ByteDancen Seed-tutkimusryhmä esitteli 9. marraskuuta blogissaan Seedream 5.5:n. Se on uusi malli kuvien luomiseen ja muokkaamiseen ammattimaisessa kuvatuotannossa. Tekoälyuutisiin keskittyvä The Decoder referoi tiedotteen samana päivänä.

Toistuva muokkaus ja läpinäkyvät taustat

Kun kuvaa muokataan kierroksittain aina edellisen tuloksen pohjalta, pienet virheet voivat kasautua. Yksityiskohdat katoavat ja kuva heikkenee. ByteDancen mukaan Seedream 5.5 on koulutettu erityisesti säilyttämään muokkaamattomat alueet pikselintarkasti ja ilman värisiirtymiä. Yhtiön mukaan tämä tukee saman kuvan työstämistä 100 muokkauskierroksen ajan.

Yhtiö havainnollistaa tätä esimerkillä, jossa saman henkilön kuvaa muokattiin 100 kertaa peräkkäin. Yhtiön mukaan malli muokkasi silloinkin tarkasti pieniä esineitä, kuten sormuksia ja silmälasinkehyksiä.

Toiseksi malli tallentaa kuvaan kunkin pikselin läpinäkyvyyden eli alfakanavan. Se tuottaa suoraan RGBA-kuvia, joiden tausta voi olla kokonaan tai osittain läpinäkyvä. Näin luodun esineen tai hahmon voi viedä taittoon tai kuvasommitelmaan ilman erillistä taustanpoistoa ja reunojen siistimistä. Esineitä ja hahmoja voi luoda tekstikuvauksesta tai viitekuvasta.

Yhtiön mukaan malli jäljittelee myös valoa, materiaaleja ja ihoa luonnollisemmin ja piirtää aiempaa tarkemmin pientä, tiheää tekstiä sekä monivetoisia kiinan merkkejä.

Yhtiön omat arviot

ByteDance testasi mallia kuudessa käyttötapauksessa: verkkokauppa, markkinointi, elokuva- ja tv-tuotanto, pelit, toimistotyö ja muotisuunnittelu. Kokeneet kuvanluonnin arvioijat pisteyttivät MagicArena-alustalla tulosten laadun ja käyttökelpoisuuden.

Edelliseen Seedream 5.0 Pro -versioon verrattuna sekä arvioijien laatupisteet (MOS) että käyttökelpoisten kuvien osuus nousivat kaikissa kuudessa käyttötapauksessa. Elokuva- ja tv-tuotannossa sekä toimistotyössä käyttökelpoisten kuvien osuus oli yli kaksinkertainen.

Asiantuntijat arvioivat tekstin rakennetta ja realismia kuvapareittain GSB-menetelmällä (Good/Same/Bad). Siinä arvioija kertoo, kumpi kuva on parempi tai ovatko ne yhtä hyviä. Uusi malli oli edellistä versiota parempi kaikissa neljässä vertailussa sekä tekstistä kuvaksi- että kuvasta kuvaksi -tehtävissä. Esimerkiksi kuvasta kuvaksi -tehtävien realismissa GSB-tulos oli +55,62 %.

ByteDancen mukaan malli on GPT Image 2.5 Sunburstia ja Nano Banana 2.1:tä parempi tekstin rakenteessa molemmissa tehtävätyypeissä. Realismissa yhtiö kertoo selvästä etumatkasta tekstistä kuvaksi -tehtävissä. The Decoder esittää kilpailijavertailun ByteDancen väitteenä.

Kiinan- ja englanninkielisen tekstin testissä vakavasti vioittuneen tekstin osuus oli 0,4 % ja lievästi vioittuneen 1,7 %. Yhtiön mukaan molemmat osuudet ovat selvästi edellistä versiota pienempiä ja kärkimallien vertailussa parhaiden joukossa.

The Decoderin mukaan mallia otetaan vähitellen käyttöön ByteDancen Jimeng- ja Doubao-palveluissa, Doubao Workissa ja Volcengine Ark -alustalla. ByteDancen mukaan Pro-versio on tulossa, ja yhtiö aikoo laajentaa mallin käyttöä agenttien työnkuluissa.