Hladkosť vygenerovanej fotky nie je chyba zadania. Je to vlastnosť architektúry.

Šesť kôl po sebe sme o vlastných vygenerovaných portrétoch hovorili to isté: príliš hladké, príliš dokonalé, niečo tam nesedí a nevieme to pomenovať. Šesť kôl sme to skúšali opraviť tak, ako to skúša skoro každý. Lepším zadaním. Päť kôl textu v štýle „viditeľné póry, neretušovaná pleť, prirodzená nedokonalosť“.

Nepohlo to skoro ničím. Dôvod nie je v zadaní. Je v tom, na čo je model trénovaný.

Model je trénovaný odstraňovať presne to, čo v obraze chýba

Generátor obrázkov, ktorý dnes používa skoro každý, je difúzny model. Zjednodušene začne s obdĺžnikom čistého náhodného šumu a v mnohých krokoch z neho šum odoberá, kým nezostane obraz. Celý tréning je o jedinej schopnosti: pozrieť sa na zašumený obrázok a odhadnúť, ktorá časť je šum.

Jemná textúra pleti (póry, chĺpky, drobné nerovnomernosti pigmentu) je štatisticky takmer na nerozoznanie od šumu. Sú to slabé, vysokofrekvenčné, náhodne rozložené odchýlky. Presne to, čo sa model naučil odstraňovať.

Tréningový cieľ teda model trestá za to, že textúru pleti nechá v obraze. Nie je to chyba. Nie je to zanedbanie výrobcu a nie je to niečo, od čoho sa dá model odhovoriť. Je to to, na čo je optimalizovaný.

Toto je výklad toho, ako difúzny model funguje, plus vlastné meranie, ktoré s ním sedí. Necitujeme žiadnu konkrétnu štúdiu a netvrdíme, že sme meraním dokázali tréningový cieľ. Tvrdíme dve overiteľné veci: merané vygenerované snímky majú výrazne menej textúry než akákoľvek fotka z fotoaparátu, a päť kôl zadaní, ktoré o textúru priamo prosili, s tým nepohlo.

Z toho plynú dve veci, ktoré nie sú samozrejmé.

• →Prompt na nedokonalosť má strop a my sme na ňom. Ďalšie slová už len zaberajú miesto zadaniu, ktoré funguje: kompozícii, svetlu, ohnisku.
• →Oprava musí pixely pridať alebo signál dopočítať až po generovaní. Nič iné fungovať nemôže, lebo textúra nevznikla. Nedá sa obnoviť to, čo tam nikdy nebolo.

Folklór realistického promptovania verzus namerané

Okolo „realistického promptovania“ je celý ľudový repertoár. Prešli sme ho. Väčšina z neho nám nič nedala.

Viac prídavných mien. Tých päť kôl. Textúra sa nepohla, len prompt narástol.

Opísať tvár slovami. Zmerané na našej postave: štyri vety typu „neupravuj ju, nechaj jej tvár tak, ako je“ priniesli v priemere +3,9 % textúry, pričom rozptyl medzi jednotlivými snímkami bol niekoľkonásobne väčší než ten priemer. Nameraný rozdiel je menší než šum merania. Vety sme vymazali a nič sa nezhoršilo.

„Shot on iPhone“, názov tela fotoaparátu, objektívu, filmového materiálu, EXIF údaje v prompte. Je to najčastejšia rada na internete a nenašli sme k nej ani jeden riadený test, ani potvrdzujúci, ani vyvracajúci. Neznamená to, že nefunguje. Znamená to, že na nej nemá zmysel stavať metódu. Jedna výnimka: napísať clonu a vzdialenosť je geometrická inštrukcia a určuje, čo bude ostré a čo nie. Názov aparátu neurčuje nič.

„Photorealistic, 8K, highly detailed, cinematic“. Nastaví to tón. Nedá to modelu nič konkrétne, čo by vykreslil inak.

Neporiadok v zábere. Náš vlastný omyl, stál nás päť kôl generovania. Zdalo sa logické, že reálnu fotku robí bordel, tak sme ho do zadania pridali, a výsledok bola izba, ktorá vyzerala naaranžovane chaoticky, tá istá chyba v inom oblečení. Referenčná fotka, ktorú sme sa snažili trafiť, je pritom upratná: čistý koberec, rovno položená obálka, zarovnaná krabica. A okamžite pôsobí ako skutočná.

