En felklassificering för AI-produktfotografering

De flesta avvisade produktbilder får samma kommentar: de ser fel ut. Den kommentaren skickar operatören tillbaka till verktyget för att försöka igen, och nästa bild ser fel ut på ett annat sätt. Det som saknas är en benämning. En reflektion som visar den gamla studion, en extra dragkedja, en skugga som faller åt fel håll, en mjuk kant från en mjuk ljuskälla eller en porträttbeskärning på en kvadratisk kanal är fem olika fel med fem olika lösningar, och inget av dem fixas genom att bara försöka igen.

Den här sidan är en taxonomi: alla sätt som en genererad produktbild kan misslyckas på, sorterade i fem klasser efter vad som gått fel, med orsak och lösning för varje. Den publicerar inga felprocent för något verktyg eller klass. Det den ger är ett språk för granskningen – så att en avvisad bild avvisas med en anledning som pekar på ett steg – och en ordning att följa.

Vilka är de vanligaste felen i AI-baserad produktfotografering?

Fem stycken: produkten har förändrats (färg, form, struktur, proportion eller en detalj skiljer sig från fotot); något har hittats på (en funktion, ett märke eller en sida som produkten inte har); scenen stämmer inte med produkten (ljus, skugga, skala, kontakt, reflektion eller perspektiv som inte matchar); källmaterialet var otillräckligt (oskärpa, skugga, en dold sida, låg upplösning, fel bakgrund, så verktyget fick gissa); och bilden är fel för kanalen (beskärning, bakgrund, storlek eller en regel som marknadsplatsen kräver). Varje klass har sin egen orsak och lösning, och granskningen följer den ordningen eftersom de två första är de som kunden kan hålla dig ansvarig för.

Varför klassificera fel överhuvudtaget?

Ett fel med en benämning har en lösning: en ändrad färg pekar på färgreferensen och kontrollen; en påhittad ficka pekar på källans dolda sida; en felaktig skugga pekar på scenens ljus. Ett fel utan namn pekar på ingenting, så operatören genererar om med samma källa och samma förfrågan och får samma typ av fel med olika detaljer. Att klassificera gör också en batch granskbar: tio bilder avvisade som "fel" är tio olika problem; tio bilder avvisade som "klass 3, ljusfel" är ett problem i ett steg.

Klass 1 — produkten har förändrats

Produkten i bilden är inte samma som på fotot.

• Hur det ser ut: en färg som avviker från referensen; en proportion som är utdragen; en struktur som är utjämnad eller skarpare; en detalj som flyttats – en knapp, en söm, en halsringning; ett mönster som ändrat avstånd; en logga som ritats om; en etikett där bokstäver ersatts med bokstavsformer.
• Orsak: produktens pixlar har ritats om – en ny rendering från en beskrivning, en vinkel som källan inte hade, en uppskalning som försökt hitta detaljer, flera ändringar i ett steg.
• Lösning: ett arbetsflöde som behåller produktens pixlar och genererar runt dem; en ändring per bild; en färgreferens i originalet; en jämförelse mot originalet i full storlek.
• Allvarlighetsgrad: kunden får en annan produkt. Avvisa.

Klass 2 — något har hittats på

Bilden visar en detalj, ett märke eller en sida som produkten inte har.

• Hur det ser ut: en extra stängning, ficka, rem, port eller söm; en spegelvänd detalj för symmetri; ett märke där märken brukar sitta; en baksida eller undersida ritad från framsidan; en accessoar som inte ingår.
• Orsak: en lucka i källmaterialet — en dold sida, en skuggad stängning, en beskärning — som verktyget fyllt ut med det som sådana produkter vanligtvis har; en beskrivning av produkten i förfrågan; en ny vinkel från en källa som inte visade den.
• Åtgärd: en källa där varje detalj och varje frånvaro syns, från alla vinklar som annonsen använder; beskriv scenen, aldrig produkten; räkna detaljer i källan och resultatet.
• Allvar: kunden beställer något som inte finns. Avvisa.

Klass 3 — scenen stämmer inte med produkten

Produkten är rätt, scenen är rätt, men de hör inte ihop.

