تغییر لباس، جابه‌جایی اشیا یا تنظیم نور، در حالی که بقیه صحنه دست‌نخورده بماند. پیش‌تر، هر بار ویرایش می‌توانست خطاهای کوچکی ایجاد کند که روی هم جمع می‌شدند و به لبه‌های تار یا تغییر ناخواسته ته‌رنگ می‌انجامیدند. ByteDance می‌گوید آموزش هدفمند این مدل اکنون بخش‌های ویرایش‌نشده را در سطح پیکسل حفظ می‌کند؛ یعنی پس‌زمینه یا سوژه، حتی پس از ده‌ها بار ویرایش، دقیقاً یکسان می‌ماند. خروجی با پس‌زمینه شفاف نیز یکی از مراحل دستی رایج را حذف می‌کند: طراحان دیگر برای استفاده دوباره از عناصر تولیدشده به ابزار جداگانه حذف پس‌زمینه نیاز ندارند.
در نمونه‌های نمایشی خود شرکت، پرتره‌ای ۱۰۰ بار ویرایش می‌شود و لباس‌ها، لوازم جانبی و وسایل روی میز در آن تغییر می‌کنند، اما بافت پوست، نورپردازی و نحوه قرارگیری اجسام روی هم هماهنگ باقی می‌ماند. آزمایش‌های مشابه روی گل‌آرایی‌ها و صحنه‌های داخلی نیز در تمام مراحل، پرسپکتیو، سایه‌ها و درخشش مواد را ثابت نگه داشته‌اند.
چه چیزهایی در کیفیت تصویر تازه است؟
Seedream 5.5 واقع‌گرایی را نیز بهبود می‌دهد. ByteDance می‌گوید این مدل نورپردازی، مواد و رنگ پوست را طبیعی‌تر نمایش می‌دهد و از لکه‌های بیش‌ازحد روشن یا براق می‌کاهد. متن‌های ریز و فشرده واضح‌ترند و حروف پیچیده حتی در اندازه قلم روزنامه‌ای هم خوانا می‌مانند. ارزیابی‌های داخلی شرکت، این مدل را در ساختار متن و واقع‌گرایی تبدیل متن به تصویر بالاتر از رقبایی مانند GPT Image 2.5 Sunburst قرار می‌دهد؛ با این حال، هنوز معیارسنجی مستقلی منتشر نشده است.
چرا مهم است
برای طراحان گرافیک و تیم‌های تبلیغاتی، Seedream 5.5 می‌تواند ساعت‌ها کارِ پاک‌سازی دستی و رندر دوباره را کم کند و به آن‌ها امکان دهد سریع‌تر اصلاح کنند و در عین حال یکدستی بصری را حفظ کنند. خروجی شفاف نیز امکان می‌دهد عناصر تصویری مستقیماً وارد نرم‌افزارهای صفحه‌آرایی شوند و روند کار ساده‌تر شود. با این حال، هنوز داده‌های مستقل درباره عملکرد مدل منتشر نشده و برتری آن در استفاده واقعی باید بررسی شود.
