P-H3-Image บน ComfyUI: สร้างและแก้ภาพด้วย MiniMax H3

เนื้อหาในคลิป

P-H3-Image คืออะไร และติดตั้งอย่างไร

P-H3-Image เป็นโมเดลของ Pruna AI ที่อิงบน MiniMax H3 ทำให้ H3 ซึ่งเดิมรู้จักกันในฐานะโมเดลวิดีโอ ถูกใช้สร้างภาพนิ่งจากข้อความและแก้ภาพที่มีอยู่ได้ ผู้ทำคลิปชี้ว่าการติดตั้งค่อนข้างง่าย ไม่ต้องลง custom node เพิ่ม เพียงอัปเดต ComfyUI แล้วดาวน์โหลดไฟล์โมเดลให้ครบ ส่วน workflow มีให้โหลดจากหน้า Hugging Face ของโมเดล

ไฟล์โมเดลมี 3 รุ่น คือ BF16, INT8 และ W4A8 ผู้ทำคลิปเลือก W4A8 เพราะเห็นว่าสมดุลระหว่างคุณภาพภาพกับการใช้ VRAM ใน workflow มี loader แยกสำหรับ diffusion model, text encoder และ VAE และมี LoRA ติดมาให้ทดลองด้วย โมเดลสร้างภาพได้สูงสุด 8 megapixels และรับภาพอ้างอิงได้ถึง 8 ภาพ ส่วนข้อจำกัดที่ผู้พัฒนาระบุไว้เองคือ คนตัวเล็กในฉากหลังอาจบิดเบี้ยว และการสร้างตัวอักษรยังไม่แน่นอน

ผลทดสอบ text-to-image ที่ 8 megapixels

ภาพแรกเป็นภาพแนว street photography ของหญิงสาวผมบลอนด์ ใช้ sampler แบบ Euler ที่ 8 megapixels ตัวแบบหลักออกมาดี ใบหน้ามีรายละเอียดและดูเป็นภาพถ่าย แต่ฉากหลังมีวัตถุบิดเบี้ยว โดยเฉพาะรั้วที่โครงสร้างไม่สม่ำเสมอ ไฟล์ภาพมีขนาดราว 18 MB และใช้เวลาประมาณ 33 วินาทีบน RTX 5090 ที่รันผ่าน ComfyUI portable

ภาพที่สองเป็นหญิงสาวถือดอกไม้ในชนบท ใบหน้า องค์ประกอบภาพ และแสงยังดีอยู่ แต่เมื่อซูมเข้าไปจะเห็นกลีบดอกไม้และรายละเอียดเล็กๆ เพี้ยน ข้อสังเกตของผู้ทำคลิปคือโมเดลจัดการตัวแบบหลักได้ดี แต่ยังมีปัญหากับวัตถุซับซ้อนและรายละเอียดขนาดเล็ก แม้จะสร้างที่ความละเอียดสูงก็ตาม

Prompt upsampler ช่วยได้แค่ไหน

เนื่องจากโมเดลไวต่อ prompt ผู้ทำคลิปจึงทดสอบ prompt upsampler ที่ติดมากับ workflow ครั้งแรกเขาต่อสายผิดโดยใช้ output ของ text encoder แทน จึงต้องแก้การเชื่อมต่อแล้วรันใหม่ เมื่อต่อถูกแล้ว ตัว upsampler จะขยาย prompt เดิมให้มีรายละเอียดของตัวแบบ แสง และสภาพแวดล้อมมากขึ้น

การสร้างภาพผ่าน upsampler ใช้เวลาราว 48–52 วินาที ช้ากว่าแบบปกติเล็กน้อย เมื่อนำมาเทียบกับภาพเดิมที่ใช้ prompt เดียวกัน ภาพที่ผ่าน upsampler มีดอกไม้ที่ดูเป็นธรรมชาติกว่าและฉากหลังดีขึ้น แม้จะยังไม่สมบูรณ์แบบ ผู้ทำคลิปจึงแนะนำให้ลองเปิดใช้เมื่อทำ text-to-image

การแก้ภาพด้วยภาพอ้างอิงหลายภาพ

การทดสอบแก้ภาพเริ่มจากนำภาพสองภาพที่สร้างไว้มารวมกัน ให้หญิงสาวจากภาพแรกถือดอกไม้จากภาพที่สอง สร้างที่ 4 megapixels ด้วย Euler ผลลัพธ์คงใบหน้าเดิมไว้ได้ แสงและองค์ประกอบดูเป็นธรรมชาติ และไม่มีผิวเรียบแบบพลาสติก ขั้นตอนนี้ใช้เวลาประมาณ 81 วินาที

จากนั้นเพิ่มเป็นภาพอ้างอิง 3 ภาพ คือหญิงสาวสองคนกับซองมันฝรั่งทอด โดยให้ทั้งคู่ยืนด้วยกันใกล้บันไดอาคารและถือซองขนม ใบหน้าของทั้งสองยังใกล้เคียงต้นฉบับและภาพรวมดูเป็นธรรมชาติ แต่ตัวหนังสือบนซองเบลอ ตัวอักษรเล็กอ่านยาก และนิ้วมือยังไม่สมบูรณ์ ผู้ทำคลิปสรุปว่าการแก้ภาพเป็นจุดแข็งของโมเดลนี้มากกว่าการสร้างภาพจากข้อความ