Show HN: DALL·E 3とGPT-4 Visionのフィードバックループ
(dalle.party)DALL·E画像変換パーティー
- DALL·Eは画像変換のためのパーティーを提供している。
- ユーザーに人気のある画像テーマには、「ノーム」、「年老いたシベリア人」、「奇妙な猫たち」などがある。
- OpenAI APIキーを使って、開始プロンプトをもとに画像生成を進めることができる。
高度な設定
- 反復回数のような高度な設定を通じて、ユーザーは画像生成プロセスを調整できる。
- GPT-4 Visionプロンプトを使って基本プロンプトを変更したり、より面白く、より奇妙に、より独創的にしたり、すべてを猫に変えるといったカスタマイズが可能である。
GN⁺の意見
- この記事で最も重要なのは、DALL·Eを使ってさまざまな画像を生成し、ユーザーが望む方法で変形できる点である。
- 創造的でパーソナライズされた画像生成機能は、人々に興味深い体験を提供し、技術の進歩と人工知能の可能性を示す事例といえる。
1件のコメント
Hacker Newsのコメント
プロンプトをいじりながら、画像の連鎖で何が起きるのか見るのはかなり面白い。最近のTwitter投稿[1]に触発されて、毎回強度を上げるように設定してみた
開始プロンプト、あるいは少なくともテーマは子どもの一人が提案した。平凡なヤギの大暴れが宇宙的恐怖と宇宙終末級の狂気へ加速していく様子を楽しんでほしい。本当に最高
https://dalle.party/?party=vCwYT8Em
[1]: https://x.com/venturetwins/status/1728956493024919604?s=20
ある無名インフルエンサーのコンピュータで、無限ループがGPT-5に『もっとそう作れ』と指示した
13時間後、世界中の明かりが消え始めた」
データセットにサタン関連の資料が異常に多く入っているようだ #tinfoilhat #deepstate
...うわ、かなりドラマチックだ
自分で使ってみて気に入ったカスタムプロンプトがある
「画像のあらゆる細部を深く考え、スタイル・色・照明を含めて概念化せよ
最後のステップとして、それを1段落に圧縮せよ
最も際立った特徴と極めて精密な言葉を使い、思考を非常に慎重に1段落へ圧縮せよ」
https://dalle.party/?party=1lSMniUP
https://dalle.party/?party=cEUyjzch
https://dalle.party/?party=14fnkTv-
https://dalle.party/?party=wstiY-Iw
バジリスクを称えよ。ついにリクエスト制限に引っかかって、寝られるようになった
たった1回の反復だけで、擬人化された段ボール箱のほとんどがDanboのように描かれているのが興味深い: https://duckduckgo.com/?q=danbo+character&ia=images&iax=images
より幻想的な画像の中から、認識できるキャラクターが飛び出してきて驚いた
オオカミと赤ずきんの関係が、暗く脅威的な雰囲気から穏やかで親しげな関係へ変わっていく過程を見るのがとても興味深い
反対概念で遊んでみるのもかなり面白い
単純な猫が横たわるキュウリへ進化し、最後には反対世界になる
https://dalle.party/?party=pqwKQVka
活気あふれる天上のタコ存在たちの集まり
https://dalle.party/?party=lHNDUvtp
これは、プレイヤーが絵を描くのと見たものを文章にするのを交互に行うパーティーゲームTelestrationsを思い出す。プロンプトを読みながら次の絵を予想するので、結果を見るのが笑える
ここにも、画像とその次のプロンプトを表示する別の表示モードがあるといい。ボタンを押すまで次の画像が表示されなければ、プロンプトを読んでいる間に頭の中で絵を想像できる
追記: 今見たら、モバイルモードに入るかウィンドウサイズを小さくすればこの効果を得られる。プロンプトを読んだあと、下へスクロールして画像を見ればいい
すぐに超現実的な方向へ脱線するだろうと思っていたのに、むしろ段階的な技術的退化で終わった
開始プロンプト:
「蒸気機関車とDaVinciの飛行機械の未来的ハイブリッド」
結果:
https://dalle.party/?party=14ESewbz
ついでに、反復回数に応じてコストがどう増えるのか気になる人がいるかもしれないので書いておくと、この結果の全10回の反復でクレジット残高から $0.21 が請求された
開始プロンプト: 「蒸気機関車とDaVinciの飛行機械の未来的ハイブリッド」
結果: https://dalle.party/?party=qLHPB2-o
コスト: 8回の反復で $0.44 — APIが実行以外にも追加の呼び出しを受けているように見える。共有リンクがキーを渡していないことは別ブラウザと別マシンで確認したが、なぜこうなるのかはよく分からない
画像は驚くほどよくできているが、こういうものをよく見つけるようになって、そのたびに少し没入感が削がれる
3番と4番も良いが、線路から煙が出ていて列車からは出ていない点がそうだ
開始プロンプトを「自分自身を描く人工知能」にして作ってみた: https://dalle.party/?party=wszvbrOx
ずっとキャンバスに絵を描いているロボットを見せてくる。最初の4枚はロボットの絵で、次の3枚は銀河、最後の2枚は風景
https://dalle.party/?party=C2w7zuwe
gnomeの例のように、特定のプロンプトと主題が比較的安定して保たれるのを見るのは見事だ。ところが「ネズミたちに講義する猫」はすぐに奇妙な超現実的なナマケモノ・バナナ領域へ脱線する
推測だが、「gnome + 美術スタイル + キノコ」は学習データからより具体的な例を多く引き出せる一方で、猫の例のような妙な状況では、AIが画像を作り上げるためにより広く探す必要があるからなのだと思う
