En Fejlklassifikation for AI Produktfotografi

De fleste afviste produktbilleder bliver afvist med den samme sætning: det ser forkert ud. Den sætning sender operatøren tilbage til værktøjet for at prøve igen, og det næste billede ser forkert ud på en anden måde. Det, der mangler, er en betegnelse. En refleksion, der viser det gamle studie, en ekstra lynlås, en skygge, der falder forkert, en blød kant fra en blød lyskilde og en portrætfremstilling på en kvadratisk kanal er fem forskellige fejl med fem forskellige løsninger, og ingen af dem løses ved bare at prøve igen.

Denne side er en taksonomi: alle måder, hvorpå et genereret produktbillede kan fejle, inddelt i fem kategorier efter, hvad der gik galt, med årsag og løsning for hver enkelt. Den offentliggør ikke fejlprocenter for noget værktøj eller kategori. Det, den giver, er et sprog til vurderingen — så et afvist billede afvises med en grund, der peger på et trin — og en rækkefølge at undersøge i.

Hvad er de vigtigste måder, AI-produktfotografi fejler på?

Fem: produktet ændrede sig (dets farve, form, tekstur, proportion eller et detaljeret element er anderledes end på fotografiet); noget blev opfundet (en funktion, et mærke eller en side, som produktet ikke har); scenen stemmer ikke overens med produktet (lys, skygge, skala, kontakt, refleksion eller perspektiv, der ikke passer); kilden var ikke god nok (slør, skygge, en skjult side, lav opløsning, forkert baggrund, så værktøjet måtte gætte); og billedet passer ikke til kanalen (beskæring, baggrund, størrelse eller en regel, som markedspladsen håndhæver). Hver kategori har sin egen årsag og løsning, og vurderingen følger den rækkefølge, fordi de to første er dem, kunden kan holde dig ansvarlig for.

Hvorfor overhovedet klassificere fejl?

En fejl med et navn har en løsning: en ændret farve peger på farvereferencen og kontrollen; en opfundet lomme peger på kildens skjulte side; en forkert skygge peger på scenens lys. En fejl uden navn peger på ingenting, så operatøren genererer igen med samme kilde og samme forespørgsel og får samme type fejl med forskellige detaljer. Klassificering gør det også muligt at gennemgå en hel serie: ti billeder afvist som "forkert" er ti problemer; ti billeder afvist som "klasse 3, lysfejl" er ét problem på ét trin.

Klasse 1 — produktet ændrede sig

Produktet på billedet er ikke det samme som produktet på fotografiet.

• Sådan ser det ud: en farve forskudt i forhold til referencen; en proportion strakt; en tekstur udglattet eller skærpet; en detalje flyttet — en knap, en søm, en halsudskæring; et mønster ændret i afstand; et logo tegnet om; bogstaver på en label erstattet med bogstavformer.
• Årsag: produktets pixels blev tegnet om — en ny gengivelse ud fra en beskrivelse, en vinkel som kilden ikke havde, en opskalering der skulle opfinde detaljer, flere ændringer på én gang.
• Løsning: en arbejdsgang, der bevarer produktets pixels og genererer omkring dem; én ændring per billede; en farvereference i masterfilen; en sammenligning med masterfilen i fuld størrelse.
• Alvorlighed: kunden modtager et andet produkt. Afvis.

Klasse 2 — noget blev opfundet

Billedet viser en detalje, et mærke eller en side, som produktet ikke har.

• Hvordan det ser ud: en ekstra lukning, lomme, rem, stik eller søm; en funktion spejlet for symmetri; et mærke hvor mærker normalt sidder; en bagside eller underside tegnet ud fra forsiden; et tilbehør, der ikke er inkluderet.
• Årsag: et hul i kilden — en skjult side, en skyggefuld lukning, en beskæring — som værktøjet udfyldte med det, produkter af den slags normalt har; en forespørgsel der beskrev produktet; en ny vinkel fra en kilde, der ikke viste den.
• Løsning: en kilde hvor alle detaljer og fravær er synlige, fra alle vinkler der bruges i annoncen; beskriv scenen, aldrig produktet; tæl funktioner i kilden og outputtet.
• Alvor: kunden bestiller noget, der ikke findes. Afvis.

Klasse 3 — scenen passer ikke til produktet

Produktet er korrekt, scenen er korrekt, men de hører ikke sammen.

