Google Imagen 4 — הדור הבא של יצירת תמונות AI

Google Imagen 4 הוא הגרסה האחרונה במשפחת מודלי הדיפוזיה 'טקסט-לתמונה' (text-to-image) של גוגל, ומייצג שנים של מחקר ב-Google DeepMind בתחום סינתזת תמונות פוטוריאליסטיות. המודל מתבסס על ארכיטקטורת הדיפוזיה המדורגת (cascaded diffusion) הקניינית של גוגל, אשר יוצרת תמונות באמצעות תהליך רב-שלבי: מודל בסיס ראשוני יוצר את הקומפוזיציה והמבנה הכלליים, ולאחריו מודולי סופר-רזולוציה מוסיפים בהדרגה פרטים עדינים. גישה זו מאפשרת ל-Imagen 4 להפיק תוצרים עם לכידות יוצאת דופן הן בקנה מידה המאקרו והן במיקרו — הסצנות בנויות היטב והאלמנטים הבודדים מכילים טקסטורה ותאורה מציאותיות.

מבדל מפתח של Imagen 4 הוא מערכת השליטה המדויקת שלו ביחס הגובה-רוחב. בניגוד למודלים שיוצרים תמונות ברזולוציה קבועה ודורשים חיתוך (cropping), מודל Imagen 4 יוצר תמונות באופן טבעי (natively) ביחס הגובה-רוחב שצוין, מה שמבטיח שהקומפוזיציה, מיקום האובייקטים והאיזון החזותי יהיו מותאמים למידות היעד. זה בעל ערך רב במיוחד עבור תהליכי עבודה מקצועיים שבהם התוכן חייב להתאים לדרישות פלטפורמה ספציפיות — החל מפוסטים מרובעים באינסטגרם, דרך מודעות באנר רחבות במיוחד, ועד לתצוגות מובייל אנכיות. המודל תומך ביחסים סטנדרטיים כולל 1:1, 4:5, 5:4, 9:16, 16:9, ומידות מותאמות אישית.

Imagen 4 ממנף את מקודד הטקסט T5-XXL של גוגל להבנה יוצאת דופן של פרומפטים, ומאפשר לו לנתח תיאורים מורכבים מרובי-פסוקיות ולתרגם אותם לתוצרים מדויקים מבחינה ויזואלית. המודל מפגין ביצועים חזקים באזורים מאתגרים שמכשילים את המתחרים: רינדור מדויק של כפות ידיים ואצבעות, תווי פנים עקביים, יחסים מרחביים נכונים בין אובייקטים, ומאפייני חומר מציאותיים כגון השתקפות זכוכית, נפילת בד ומשטחי מתכת. תהליך היצירה מותאם למהירות, ולרוב מסתיים בתוך שניות, מה שהופך אותו לפרקטי עבור תהליכי עבודה יצירתיים איטרטיביים שבהם התנסות מהירה עם פרומפטים וקומפוזיציות שונות היא חיונית.