બનાવેલી છબીનું તેના પ્રોમ્પ્ટ સામે મૂલ્યાંકન કરો

What this lesson is about

બનાવેલી છબી અથવા ક્લિપને ચાર કેટેગરીમાં મૂલ્યાંકન કરો. શું માંગવામાં આવ્યું હતું, ખામી, સેટની શૈલી, અને સ્થળ માટે યોગ્યતા.

મેરઠનો એક પ્રિન્ટર તમને મોડેલ દ્વારા બનાવેલી લગ્ન કાર્ડની છબી બતાવે છે. મંગળસૂત્ર સાદી ચેન તરીકે દોરાયું છે. તમે શું લખશો?

Why this matters

એક પ્રકાશિત અભ્યાસમાં અઢી હજારથી વધુ બનાવેલી છબીઓ પર વિગતવાર પ્રતિસાદ એકત્રિત કર્યો. મૂલ્યાંકન કરનારોએ બે વસ્તુઓ અલગથી ચિહ્નિત કરી: ખોટા દેખાતા વિસ્તારો અને પ્રોમ્પ્ટના તે શબ્દો જે છબીમાં ચૂકી ગયા. બંનેને અલગ રાખવામાં આવ્યા કારણ કે બંને અલગ રીતે સુધારાય છે. ખોટા વિસ્તારને ફરીથી રંગી શકાય છે. ચૂકી ગયેલા શબ્દ માટે નવી છબી કે વધુ સારો મોડેલ જોઈએ. આ અભ્યાસે બે વધુ કેટેગરીઓનું નામ ન લીધું: સેટની શૈલી અને સ્થળ માટે યોગ્યતા. સૂચિ બંને માંગે છે.

બનાવેલી છબી અથવા ક્લિપનું તેના પ્રોમ્પ્ટ સામે મૂલ્યાંકન કરો અને દરેક ખામી તેને યોગ્ય કેટેગરીમાં ફાઈલ કરો.

દરેક ખામી એક કેટેગરીમાં મૂકો: માંગેલું, ખામી, સેટની શૈલી, અથવા સ્થળ માટે યોગ્યતા.
ખામી એ એવી વસ્તુ છે જે કોઈ વાસ્તવિક કેમેરા ક્યારેય બતાવતું નથી: વધારાની આંગળીઓ, વિગળી ગયેલું લખાણ, પુનરાવર્તિત ટાઇલ, ધૂંધળો કિનારો.
સાંસ્કૃતિક અસંગતતા એ એવી વસ્તુ છે જે સાફ દોરાઈ છે અને છતાં તે સ્થળ માટે ખોટી છે. તેને ફરીથી રંગવાની જરૂર નથી, તે સ્થળનો કોઈ વ્યક્તિ જોઈએ.

Task

દિવાળી મીઠાઈની દુકાન માટે છ પોસ્ટર છબીઓ મોડેલ પાસેથી આવી છે. ક્લાયંટ માટે સમીક્ષા કરો.

Weak approach લખે છે કે ત્રીજી છબીમાં હાથ ખરાબ છે અને પાંચમી છબી અજાણવી લાગે છે. કહે છે કે બાકી સેટ ઠીક છે અને મોકલી દે છે.

Stronger approach ત્રીજી છબીની છ આંગળીઓને ખામી તરીકે ફાઈલ કરે છે. પાંચમી છબીની છત પર પડતી બરફને સાંસ્કૃતિક અસંગતતા તરીકે ફાઈલ કરે છે, ખામી તરીકે નહીં. નોંધવે છે કે પ્રથમ અને ચોથી છબીઓમાં બે અલગ દીવા શૈલીઓ છે, જે સેટની શૈલીની ખામી છે.

Why the stronger approach works બન્ને સમાન ખામીઓ જોઈ. માત્ર મજબૂત સમીક્ષા ક્લાયંટને જણાવે છે કે દરેક ખામી માટે કઈ સુધારણા જોઈએ.

Try a changed situation ટ્રેક્ટરનું જાહેરાત ક્લિપમાં ડ્રાઈવરનું હાથ એક પળ માટે છ આંગળીઓ સાથે દેખાય છે. દુકાનના બોર્ડના લખાણ ક્લિપમાં બદલાય છે. તમે શું ફાઈલ કરશો?

Make something yourself એક પ્રોમ્પ્ટ માટે છ બનાવેલી છબીઓ લો. દરેક ખામી એક કેટેગરીમાં મૂકો અને લખો કે તે કેટેગરી કઈ સુધારણા સૂચવે છે.

Read the primary or official source: Liang et al., Rich Human Feedback for Text-to-Image Generation (arXiv)