• Hvordan det ser ud: skyggen falder mod lyset; en refleks på produktet fra en side, hvor scenen ikke har lys; en refleksion der viser det gamle studie; et produkt der svæver over overfladen eller er sunket ned i den; et produkt på størrelse med en bygning eller en legetøj; et perspektiv hvor jorden trækker sig tilbage, men produktet ikke gør; en farvetone scenen ikke kan forklare.
• Årsag: scenens lys valgt uden hensyn til hovedlyset; et reflekterende eller gennemsigtigt produkt, der bærer sit gamle miljø med; en kontakt-skygge genereret uden om produktet; en skala, som forespørgslen aldrig fastsatte.
• Løsning: scener oplyst fra hovedlysets side; en neutral baggrund for reflekterende produkter, den publikationens overflade for gennemsigtige; en skygge tjekket for retning, blødhed og kontakt; en størrelsesreference i scenen, hvor skala har betydning.
• Alvor: billedet virker falsk, før nogen kan sætte fingeren på hvorfor; tilliden, ikke produktet, er det kunden mister. Afvis, og ret scenen, ikke produktet.

Klasse 4 — kilden var ikke god nok

Værktøjet måtte gætte, fordi fotografiet ikke sagde noget.

• Hvordan det ser ud: bløde kanter hvor kilden var blød; en skygge side udjævnet til ingenting; et lavopløsningsprodukt i en skarp scene; en farve der ikke kan tjekkes, fordi der ikke var nogen reference; en skjult side der bliver klasse 2, så snart en ny vinkel efterspørges; en hvid master presset ind i en mørk scene for et gennemsigtigt produkt.
• Årsag: fotografiet — sløring, ujævnt lys, en skjult del, en lille fil, den forkerte baggrund — ikke genereringen.
• Løsning: en genoptagelse. Jævnt lys, fuld opløsning, alle sider, en farvereference, den baggrund billedet skal bruge. I Photta bevarer uploads op til 10 MB kameraets originale detaljer.
• Alvor: alle efterfølgende billeder arver det. Ret kilden, før du genererer noget som helst andet.

Klasse 5 — rigtigt billede, forkert kanal

Billedet er korrekt, men kanalen accepterer det ikke eller viser det dårligt.

• Sådan ser det ud: et hovedbillede med en scene, hvor markedspladsen kræver helt hvid baggrund; et portrætfoto beskåret i en firkant, hvor produktet bliver skåret af; produktet er for lille i rammen til kanalens zoom; en skygge eller rekvisit, som kategorireglerne forbyder; en filstørrelse eller format, som kanalen afviser.
• Årsag: billedet er lavet, før kanalens regler blev læst.
• Løsning: læs kanalens aktuelle krav direkte fra kanalen, og lav en eksport pr. kanal: hvid baggrund til hovedbilledet, hvor det kræves, den beskæring og udfyldning, som flisen skal have, samt det format og den størrelse, uploaden accepterer.
• Alvorlighed: afvisning eller dårligt visning i flisen, men ingen skade for kunden. Eksporter igen, men generer ikke billedet på ny.

Navn, sted, løsning

Den proces, som tjeklisten herunder understøtter, er navngivet, så de andre sider om nøjagtighed kan henvise til den.

1. Navn — hvert afvist billede mærkes med sin klasse og den række, der fejlede.
2. Sted — klassen knyttes til et trin: kilde, workflow, scene, kontrol eller eksport.
3. Løsning — det pågældende trin ændres, og billedet genereres én gang til; en anden fejl i samme klasse betyder, at trinnet, ikke billedet, er problemet.

Prioritering ved batch-gennemgang

Følg denne rækkefølge, fordi de to første er fejl, kunden kan holde dig ansvarlig for; den tredje skader tilliden; den fjerde forklarer resten; og den femte koster kun en eksport.

Gennemgang i stor skala: stikprøver, undtagelser og registrering

Taksonomien er skrevet til en gennemgår, der ser på ét billede ad gangen. Et katalog med tusindvis af billeder ændrer spørgsmålet fra "er dette billede korrekt" til "hvilke billeder skal en person se", og svaret er en stikprøve, en undtagelsesregel og en registrering.

