A cor é a dimensão da precisão que mais rende desculpas. As telas variam, a iluminação varia, os lotes de tingimento variam. Tudo isso é verdade, mas nada disso muda o fato de que um cliente que comprou azul-marinho e recebeu preto vai devolver o produto.
Este é um protocolo para medir a fidelidade de cor em imagens de produtos geradas por IA. Ele não publica nenhum resultado pronto.
Como medir a fidelidade de cor em imagens de produtos geradas por IA?
Sob um gerenciamento de cores controlado — referências em sRGB, monitor calibrado e as mesmas condições de visualização —, colete a média de uma área de cinco por cinco pixels em três regiões planas predeterminadas, tanto na referência quanto no resultado. Compare os valores em um espaço perceptual, como o Lab, avalie o comportamento do acabamento a olho nu em 100%, teste se dois tons adjacentes do seu próprio catálogo continuam distintos e repita o processo em um segundo fundo. Defina a tolerância antes de começar.
O que é precisão de cor?
A precisão de cor em uma imagem de produto gerada reúne três aspectos que costumam ser tratados como um só: matiz (a mesma família de cor — azul-marinho, e não preto), saturação e luminosidade (o matiz correto na intensidade e claridade certas) e o comportamento do acabamento (se o cetim ainda parece cetim e se o metálico ainda varia de tom ao longo da superfície). Um pixel com a cor exata, mas com o acabamento chapado, continua sendo um erro de cor — por isso, analisar apenas um pixel isolado não prova nada.
Separe os três fatores que costumamos chamar de "cor"
- Matiz (Hue) — pertence à mesma família de cores? Azul-marinho versus preto, bordô versus marrom. É aqui que nascem as devoluções.
- Saturação e luminosidade — o matiz correto, mas com intensidade ou brilho errados. Uma versão desbotada ou lavada da cor original.
- Comportamento do acabamento — como a superfície reage à luz: se um cetim realmente parece cetim, se um acabamento metálico mantém o gradiente de reflexo ao longo da peça. Uma renderização opaca de um tecido furta-cor ou brilhante é um erro de cor, mesmo quando a amostra de um pixel isolado bate certinho.
A maioria das ferramentas se sai melhor no matiz e pior no acabamento — e é por isso que coletar um único pixel e cravar que a cor está correta induz ao erro.
Matiz, intensidade, acabamento
Três relatórios separados em vez de uma pontuação única. A maioria das ferramentas tem melhor desempenho no matiz e pior no comportamento do acabamento, e uma média acabaria escondendo esse ponto mais fraco — que é justamente o que define se um acabamento metálico parece tinta comum.
Montando a amostra de teste
Siga o protocolo geral de precisão para definir o tamanho e as referências, dando peso extra às cores que mais costumam falhar:
- Tons quase-neutros — azul-marinho, chumbo/grafite, off-white, fendi/taupe. São os mais difíceis e os campeões de devolução.
- Vermelhos e laranjas saturados, que costumam estourar (clipar) em muitos pipelines de processamento.
- Metálicos e perolizados, onde o comportamento do acabamento é o ponto central.
- Dois produtos com tons adjacentes/próximos do seu próprio catálogo, para checar se a ferramenta mantém a distinção clara entre eles.
- Um mesmo produto fotografado tanto em fundo branco quanto em fundo cinza médio, o que revela se a cor muda de acordo com o ambiente.
Ajuste o gerenciamento de cores antes de começar. Fotos de referência em sRGB, monitor calibrado e as mesmíssimas condições de iluminação visual para cada comparação. Sem isso, você estará apenas medindo a tela do seu monitor. O Etsy, por exemplo, solicita sRGB e converte no upload; o Walmart especifica RGB.
O passo a passo do protocolo
- Faça amostragem técnica para o matiz, não confie só no olho. Calcule a média de uma área de 5x5 pixels em três regiões planas pré-determinadas de cada produto — evite bordas, pontos de brilho especular e sombras. Registre os valores da imagem de referência e do resultado gerado.
- Calcule a diferença em um espaço perceptivo. A distância em RGB não reflete o que o olho humano enxerga; converta para Lab e compare. Se não for possível, registre os valores brutos e compare-os de forma padronizada, em vez de inventar um limite a olho.
- Avalie o acabamento a olho nu, em 100% de zoom. O efeito metálico acompanha o volume da peça? O cetim mantém o degradê de brilho? Classifique como preservado ou achatado/apagado.
