Цвет — это тот параметр точности, для которого всегда находится больше всего оправданий: «у всех разные экраны», «другое освещение», «новая партия ткани». Все это правда, но покупателю все равно: если он заказывал темно-синий, а получил черный, товар вернется на склад.
Ниже описана методология оценки точности цветопередачи для сгенерированных изображений товаров. Конкретных цифр и бенчмарков здесь нет — только процесс.
Как измерить точность цветопередачи на товарных изображениях, созданных ИИ?
При фиксированном управлении цветом — эталоны в sRGB, откалиброванный дисплей, одинаковые условия просмотра — возьмите среднее значение по области пять на пять пикселей из трех заранее определенных плоских участков на эталоне и готовом изображении, сравните значения в перцептивном пространстве, таком как Lab, визуально оцените поведение фактуры при 100% масштабе, проверьте два соседних оттенка из вашей линейки на предмет сохранения различимости и повторите тест на втором фоне. Определите допустимое отклонение до начала проверки.
Что такое точность цветопередачи?
Точность цветопередачи на сгенерированном изображении товара складывается из трех составляющих, которые обычно объединяют в одно понятие: цветовой тон (принадлежность к той же гамме — темно-синий, а не черный), насыщенность и яркость (нужный оттенок при правильной интенсивности и светлоте), а также поведение фактуры (выглядит ли атлас атласом и дает ли металлик характерные переливы по форме). Пиксель, совпадающий по цвету, но потерявший объем и текстуру материала, — это все равно ошибка цветопередачи. Именно поэтому замер по одной точке ничего не доказывает.
Разделяйте три составляющие цвета
- Цветовой тон (Hue) — правильный ли оттенок выбран в принципе? Черный вместо темно-синего, коричневый вместо бордового. Именно из-за этого чаще всего случаются возвраты.
- Насыщенность и светлота (Saturation & Value) — правильный оттенок, но не та плотность или яркость. Эффект блеклого, «выстиранного» цвета.
- Поведение фактуры на свету (Finish behaviour) — реакция поверхности на освещение: выглядит ли атлас атласом, играет ли металл на изгибах формы. Плоская отрисовка ткани с переливами — это ошибка цветопередачи, даже если цвет отдельного пикселя совпал идеально.
Большинство AI-инструментов неплохо справляются с тоном, но проваливают поведение фактуры. Вот почему взять пробу одного пикселя и заявить о точном попадании в цвет — путь к ошибке.
Цветовой тон, насыщенность, текстура
Три отдельных отчета вместо одной общей оценки. Большинство инструментов лучше всего справляются с цветовым тоном и хуже всего — с поведением текстуры, а среднее значение просто замаскировало бы эту слабую сторону. При этом именно она определяет, выглядит ли металлик естественно или напоминает обычную краску.
Формирование тестовой выборки
Опирайтесь на базовый протокол оценки точности в плане объема выборки и референсов, но сделайте упор на проблемные цвета:
- Сложные полутона и околонейтральные оттенки — темно-синий, графитовый, молочный, серо-коричневый (taupe). Самая сложная категория, которая дает больше всего возвратов.
- Насыщенные красные и оранжевые тона, которые часто уходят в клиппинг при обработке.
- Металлики и перламутр, где вся суть заключается именно в игре света на материале.
- Два товара близких оттенков из вашей линейки, чтобы проверить, сохранит ли нейросеть разницу между ними.
- Один и тот же товар на белом и на средне-сером фоне, чтобы выявить паразитные оттенки, вызванные окружением.
Настройте систему управления цветом до начала тестов. Референсы строго в sRGB, откалиброванный монитор и одинаковое освещение на рабочем месте при каждом сравнении. Иначе вы будете тестировать свой монитор, а не модель. К примеру, Etsy требует sRGB и конвертирует файлы при загрузке, а Walmart указывает профиль RGB.
Порядок тестирования
- Оценивайте тон по замерам, а не на глаз. Возьмите усредненное значение по области 5x5 пикселей в трех заранее определенных плоских зонах объекта (не на бликах, не на гранях и не в глубоких тенях). Зафиксируйте значения для референса и генерации.
- Рассчитайте разницу в перцептивном пространстве. Расстояние между цветами в RGB не отражает реальное восприятие глазом — переведите значения в Lab и сравните их. Если это невозможно, просто последовательно сравнивайте исходные числовые значения, не выдумывая порогов на глаз.
- Оцените поведение фактуры визуально при масштабе 100%. Сохранился ли перелив металла по форме? Есть ли мягкий градиент блеска на атласе? Зафиксируйте результат: сохранено или стало плоским.
