Imagen 3 și Gemini: generarea de imagini din text atinge fotorealismul

2025

Imagen 3 de la Google, integrat cu înțelegerea lingvistică a lui Gemini, a împins generarea de imagini din text la un nou nivel. Imaginile nu erau doar frumoase, ci erau sofisticate compozițional, corecte din punct de vedere fizic și controlabile stilistic.

„O femeie japoneză în vârstă citind un ziar într-o bucătărie scăldată în soare, lumina dimineții aruncând umbre lungi, stil Fuji X100V” ar produce o imagine atât de convingătoare încât fotografii profesioniști nu o puteau distinge cu certitudine de o fotografie reală.

Progresul cheie a fost înțelegerea lingvistică profundă a lui Gemini, care interpreta promptul. A înțeles că „stil Fuji X100V” însemna o anumită știință a culorii și anumite caracteristici ale profunzimii de câmp. A înțeles că „lumina dimineții” însemna anumite unghiuri ale umbrelor și o anumită temperatură de culoare.

Pentru profesioniștii din domeniul creativ, asta însemna prototipare rapidă a conceptelor vizuale. Directorii artistici puteau genera zeci de variante înainte de o ședință foto, explorând compoziții și configurații de iluminat care ar fi durat ore întregi pentru a fi pregătite fizic.

În ceea ce privește accesibilitatea, asta însemna că oricine putea crea materiale vizuale de calitate profesională pentru prezentări, rețele sociale sau proiecte personale, fără abilități de fotografie sau echipamente scumpe.

Google a încorporat filigrane SynthID în fiecare imagine generată (invizibile pentru ochi, dar detectabile de algoritmi), asigurând o implementare responsabilă pe măsură ce calitatea devenea imposibil de deosebit de realitate.