- Teste o par de tons adjacentes. Gere as duas variações de cor e avalie se um cliente ainda conseguiria diferenciá-las. Se virarem a mesma cor, é uma falha que nenhum teste de produto individual teria detectado.
- Repita no segundo fundo. Uma cor que se altera quando o fundo muda não está sendo reproduzida com precisão; ela está sendo "adivinhada" pela IA.
Como interpretar os resultados
Defina sua margem de tolerância antes do teste e documente tudo. Decidir depois o que "passa de raspão" é o caminho mais fácil para enviesar o teste a favor do que você esperava.
Dê um peso maior aos tons quase-neutros do que às cores vivas e saturadas. É neles que se perde dinheiro com trocas, além de serem o cenário mais complexo.
Pixel com tom certo mas acabamento chapado continua sendo uma falha. Relate esses dois critérios separadamente para que uma média geral não mascare o problema.
Não faça correções manuais antes de pontuar. Se você retocar a imagem gerada antes de avaliá-la, estará medindo a qualidade da sua edição, e não da ferramenta de IA.
Checklist de precisão de cores
| O quê | Como | O que é uma falha |
|---|---|---|
| Gerenciamento de cores | Referências em sRGB, monitor calibrado, mesmas condições de visualização | Medir o seu monitor em vez da ferramenta |
| Matiz | Média de cinco por cinco pixels em três áreas planas; compare em Lab | Azul-marinho renderizado como preto |
| Saturação e valor | As mesmas amostras, avaliadas quanto à intensidade e luminosidade | Uma versão desbotada da cor correta |
| Comportamento do acabamento | A olho nu em 100%: o brilho ou o efeito metálico se mantêm? | Uma renderização sem vida de um tecido furta-cor |
| Par de tons adjacentes | Gere dois tons vizinhos do seu próprio catálogo | Ambos se fundem em uma única cor |
| Segundo fundo | Repita no branco e no cinza-médio | Uma cor que muda com o fundo foi deduzida, não reproduzida |
Azul-marinho e cinza-chumbo
Duas calças da mesma linha, azul-marinho e cinza-chumbo. Com a amostragem feita em três regiões planas de cada uma, o resultado do azul-marinho fica dentro da tolerância definida antes do teste; o cinza-chumbo também. Geradas lado a lado como um par adjacente, elas parecem ter a mesma cor. Nada falhou nos testes individuais. O teste em par falhou — e é exatamente esse o teste que o cliente faz quando a encomenda chega.
Perguntas frequentes
Por que os tons quase neutros são as cores mais difíceis para imagens de produtos geradas por IA?
Azul-marinho, grafite, off-white e fendi ficam muito próximos entre si e do preto e branco, portanto uma pequena variação de matiz ou valor os transforma em um nome de cor diferente. Eles são as cores com maior índice de devolução pelo mesmo motivo, e é por isso que a amostra dá um peso maior a eles.
Um valor de pixel correspondente é suficiente para considerar a cor correta?
Não. Um pixel amostrado pode coincidir enquanto o acabamento é achatado — um cetim sem seu gradiente de brilho, um metálico que não percorre mais a forma. O comportamento do matiz e do acabamento são reportados separadamente para que uma média não oculte o segundo.
Por que comparar em Lab em vez de RGB?
A distância RGB não corresponde ao que o olho humano enxerga. Converta para um espaço perceptual como o Lab antes de comparar; se isso não for possível, registre os valores brutos e compare-os de forma consistente em vez de inventar um limiar.
Por que repetir o teste em um segundo fundo?
Uma cor que muda quando o fundo muda não está sendo reproduzida a partir da referência; ela está sendo inferida a partir do entorno. O branco e o cinza médio expõem isso.
Posso corrigir a cor e avaliar a imagem corrigida?
Não. Se você ajustar o resultado e avaliar a versão ajustada, terá medido o seu retoque, não a ferramenta. Defina a tolerância antes da execução e avalie o que a ferramenta gerou.
O que este protocolo não cobre
Ele mede a fidelidade em relação a uma referência sob condições visuais controladas. Ele não prevê como essa cor vai aparecer na tela descalibrada do celular de um cliente sob a luz do sol — esse é outro desafio do mundo real que nenhum teste de imagem gerada consegue resolver.
Protocolos relacionados: como medir a precisão geral da imagem, geometria do produto, preservação de textura.
Para gerar as imagens que você vai avaliar, conheça a fotografia de produtos com IA.