• Hur det ser ut: skuggan faller mot ljuset; en ljusreflex på produkten från en sida där scenen inte har ljus; en reflektion som visar den gamla studion; en produkt som svävar ovanför ytan eller sjunker ner i den; en produkt i byggnadsstorlek eller som en leksak; ett perspektiv där marken försvinner men inte produkten; en färgton som scenen inte kan förklara.
• Orsak: scenens ljussättning vald utan hänsyn till huvudljuset; en reflekterande eller transparent produkt som visar sin gamla omgivning; en kontaktsskugga skapad separat från produkten; en skala som inte fastställts i förfrågan.
• Åtgärd: scener belysta från huvudljusets håll; en neutral bakgrund för reflekterande produkter, den publicerade ytan för transparenta; kontrollera skuggans riktning, mjukhet och kontakt; en storleksreferens i scenen där skala spelar roll.
• Allvar: bilden upplevs som fejk innan någon kan sätta fingret på varför; det är förtroendet, inte produkten, kunden förlorar. Avvisa och åtgärda scenen, inte produkten.

Klass 4 — källmaterialet var inte tillräckligt bra

Verktyget tvingades gissa eftersom fotot inte gav svar.

• Hur det ser ut: mjuka kanter där källan var suddig; en skuggsida som tonats bort; en lågupplöst produkt i en skarp scen; en färg som inte kan kontrolleras eftersom det saknas referens; en dold sida som blir klass 2 så fort en ny vinkel efterfrågas; en vit originalbild inskjuten i en mörk scen för en transparent produkt.
• Orsak: fotot — oskärpa, ojämnt ljus, dold del, liten fil, fel bakgrund — inte genereringen.
• Åtgärd: ny fotografering. Jämnt ljus, full upplösning, alla sidor, färgreferens, den bakgrund bilden ska använda. I Photta behåller uppladdningar upp till 10 MB kamerans ursprungliga detaljer.
• Allvar: varje efterföljande bild är påverkad. Åtgärda källan innan du genererar något annat.

Klass 5 — rätt bild, fel kanal

Bilden är korrekt men kanalen accepterar den inte eller visar den dåligt.

• Så här ser det ut: en huvudbild i en miljö där marknadsplatsen kräver helt vitt; ett porträttbeskuret foto visat i en kvadratisk ruta där produkten blir avklippt; produkten för liten i bilden för kanalens zoomfunktion; en skugga eller rekvisita som kategorireglerna förbjuder; en filstorlek eller format som kanalen avvisar.
• Orsak: bilden skapades innan kanalens regler lästes.
• Åtgärd: läs kanalens aktuella krav direkt från kanalen och exportera per kanal: vitt för huvudbilden där det krävs, beskärning och fyllning som rutan behöver, samt format och storlek som uppladdningen accepterar.
• Allvar: avvisning eller dålig visning, men ingen skada för kunden. Exportera om, generera inte om.

Namn, plats, åtgärd

Den process som checklistan nedan följer, namngiven så att andra sidor om noggrannhet kan hänvisa till den.

1. Namn — varje avvisad bild märks med sin klass och raden som misslyckades.
2. Plats — klassen kopplas till steget: källa, arbetsflöde, scen, kontroll eller export.
3. Åtgärd — det steget ändras och bilden genereras om en gång; ett andra fel i samma klass betyder att steget, inte bilden, är fel.

Prioriteringsordning för en batch

Följ den här ordningen eftersom de två första är fel som kunden kan hålla dig ansvarig för; det tredje skadar förtroendet; det fjärde förklarar resten; det femte kostar bara en export.

Granskning i stor skala: urval, undantag och dokumentation

Taxonomin är framtagen för en granskare som tittar på en bild i taget. En katalog med tusentals bilder ändrar frågan från "är den här bilden korrekt" till "vilka bilder behöver en person se", och svaret är en urvalsregel, en undantagsregel och en dokumentation.