- Проверьте соседние оттенки. Сгенерируйте оба цвета и посмотрите, увидит ли покупатель разницу. Если цвета слились в один — тест провален, и одиночный тест товара этого бы не выявил.
- Повторите тест на втором фоне. Если оттенок «плывет» при смене фона, значит, инструмент не воспроизводит исходный цвет, а додумывает его.
Интерпретация результатов
Определите допустимую погрешность заранее и зафиксируйте ее. Решать задним числом, насколько результат «похож на правду» — верный способ подогнать тест под желаемый ответ.
Оценивайте сложные полутона строже, чем яркие цвета. Именно на них бизнес теряет деньги, и именно они даются нейросетям сложнее всего.
Точный пиксель с потерянной фактурой — это брак. Фиксируйте эти параметры раздельно, чтобы средний балл не маскировал проблему.
Не делайте цветокоррекцию перед оценкой. Если подправить результат вручную и выставить оценку после этого, вы протестируете навыки ретушера, а не качество работы AI-инструмента.
Чек-лист проверки точности цветопередачи
| Что проверять | Как проверять | Как выглядит ошибка |
|---|---|---|
| Управление цветом | Эталоны в sRGB, откалиброванный дисплей, одинаковые условия просмотра | Оценка искажений монитора вместо работы самого инструмента |
| Цветовой тон | Среднее значение по участкам 5 × 5 пикселей в трех однородных областях; сравнение в Lab | Темно-синий превращается в черный |
| Насыщенность и яркость | Те же образцы, оценка по интенсивности и светлоте | Выцветшая версия правильного цвета |
| Характер финишного покрытия | Визуально при 100% масштабе: сохраняются ли блеск или металлический отлив? | Плоское изображение ткани с эффектом смены цвета |
| Близкие оттенки | Сгенерируйте два соседних оттенка из вашей палитры | Оба сливаются в один цвет |
| Второй фон | Повторите на белом и средне-сером фоне | Цвет, который меняется вместе с фоном, дорисован алгоритмом, а не перенесен точно |
Темно-синий и графитовый
Две пары брюк из одной линейки: темно-синяя и графитовая. Для каждой отобрано по три плоских участка, и итоговый темно-синий цвет укладывается в допуск, зафиксированный перед тестом; с графитовым — та же ситуация. Однако при генерации бок о бок в виде соседней пары они считываются как один и тот же цвет. Ни один одиночный тест не провалился. Провалился тест пары — именно тот, который покупатель проводит в момент получения посылки.
Часто задаваемые вопросы
Почему околонейтральные оттенки сложнее всего даются ИИ при генерации изображений товаров?
Navy, charcoal, off-white и taupe находятся близко друг к другу, а также к черному и белому, поэтому даже небольшое смещение цветового тона или яркости меняет название цвета. По этой же причине товары таких оттенков чаще всего возвращают, из-за чего в тестовой выборке им уделяется особое внимание.
Достаточно ли совпадения значений пикселей, чтобы считать цвет правильным?
Нет. Значение отдельного пикселя может совпадать, даже если текстура и фактура поверхности (finish) сглажены — например, сатин теряет свой градиентный блеск, а металлик перестает переливаться по форме. Цветовой тон и поведение фактуры оцениваются раздельно, чтобы усредненный показатель не скрывал второе.
Почему стоит сравнивать в Lab, а не в RGB?
Расстояние между значениями в RGB не соответствует тому, как видит человеческий глаз. Перед сравнением конвертируйте значения в перцептивное пространство, такое как Lab; если это невозможно, фиксируйте исходные значения и сравнивайте их единообразно, не выдумывая произвольные пороговые значения.
Зачем повторять тест на втором фоне?
Цвет, который меняется при смене фона, не воспроизводится из референса, а достраивается на основе окружения. Белый и нейтрально-серый фон отлично это выявляют.
Можно ли скорректировать цвет и оценить уже исправленное изображение?
Нет. Если скорректировать результат и оценить исправленную версию, вы измерите качество своей ретуши, а не работу инструмента. Задайте допустимое отклонение до начала теста и оценивайте то, что сгенерировал инструмент.
Чего этот протокол не учитывает
Он проверяет соответствие референсу в контролируемых условиях. Протокол не покажет, как цвет будет выглядеть на некалиброванном экране смартфона под прямым солнцем — это отдельная проблема, которую невозможно решить тестами генерации.
Другие протоколы: общая точность генерации, геометрия товара, сохранение текстуры.
Создать изображения для проведения тестов можно в модуле AI product photography.