Generativní AI pro obraz: přijdou fotografové o práci?

 

Že jde v tomto vývoj hodně rychle kupředu, dokládá např. to, že ještě v roce 2019 byla deepfake videa docela rozpoznatelná, což je dnes už dost problém. Tehdy se objevila např. videa od Collideru, kde bylo několik falešných celebrit vytvořených pomocí AI, které spolu vedly rozhovor. Objevil se tu i falešný Tom Cruise, kterého pak pomocí AI často ztvárňuje Chris Ume, a jde o čím dál tím věrnější podobu (to jsme měli rok 2021). Obrovský skok však nastal v roce 2022. Ten je přelomovým nejen v oblasti generování textu (uvolnění ChatGPT), ale také v rámci obrazu, kde k tomu došlo překvapivě ještě o něco dříve. I když se objevily i nějaké systémy v polovině 10. let (např. AlignDraw 2016, StackGAN 2017), to hlavní začalo v roce 2021 a především tedy v roce 2022.

 

 

Jedním z těchto systému je DALL-E, o který se postarala společnost OpenAI. Tedy ta, která stojí i za technologií GPT a chatbotem ChatGPT. Jde o systém text-to-image, tedy o převod textového popisku na obraz. Ten se objevil v lednu 2021 a v dubnu 2022 se pak objevila vylepšená verze DALL-E 2, která je od září 2022 otevřena všem. V květnu 2022 se objevil Imagen od Googlu, ten ale není všem dostupný (od října dokonce i ve video verzi). Červenec 2022 přinesl systém Midjourney, srpen téhož roku pak uvedení systému Stable Diffusion od Stability AI (v listopadu další verze Stable Diffusion 2) a letos v březnu se objevila i generativní AI od Adobe se jménem Firefly. Ta je nyní dostupná i v rámci betaverze Photoshopu a stejně jako některé další se postarala o některé obrázky v tomto článku. Letošní duben pak přinesl generátor snímků DALL-E i do prohlížeče Microsoft Bing. Existuje ale i mnoho dalších, většinou založených na výše zmíněných modelech.

 

Pokud jde o jejich výkony, nezkoušel jsem zatím všechny, ale největší problém dostat něco rozumného do tohoto i jiného článku o AI jsem měl asi se Stable Diffusion. Tam se mi obvykle nedařilo získat něco, co by stylově i fakticky odpovídalo tomu, jakou jsem měl alespoň trochu představu. Adobe Firefly sice dělá designově hezké obrázky (pro dané objekty), ale má velký problém vytvářet nějakou komplexnější scénu dle popisu (to jsou většinou nesmysly). Umí vytvořit jednotlivé objekty do dané pozice, ale tam končí. Ostatně i ve Photoshopu to funguje především tak, že si ve scéně vybíráte místo, kam má něco vygenerovat, ale s popisem situace a okolí už většinou moc nepochodíte. Nezvládá také konkrétní produkty, což třeba SD umí. Nakreslí červené auto, ale nenakreslí červený Fiat 500.

 

O úroveň jinde je DALL-E. Zatímco s Firefly a Stable Diffusion jsem musel někdy vygenerovat mnoho desítek obrázků, než se mi něco líbilo, v Bingu mi DALL-E v podstatě v každé čtveřici vygeneroval alespoň 2, častěji spíše 3 snímky, které odpovídaly tomu, co jsem chtěl, a měl jsem naopak problém si mezi nimi vybrat. Nicméně třeba sem jsem chtěl dát snímek tří robotů na stupních vítězů. Adobe Firefly vytvořil naprosté "ptákoviny" a DALL-E se alespoň trochu přiblížil tomu, co jsem chtěl. Midjourney jsem zatím nezkoušel, ale podle toho, jaké výsledky jsou různě ukazovány, to vypadá na nejlepší takový systém. Ale ani ten nemá problém např. s vykreslením šesti prstů.

 

 Takto si představuje 3 různé roboty na stupních vítězů Adobe Firefly (vlevo) a takto DALL-E (vpravo)

 

Jedním z témat je to, jak rychle nahradí fotografy a ilustrátory, tomu se ale budu věnovat až později. S tím souvisí i jiné velké téma, a to, kde se vůbec berou obrázky na trénování těchto AI systémů? Pojďme se tedy podívat trochu na historii a hysterii, kterou tyto systémy před několika měsíci vyvolaly.