• Urval per produkt, inte per bild. Varje produkt ses minst en gång – dess huvudsakliga bild jämförs med originalet – eftersom de två första klasserna gäller per produkt och en ändrad färg eller en påhittad detalj upprepas i alla bilder av den produkten. Scener och varianter väljs ut.
• Skicka alla undantag till fullständig granskning. Produkter vars kategori ofta misslyckas tyst – reflekterande, transparenta, fin text, smycken, lager-på-lager-plagg – går alltid till full granskning oavsett urval, eftersom deras fel ofta godkänns vid en snabb blick.
• Utöka urvalet när en klass dyker upp. Ett klass-två-avslag i ett parti innebär att den ursprungliga inställningen som skapade det är misstänkt; granska alla produkter fotograferade på samma sätt.
• Nämn varje avslag. Ett avslag utan klass är en ombearbetning med samma resultat; ett avslag med klass innebär en ändring i källan, receptet, scenen eller exporten.
• Dokumentera allt. Vilka bilder som granskats, av vem, mot vilket original, med vilken klass och åtgärd. Det är det som gör nästa partis urval mindre och det efter det pålitligt.

En granskning som ser varje bild är inte en striktare granskning; det är en granskning som kommer att hoppas över första veckan katalogen är försenad. Ett urval som alltid ser produkten och alltid ser undantagen är den granskning som överlever.

En omgång, fem feltyper

Ett varumärke för heminredning granskar en omgång med stengodsmuggar: tolv bilder från en vit originalbild med ett grått kort. Två visar glasyren något varmare än kortet — klass 1, ljuset i scenen fick röra produkten; arbetsflödet ändras för att behålla pixlarna och båda bilderna görs om. En visar ett handtag på baksidan som muggen inte har — klass 2, källbilden visade aldrig baksidan; baksidan fotograferas och vinkeln återskapas utifrån den. Tre har en skugga som faller mot fönstret — klass 3, scenen var belyst från fel håll; scenerna ljussätts om från vänster. En är mjuk i kanten — klass 4, originalbildens fokus; originalet fotograferas om och omgången görs om. Två har muggen för liten för marknadens kvadratiska ruta — klass 5; de beskärs om. Tre går igenom. Varje avvisning har en åtgärd, och nästa omgång misslyckas mindre eftersom åtgärderna, inte bilderna, har fixats.

Vanliga frågor

Vad är det allvarligaste felet i AI-produktsfotografering?

En förändrad eller påhittad produkt — klasserna 1 och 2 — eftersom kunden kan jämföra bilden med det som levereras. En scen som inte stämmer med produkten skadar förtroendet utan att vilseleda; en dålig källa förklarar de andra felen; fel kanal leder till att exporten misslyckas.

Varför ser mina AI-produktsbilder "fel" ut när inget uppenbart är fel?

Nästan alltid klass 3: produkten och scenen har olika ljus. Skuggan faller åt fel håll, högdagsljuset kommer från ingenstans, en reflekterande yta visar den gamla studion, produkten tycks sväva. Kontrollera ljusets riktning på produkten mot scenens skugga innan något annat.

Ska jag göra om en misslyckad bild eller fixa källan?

Det beror på klassen. Klasserna 1 och 2 fixas i arbetsflödet och källan; klass 3 i scenen; klass 4 bara genom omfotografering; klass 5 genom ny export. Att göra om med samma källa och inställningar upprepar felet.

Hur granskar jag snabbt en stor omgång?

I prioriteringsordning, med feltyper. Jämför varje bild med originalet i full storlek, märk den med första felet den har, och gruppera avvisningarna efter feltyp: en omgång som mest misslyckas i en klass har bara en åtgärd att göra.

Gäller den här indelningen även för virtuella provrum och modellbilder?

Ja, där plagget eller produkten är det som inte får ändras och modellen är en del av scenen. Klasserna är desamma; antalet i klass 2 blir knappar, sömmar, tryck och fållar, och klass 3 inkluderar att passform och fall stämmer med kroppen.

Vad den här sidan inte påstår

Att någon klass uppstår i någon takt eller i något verktyg; den här sidan mäter ingenting. Det den påstår är att varje fel hör till en av fem klasser, att varje klass pekar på ett steg i arbetsflödet, och att en granskning som namnger klassen åtgärdar steget istället för bilden.

För att behålla produktens pixlar vid en scenförändring, se AI produktfotografering; för mätningen bakom klass 1, hur man mäter AI produktbilds noggrannhet; för klass 2 mer i detalj, hur man förhindrar att AI lägger till icke-existerande produktdetaljer.

Kompletterande guider

• Så mäter du träffsäkerheten i AI-genererade produktbilder
• Så undviker du att AI lägger till detaljer som inte finns på produkten
• Produktgeometri och formprecision i AI-fotografering