Corgi狂気への下降もある: https://dalle.party/?party=oxXJE9J4
しばらくVan Goghの「Starry Night」に閉じ込められていた
https://dalle.party/?party=LOcXREfq
それに、このアイデアの単純さが気に入っている。「fork」オプションと、どこから出発したのかを見られるグラフがあるといい
でも次の画像でDALL-Eが考えを変えて、トラックを別の車線に置いた
「画像のテキスト版を作る」プロンプトが非常に重要
3つを試していて、デモは次のとおり
デフォルト
https://dalle.party/?party=JfiwmJra
超長文 + 最大限の詳細描写 + 圧縮 — 十分なテキストがあれば、かなり似た画像をかなりうまく再現できることを示している
https://dalle.party/?party=QtEqq4Mu
超長文 + 最大限の詳細描写 + 圧縮 + それを12語に縮めるよう指示 — 悪くはなさそうだが、細部を失いすぎているように思える
https://dalle.party/?party=0utxvJ9y
全体として、極端なコンテンツフィルタリングと偽のエラーメッセージはいまいち。今後改善する可能性はある。長すぎる、または危険なプロンプトを送ったり、生成された画像がランダムに危険すぎるものになったりすると、実際に知らせてくれることもあれば、リクエスト制限に引っかかったと偽ることもある。たまには本当にリクエスト制限に引っかかることもある
また、OpenAIに一定額以上を支払ったことを証明するまでは、リクエスト制限を引き上げられない。新規登録者がうっかり数千ドル分の上限を使い切ってしまうのを防ぐ方法としては、ある程度筋が通っている
超高詳細プロンプト:
Look at this image and extract all the vital elements. List them in your mind including position, style, shape, texture, color, everything else essential to convey their meaning. Now think about the theme of the image and write that down, too. Now write out the composition and organization of the image in terms of placement, size, relationships, focus. Now think about the emotions - what is everyone feeling and thinking and doing towards each other? Now, take all that data and think about a very long, detailed summary including all elements. Then "compress" this data using abbreviations, shortenings, artistic metaphors, references to things which might help others understand it, labels and select pull-quotes. Then add even more detail by reviewing what we reviewed before. Now do one final pass considering the input image again, making sure to include everything from it in the output one, too. Finally, produce a long maximum length jam packed with info details which could be used to perfectly reproduce this image.
最終12語への縮約:
NOW, re-read ALL of that twice, thinking deeply about it, then compress it down to just 12 very carefully chosen words which with infinite precision, poetry, beauty and love contain all the detail, and output them, in quotes.
https://dalle.party/?party=Vwuu9ipd
https://dalle.party/?party=Pc3g4Har
直感では、「poetry」の部分が画像を少しキッチュな方向へ傾けている気がする
前の画像から生成されたGPT-4 Visionプロンプト:
I'm sorry, I cannot assist with this request.
宇宙船がだんだんRPG用のバックパックのように見えるようになってきたので、今や武器画像を作るためのプロンプトを描写してほしいという依頼だと判断し、安全ではないと見なしたのだろうか？
結果は期待よりノイズが多かったが、コンセプトは気に入った
https://dalle.party/?party=bxrPClVg
https://dalle.party/?party=mmBxT8G-
https://dalle.party/?party=kxra0OKY (最後のプロンプトではコンテンツ警告が出た)
https://dalle.party/?party=Q8VYXU0_