 

Asi nejčastěji se zmiňuje konec trhu s fotobankami (a konec microstock fotografů), kam fotografové mohou posílat své snímky a prodávat je. To se tedy tvrdí už tak posledních 15 let od doby, kdy byly v databázích jednotky milionů snímků a šlo o údajně přesaturovaný trh, přičemž dnes tam jsou stovky milionů snímků a funguje to dál. Mnoho z nich nejprve zaujalo negativní stanovisko a např. Getty Images a Unsplash snímky vytvořené pomocí AI generátorů zakázaly. Nepřijímá je ani Pond5 nebo Alamy, nechce je ani Shutterstock. Ten ale překvapivě nabídl rovnou generátor těchto snímků pomocí DALL-E. Naopak úplně opačnou politiku má Adobe Stock, kterému to nevadí. A přidal i generátor pomocí Adobe Firefly AI, který je dostupný i přes Photoshop (prozatím jen v beta verzi).

 

 

Velkým problémem tu jsou totiž autorská práva. Zatímco u textů se u chatbotů až na výjimky nijak zvlášť neřešila (to řeší ve větším Elon Musk, který chce žalovat Microsoft a OpenAI za trénování ChatGPT na datech z Twitteru), v případě obrazu jde o palčivé téma, a to jak ohledně zdrojových dat, tak výsledných výtvorů. Fotobanky se tak obrazům vytvořeným pomocí AI většinou vyhýbají, protože mohou být natrénovány na snímcích, které jsou autorsky chráněné a fotografové by měli dostat své provize. Faktem nicméně je, že právě fotobanky se staly obrovským zdrojem dat pro trénování těchto systémů. Ty za to dostaly zaplaceno a provize se pak proplácí i fotografům. Ačkoli nejeden systém s omezeními pracuje i zdarma, jsou tu pochopitelně i placené plány a firmy jistě draze netrénovaly své generátory, aby z toho nic nezískaly zpět.

 

Uživatelé, kteří by jinak skládali snímky z fotobank, si je nyní mohou nechat generovat pomocí AI (ostatně několik takových snímků z bezplatných systémů vidíte i zde v tomto článku). Místo fotobankám tak zaplatí generátorům (což je v případě Shutterstocku a Adobe Stock takřka totéž). Generátor zaplatí za datasety fotobankám, takže má legálně získané snímky, ke kterým má potřebné licence. Mimo to ho docela dost peněz stojí i samotné trénování. Toto vše zaplatí uživatel generátorům, které pak mohou zaplatit fotobance. Fotobanka pak z těchto příjmů za datasety zaplatí fotografům a ilustrátorům podíl, takže ačkoli se už neprodají tak často jejich snímky, prodají se obrázky, které jsou vygenerované pomocí systémů natrénovanými na jejich snímcích. V zásadě je jejich podíl naprosto nicotný, ale na druhou stranu se ho týká většina fotografií, které obsahují toto téma. A to také není úplně k zahození.

 

Děje se nám tedy to, že z fotografů a fotobank se nám stávají pomocní trenéři umělé inteligence, jsou z nich nyní poskytovatelé trénovacích datasetů (datových množin). Na Shutterstocku, BigStockPhoto nebo Pond5 už fotografové, ilustrátoři a kameramani dostali za (bohužel obvykle nedobrovolné) poskytnutí snímků k trénování své provize, brzy by se toho měli dočkat i fotografové pro Adobe Stock. I zde by to mělo být za trénování minulé pro třetí strany i patrně za generování snímků, které se pak budou prodávat přes fotobanku s využitím Adobe Firefly. Opět to tak vypadá, že když se něco mění, neznamená to nutně smrt dané věci, ale může to být jen přerod. Není hned jisté, že změna je nutně také špatná. To se samozřejmě ukáže až čas.

 

 

 

Prozatím se tak zdá, že AI těmto fotografům práci přímo nesebere, jen budou mít jinou úlohu, AI z nich udělá své vlastní trenéry, a spíše než konec příjmů to pro ně bude znamenat pravidelnější a jistější příjem, ne však nutně i vyšší. Zda bude skutečně vyšší nebo nižší, to je otázkou a asi u každého to bude individuální. Někomu to možná pomůže, jinému naopak. Zatímco většina se shoduje, že to bude přítěž především pro ty horší, osobně si naopak myslím, že díky AI tlak na kvalitu snímků klesne a více se bude cenit objem trénovacích dat než jejich kvalita, tedy že to bude příležitostí i pro ty horší, kteří by jinak nic neprodali. Ostatně to vidíme i na Shutterstocku, který zavedl nový Data Catalog. Pokud vám zamítne snímek, přijme ho do Data Catalogu, aby ho mohl nabízet k trénování.