• Tag stikprøver på produktniveau, ikke på billede. Hvert produkt ses mindst én gang – dets hovedbillede sammenlignes med masteren – fordi de to første klasser er pr. produkt, og en ændret farve eller en opfundet detalje går igen på alle billeder af det produkt. Scener og varianter tages som stikprøver.
• Håndter undtagelserne fuldt ud. Produkter, hvis kategori fejler diskret – reflekterende, gennemsigtige, fin tekst, smykker, lagdelte beklædningsgenstande – går til fuld gennemgang uanset stikprøven, fordi deres fejl nemt overses ved et hurtigt blik.
• Udvid stikprøven, når en klasse optræder. Én klasse-to afvisning i en batch betyder, at den oprindelige opsætning, der skabte den, er mistænkelig; gennemgå alle produkter fotograferet på samme måde.
• Navngiv alle afvisninger. En afvisning uden klasse er en genproduktion med samme resultat; en afvisning med klasse er en ændring i kilden, opskriften, scenen eller eksporten.
• Før registrering. Hvilke billeder blev set, af hvem, mod hvilken master, med hvilken klasse og rettelse. Det er det, der gør næste batches stikprøve mindre og den efterfølgende pålidelig.

En gennemgang, der ser hvert billede, er ikke en strengere gennemgang; det er en gennemgang, der springes over den første uge, kataloget er forsinket. En stikprøve, der altid ser produktet og altid ser undtagelserne, er den gennemgang, der holder.

Én batch, fem navne

Et boligbrand gennemgår en batch af en stentøjskrus: tolv billeder fra én hvid master med et gråt kort. To viser glasuren en nuance varmere end kortet — klasse 1, lyset i scenen fik lov at ramme produktet; workflowet ændres for at bevare pixels, og begge regenereres. Ét viser et håndtag på bagsiden, som kruset ikke har — klasse 2, kilden viste aldrig bagsiden; bagsiden fotograferes, og vinklen regenereres ud fra den. Tre har en skygge, der falder mod vinduet — klasse 3, scenen var oplyst fra den forkerte side; scenerne genoplyses fra venstre. Ét er blødt ved kanten — klasse 4, masterens fokus; masteren genoptages, og batchen gentages. To har kruset for lille til markedspladsens kvadratiske flise — klasse 5; de beskæres på ny. Tre går igennem. Hver afvisning har et trin, og næste batch fejler mindre, fordi trinnene, ikke billederne, blev rettet.

Ofte stillede spørgsmål

Hvad er den mest alvorlige fejl i AI-produktfotografering?

Et ændret eller opfundet produkt — klasse 1 og 2 — fordi kunden kan sammenligne billedet med det, der ankommer. En scene, der ikke stemmer overens med produktet, skaber mistillid uden at vildlede; en dårlig kilde forklarer de andre fejl; en kanal-mismatch koster et eksport.

Hvorfor ser mine AI-produktbilleder "forkerte" ud, selvom der ikke er noget åbenlyst galt?

Næsten altid klasse 3: produktet og scenen deler ikke samme lysretning. Skyggen falder forkert, højlys kommer fra ingen steder, en reflekterende overflade viser det gamle studie, produktet svæver. Tjek altid lysretningen på produktet mod scenens skygge først.

Skal jeg regenerere et fejlet billede eller rette kilden?

Det afhænger af klassen. Klasse 1 og 2 rettes i workflow og kilde; klasse 3 i scenen; klasse 4 kun ved genoptagelse; klasse 5 ved ny eksport. Regenerering med samme kilde og forespørgsel gentager fejlen.

Hvordan gennemgår jeg hurtigt en stor batch?

I triage-rækkefølge, med navne. Sammenlign hvert billede med dets master i fuld størrelse, marker det med den første klasse, det fejler i, og grupper afvisningerne efter klasse: en batch, der fejler mest i én klasse, har ét trin at rette.

Gælder denne taksonomi også for virtuelle prøver og modelbilleder?

Ja, med tøjet eller produktet som det, der ikke må ændres, og modellen som en del af scenen. Klasserne er de samme; antallet i klasse 2 bliver knapper, sømme, prints og kanter, og klasse 3 tilføjer, at pasform og fald stemmer overens med kroppen.

Hvad denne side IKKE påstår

At nogen fejl opstår i et bestemt omfang eller i et bestemt værktøj; denne side måler intet. Det, den påstår, er, at alle fejl hører til en af fem kategorier, at hver kategori peger på et trin i arbejdsprocessen, og at en gennemgang, der navngiver kategorien, retter trinnet fremfor billedet.

For at bevare produktets pixels gennem en sceneændring, se AI produktfotografering; for målingen bag kategori 1, hvordan man måler AI produktbilleders nøjagtighed; for kategori 2 i dybden, hvordan man forhindrer AI i at tilføje ikke-eksisterende produktdetaljer.

Supplerende vejledninger

• Sådan måler du nøjagtigheden af AI-produktbilleder
• Sådan undgår du, at AI tilføjer ikke-eksisterende produktdetaljer
• Præcision i produktgeometri ved AI-fotografering