Oprava tváre druhým promptom. Vyskúšané u dvoch dodávateľov a uzavreté. Rozhranie images.edit nemá masku, teda sa mu nedá povedať, že má myslieť len na túto oblasť. Prompt, ktorému sme v štyroch odsekoch vysvetľovali, že má zmeniť iba tvár, prekreslil 11 až 25 % plochy záberu a textúru tváre pritom ešte o 10 až 17 % znížil. Obmedzenie úpravy na oblasť potrebuje kompozitor, nie lepšiu vetu.

Funguje reťazec krokov po generovaní

Prerenderovať samotnú tvár vo vyššom rozlíšení a vložiť ju späť

Toto je jediný krok, ktorý pridáva pixely.

V celopostavovom zábere má hlava podľa ľudských proporcií asi sedminu výšky obrázka. Pri výstupe okolo 2K to znamená približne 350 pixelov na tvár, a v 350 pixeloch nemá pleť kde bývať. Žiadať generátor o lepšiu tvár nepomôže. Renderuje celý záber naraz a tvár dostane toľko pixelov, koľko si zaslúži svojou veľkosťou.

Tvár vyrežeme, pošleme ju von samostatne v 1024 px, teraz má celý obrázok pre seba, a vložíme ju späť pod rozostrenou maskou s dorovnaným odtieňom okolitej pleti. Dorovnanie odtieňa je nosná časť. Bez neho je na sánke vidieť šev aj vtedy, keď geometria sedí dokonale.

V spodnom rade pribudli pehy, ktoré nie sú rozmiestnené rovnomerne, nerovnomerné začervenanie okolo nosa, oddelené mihalnice, lesk na nose a nie na lícach. Póza, pohľad a výraz sú na každom zábere nezmenené.

Metóda je bezpečná len dovtedy, kým je výrez malý, a naučili sme sa to draho. Keď výrez dosiahol 54 % šírky záberu, prestala to byť oprava tváre. Bola to regenerácia celého obrázka s maskou na tvári a vrátila sa nám postava otočená k objektívu s iným telefónom v ruke. Nástroj má odvtedy tvrdý strop: výrez najviac 40 % kratšej strany, a tvár širšia než 20 % záberu sa odmieta úplne, lebo tá už tie pixely má.

Detektor tvárí, ktorý používate, si treba overiť na snímkach, kde žiadna tvár nie je. Náš pôvodný kaskádový detektor typu Haar vrátil sebavedomý zásah na všetkých piatich testovacích záberoch, na ktorých nie je ani jeden človek: raz to bola slivka, raz dvierka rúry, raz ruka. Na inom zábere uprednostnil kus parketovej podlahy pred skutočnou tvárou, ktorá bola v tom istom zozname o šesť miest nižšie. Test na farbu pleti tu nezachráni, lebo teplé drevo má farbu pleti. Po prechode na YuNet sedia skutočné tváre na istote 0,90 – 0,94 a jeho falošné poplachy na 0,82 a nižšie. Prah sme položili do tej medzery, na 0,85.

Signatúra snímača slabo, strop je dôležitejší než účinok

Druhý krok dopočítava to, čo za sebou necháva fyzický fotoaparát a generátor nemá odkiaľ vziať: chromatickú aberáciu (objektív zaostruje červenú a modrú v mierne inej mierke), vinetáciu (pokles jasu do rohov), fotónový šum, šum elektroniky, mäkký prechod do vypálených svetiel, neopravené vyváženie bielej a jednu vrstvu bežnej kompresie JPEG.

Robíme to silou 0,18 a strop je 0,2. To číslo je dôležitejšie než samotný krok.

Pozrite sa na stenu za ňou. Pri sile 0,35 nám merací nástroj hovorí, že snímka je v pásme skutočných fotoaparátov, a pritom je to zjavne dodatočne pridané zrno. Prehnané množstvo správnej veci je stále nesprávne, len je to iný druh faloše, nie menší. Preto strop.

Zrno musí byť korelované medzi farebnými kanálmi. Keď sme šum losovali pre červený, zelený a modrý kanál nezávisle, metrika farebnej odchýlky vyskočila na 0,394 oproti pásmu skutočných fotoaparátov 0,009 – 0,032. Snímač vidí jedno pole fotónov cez farebnú mriežku, takže skutočný šum je prevažne jasový s trochou farebného navrchu. Po zmiešaní 0,88 jasu a 0,30 farby to kleslo na 0,015.

Dá sa to zmerať namiesto škúlenia

Podľa nás najpoužiteľnejšia myšlienka z celej práce. Mení „vyzerá to divne“ na číslo.

Fyzika v jednej vete

Svetlo prichádza na snímač po jednotlivých fotónoch a ich počet je náhodný proces. Pri počítaní náhodných udalostí kolísanie rastie s druhou odmocninou počtu. Na skutočnej fotke z toho plynie to, čo je v rámčeku.