 

 

AI ale může dost konkurovat různým grafikům a jiným lidem, kteří tyto snímky dosud skládali do sebe a vytvářeli s jejich pomocí finální produkty, designy,... Ani zde se ale nedá předpokládat, že to bude znamenat konec těchto profesí, ale přerod. S pomocí AI může grafik rychleji ověřovat své nápady, nebo si v případě tvůrčího bloku nechat napovědět, AI mu může pomoci s jejich vytvářením a jeho práci urychlit. Je tedy pravděpodobné, že díky tomu zvládne více věcí, a i když možná bude potřeba méně takových lidí, úplný konec profese to asi znamenat nebude. Pořád je tu totiž někdo, kdo do té AI bude muset zadávat ony příkazy a vyhodnotit, které výsledky jsou a které nejsou zajímavé, a s nimi pak dále pracovat. Takže kde všude je možné generativní AI pro obraz vlastně využít?

 

Jak vidíme, příkladů je spousta a nutně to neznamená, že když AI může za člověka něco vytvořit, že to hned znamená konec jeho profese. Příkladem mohou být ty komiksy. Zatímco ilustrátor komiksů bude mít v AI velkou konkurenci, stále může být někým, kdo navrhne vizuální styl. Také může být tím, kdo bude kreslit komiksy, na jejichž základě se budou tyto AI vlastně trénovat. Zároveň to umožňuje těm, kteří mají nápady na příběhy, ale neumí dobře ilustrovat, vytvořit komiksové série bez toho, aniž by si museli najímat ilustrátora, kterého si např. nemohou dovolit. AI tak může způsobit problém jedněm, ale zároveň přinést nové možnosti druhým. Pojďme se podívat na některé typy fotografů a typů fotek a zkusme se zamyslet nad tím, zda je AI ohrozí nebo ne.

Chcete třeba nápady na fotky na street photo a jaké kompozice zvolit? Co např. starší muž s cigaretou z podhledu? (vytvořeno pomocí generativní AI DALL-E v Microsoft Bing)

Červený Fiat 500 v Alpách dle DALL-E v Bingu. Jednoznačně nejvěrnější tvary u většiny snímků (i když u mnoha z nich byly mírné deformace), dobré zasazení do okolí.
Červený Fiat 500 v Alpách dle Adobe Firefly. Auta v drtivé většině nepřipomínala Fiat 500, vznikají více či méně hrůzostrašné kreace (tohle jsou výsledky, které nejvíce připomínají auto). Poměrně dobré zasazení do prostředí. Lepším výsledkům může dopomoci vygenerování krajiny bez auta, a až posléze si vybrat oblast, do které má být zasazeno auto. Nejméně "omalovánkové" výsledky, tedy největší fotorealističnost, na druhou stranu často vznikají různé patvary. Druhý snímek může dobře posloužit pro návrh designu nového vozu.
Červený Fiat 500 v Alpách dle Stable Diffusion. Auto většinou rozumně tvarované (bylo potřeba napsat "vintage", aby nekreslil moderní verzi). Zvláštní kombinace malovaného auta a realističtější krajiny, mnohdy s doslova extrémním HDR efektem. U snímku vpravo si všimněte, že obrazy, na kterých se AI učila, imitovala natolik, že se dokonce měla snahu podepsat vpravo dole. Na mnoha snímcích zvláštní kompozice s polovinou auta.

 

Pochopitelně se mohu v mnoha oblastech mýlit, což ukáže až čas. Některé oblasti fotografie by se tedy nástupu AI bát nemusely, jiné byly už dnes do nemalé míry nahrazeny (a nezřídka něčím jiným než AI), u mnoha dalších oblastí se dá čekat, že se z fotografa stane spíše trenér AI, půjde tedy spíše o přerod jeho funkce než zánik. Fotit bude i nadále. Aby AI mohla nakreslit snímky červeného Fiatu 500 v alpské krajině výše, nejprve musí být někdo, kdo tu alpskou krajinu "milionkrát" vyfotí, a auto vlastně taky, aby se na to AI mohla vůbec natrénovat.

 

U některých oblastí bude důležité se také naučit s AI spolupracovat, aby byla při tvorbě partnerem a ne náhradníkem. Více ceněnou dovedností se tak stane i schopnost s ní pracovat a zadávat nejen smysluplné prvotní dotazy, ale rovněž s ní dobře pracovat při těch dalších upřesňujících. A v neposlední řadě nezapomeňme na to, že někteří lidé prostě rádi fotí pro radost. Stejně jako pro radost (ale někdy i pro peníze) malují, ačkoli jsou zde technologie, jak totéž udělat rychleji a levněji. Konec fotografie se nejspíš konat nebude, hodně se ale změní náplň některých kreativních zaměstnání spojených s prací s fotografiemi. Jste připraveni? Bojíte se, nebo AI ve fotografii vítáte?