Seedream 5.5 od ByteDance pozwala na 100 rund edycji bez utraty jakości

Jednym z najbardziej uciążliwych problemów generatywnych edytorów graficznych jest kumulacja błędów. Gdy wygenerowany obraz staje się punktem wyjścia do kolejnej poprawki, algorytmy często nieznacznie zmieniają kolory, rozmywają detale lub modyfikują fragmenty, które miały pozostać nienaruszone. Po kilku iteracjach projekt nierzadko traci spójność i pierwotną ostrość. ByteDance zamierza rozwiązać tę bolączkę za sprawą nowego modelu Seedream 5.5.

W lipcu pisaliśmy, że Seedream 5.0 Pro zaoferował edycję na warstwach i obsługę 14 języków, zbliżając generatory obrazu do profesjonalnych narzędzi graficznych. Wersja 5.5 idzie o krok dalej w stronę wymogów produkcyjnych. Według zapewnień ByteDance system przeszedł celowane trenowanie pod kątem wieloetapowej edycji, co pozwala zachować nieedytowane obszary na poziomie pojedynczych pikseli. Firma deklaruje, że model pozwala edytować obraz przez 100 rund, eliminując przesunięcia barw w nieedytowanych obszarach i ograniczając utratę detali.

Natywna przezroczystość bez wycinania tła

Drugą kluczową innowacją jest bezpośrednie generowanie obrazów w modelu RGBA. Zamiast zmuszać projektantów do usuwania jednolitego tła za pomocą zewnętrznych masek lub algorytmów odcinających, Seedream 5.5 natywnie renderuje kanał alfa. Obejmuje to zarówno pełną przezroczystość, jak i półcienie, przejścia tonalne czy skomplikowane krawędzie, na przykład pióra, sierść i drobne prześwity. Tak przygotowane elementy mogą natychmiast trafić do oprogramowania DTP, silnika gry lub szablonu marketingowego jako niezależne warstwy.

ByteDance deklaruje również wyraźny postęp w fotorealizmie i renderowaniu typografii. Zmniejszono sztuczny połysk i skłonność do prześwietlania scen, a tekstury ludzkiej skóry oraz materiałów mają wyglądać bardziej naturalnie. W wewnętrznych testach jakość generowania drobnego, zwartego tekstu przełożyła się na spadek współczynnika poważnych zniekształceń liter do 0,4%, a drobnych błędów do 1,7% w testach obejmujących alfabet łaciński i pismo chińskie.

Model jest stopniowo wdrażany w ekosystemie narzędzi firmy, m.in. na platformach Jimeng i Doubao oraz w chmurze Volcengine Ark, a twórcy zapowiedzieli już prace nad mocniejszym wariantem Pro.