Namaľované zrno toto nerobí. Filter, ktorý pridáva „filmové zrno“, ho sype rovnomerne po celej ploche. Preto sa dá jedným meraním odlíšiť fotoaparát od namaľovaného zrna.

Ako to náš nástroj počíta, presne

Nechceme to zahmlievať. Tu je celý postup.

Kladný sklon znamená, že šum rastie s jasom, teda že sa záber správa ako fotoaparát. Sklon okolo nuly alebo záporný znamená, že zrno je buď žiadne, alebo namaľované naplocho.

Prečo lineárne svetlo rozhoduje

Odmocninový zákon je fakt o fotónoch dopadajúcich na snímač, takže platí pred prevodovou krivkou, nie po nej. Súbor JPEG alebo PNG jas neukladá lineárne. Kódovanie sRGB tiene nadvihuje a svetlá stláča. Keď sa to meria priamo na súbore, vyjde záporný sklon aj skutočnému fotoaparátu. Presne to robila naša prvá verzia a prezradili to až kontrolné vzorky. Štyri skutočné fotky sa rozpadli na dve kladné a dve záporné namiesto toho, aby sa zhodli.

Čísla

Kontrolné vzorky sú štyri snímky vytiahnuté zo skutočných záznamov z fotoaparátu (stopáž z fotobanky Pexels), prepočítané 25. 8. 2026.

Žiadny z modelov, ktoré tu bežne používame, sa do pásma nedostal sám, a reťazec ich tam dostane. Je jedno, ktorý model záber vyrobil.

Tri výhrady, bez ktorých je to číslo zavádzajúce

1. Kontrolné vzorky sú z videa. Nie z fotoaparátu v režime fotenia. Nesú kompresiu a pravdepodobne vyššiu citlivosť, než by mala fotka. Stačí to na určenie smeru, nestačí to na stanovenie absolútneho prahu, a náš nástroj žiadny prah zámerne nemá. Vypíše čísla a nechá rozhodnutie na človeku.

2. Nie je to detektor AI. Jedna naša staršia vygenerovaná snímka (gpt-image-2, august 2026) meria 0,268, teda vnútri pásma skutočných fotoaparátov, sama od seba, bez akéhokoľvek dokončovania. Je to zhodou okolností práve tá snímka, o ktorej sme dovtedy hovorili, že „nejako sedí“. Číslo hovorí, ako sa daný záber správa oproti kontrole. Nehovorí, či ho urobil človek alebo stroj. Kto to bude predávať ako detektor, klame.

3. Meranie je citlivé na rozlíšenie. Zistili sme to až pri písaní tohto textu. Tá istá snímka nameria 0,268 pri svojej veľkosti a 0,203, keď ju pred meraním zmenšíme o ďalších 40 %. Zmenšovanie potláča šum priemerovaním. Porovnávať sa teda dá len pri porovnateľnom rozlíšení, a v našich vlastných starších tabuľkách to zohľadnené nie je.

Zvyšné stĺpce nášho nástroja majú menšiu výpovednú hodnotu a hovoríme to rovno. Metrika periodicity, ktorá hľadá stopy po zväčšovaní v generátore, sa pozerá na periódu 8 pixelov, a presne tam sedí aj bloková štruktúra bežnej videokompresie, takže na kontrolných vzorkách z videa je celý ten stĺpec znehodnotený. Frekvenčné stopy navyše časom slabnú, lebo novšie architektúry ich majú menej. Z celej sady sa dlhodobo drží iba fotónový šum.

Výnimka, ktorá potvrdzuje metódu

Je jeden druh záberu, ktorý nesmie dostať ani jeden z tých dvoch krokov: záber, ktorý vznikol úpravou skutočnej fotografie.

Taký záber už signatúru snímača nesie. Zdedil ju zo zdrojových pixelov. A má niečo, čo nemá nič iné v našej práci: svoju vlastnú kontrolu, tú istú snímku pred úpravou aj po nej.

Výstup je vnútri pásma sám od seba, čo sa nám v tejto sérii pri žiadnom zábere generovanom z textu nestalo. Pridať naň dokončovaciu silu 0,18 by ho posunulo preč od jeho vlastnej kontroly.

Preto je pravidlo formulované takto. Je dôležitejšie než ktorýkoľvek jednotlivý krok.

U nás to už nie je odporúčanie, ale vlastnosť nástroja. Ku každému záberu sa musí vopred napísať, ktorý režim dokončenia mu patrí: celý reťazec, zdedená signatúra alebo nič. Generovanie sa odmietne, kým to tam nie je. Rozdiel medzi záberom vygenerovaným z textu a upravenou fotografiou totiž z pixelov nikto nespozná, takže bezpodmienečný reťazec by ticho poškodil práve tie zábery, ktoré sú najlepšie.

Jeden konkrétny znak, ktorý viete použiť hneď

Ak si z celého textu máte odniesť jedinú vec, nech je to táto.

Rozostrenie pozadia (bokeh) je funkciou veľkosti snímača a skutočnej ohniskovej vzdialenosti, nie tej „ekvivalentnej“, ktorá je napísaná v parametroch telefónu. Hlavný snímač bežného mobilu je približne typu 1/2,55 palca, čo sú zhruba 5,6 × 4,2 mm. Kinofilmové políčko má 36 × 24 mm. To je približne 36-násobný rozdiel v ploche a asi šesťnásobný rozdiel v uhlopriečke. Skutočné ohnisko hlavného objektívu mobilu je okolo 5 až 7 mm. Údaj „24 mm“ alebo „26 mm“ v špecifikácii je prepočet na kinofilm, nie fyzická vlastnosť objektívu.

Pri rovnakom výreze a rovnakej clone je hĺbka ostrosti mobilu rádovo šesťkrát väčšia než na plnoformátovom aparáte. Pri fotení na dĺžku ruky, so stenou dva až tri metre za subjektom, dostanete mierne zmäkčené pozadie, nie rozplynuté. Nie je to vec vkusu ani kvality. Je to geometria.

Mobily krémové pozadie robia, ale v režime portrét. Ten ho nezachytáva, ten ho dopočítava. Telefón odhadne mapu vzdialeností, vystrihne subjekt a rozmaže zvyšok. Má to vlastné stopy, ktoré sa dajú hľadať.

• →Rozmazanie nerastie so vzdialenosťou. Stena tri metre za subjektom a strom tridsať metrov za ním sú rozmazané rovnako. Pri skutočnej optike by to boli dve úplne iné miery.
• →Chyby na obryse. Jednotlivé vlasy, ramienka okuliarov, ucho hrnčeka, medzera medzi ramenom a telom: miesta, kde sa maska mýli. Buď sú ostré tam, kde majú byť mäkké, alebo naopak.
• →Prechod začína presne na obryse osoby, nie plynulo od roviny zaostrenia.

Vygenerovaný záber má opačný problém. Obrys býva čistý, ale rozostrenie je opticky nemožné pre prístroj, za ktorý sa snímka vydáva.

Toto nás stálo najviac. Prvé kolo jednej našej série malo krásne mäkké pozadie a bol to najsilnejší samostatný znak, ktorý záber prezrádzal. Každé rozmazané pozadie podpisovalo snímku slovami „toto nefotil mobil“. Máme na to aj číslo. Druhý merací nástroj počíta pomer medzi najmäkšou a najostrejšou pätinou detailných plôch v obraze: naše zábery s reálne hlbokou ostrosťou sedia na 0,25 – 0,37, ten istý záber s umelo domaľovaným rozostrením pozadia spadne na 0,02. Pod zhruba 0,10 je v zábere rozostrené pozadie, nech to na prvý pohľad vyzerá akokoľvek.

Čo z toho zatiaľ neplatí pre video

Hovoríme to naschvál, lebo je to hranica nášho dôkazu.

Všetko doteraz je merané na statických snímkach. Či signatúra snímača, ktorú do snímky dopočítame, prežije krok, v ktorom z nej model na generovanie videa vyrobí pohyb, sme nemerali a nenašli sme nikoho, kto by to zmeral. Argument o tréningovom cieli sa na video pravdepodobne prenáša, lebo model na generovanie videa tiež odstraňuje šum. To, čo je pravdepodobné, nie je to isté ako to, čo je namerané.

Ak sa ukáže, že signatúra ten krok neprežije, potom je dopočítavanie do vstupnej snímky zbytočná práca a jediné, čo sa do výsledného súboru dostane, je zrno pridané až pri finálnom zostrihu. Test stojí nula eur a zatiaľ ho nikto neurobil.

Instagram aj TikTok súbor pri nahratí prekódujú, s podvzorkovaním farby a poriadnym rezom do dátového toku. Jemná vysokofrekvenčná textúra (presne tam, kde býva aj zrno snímača, aj kresba pleti) je to prvé, čo taká kompresia zoberie. Deje sa to až potom, ako súbor opustí vaše ruky. Nemáte na to páku.