11สอนใช้งาน · ระดับปานกลาง
P-H3 Image แก้ภาพใน ComfyUI: วิธีตั้งค่าและ workflow ฟรี
ชื่อคลิปต้นฉบับ: P-H3 Image: The New #1 Image Editing Model (Full Tutorial)
คลิปราว 7 นาทีจากช่อง Prompt Mastery สาธิต P-H3 Image โมเดลแก้ภาพของ PrunaAI ที่สร้างบน MiniMax H3 ด้วยการวางตัวละครลงในภาพถ่ายสตูดิโอ พร้อมอธิบาย setup ใน ComfyUI เหมาะกับคนที่มี MiniMax H3 อยู่แล้วและอยากลองแก้ภาพแบบใช้ภาพอ้างอิงสองภาพ
สรุปสั้น
- P-H3 Image เป็นโมเดลแก้ภาพของ PrunaAI ที่สร้างบน MiniMax H3 ซึ่งเป็นโมเดลวิดีโอ ผู้ทำคลิปจึงมองว่ามันจัดแสง เงาสะท้อน และสัดส่วนคนในฉากได้สมจริง
- ใช้ MiniMax H3 FL2V pruned int8 คู่กับ P-H3 LoRA ขนาด 2 GB แทน checkpoint 20 GB ได้ โดยผลลัพธ์ใกล้เคียงกันมาก
- ภาพแรกที่ใส่เป็นตัวกำหนด aspect ratio ของผลลัพธ์เสมอ จึงต้องใส่ภาพฉากก่อนภาพตัวละคร
- บน RTX 5090 ภาพ 2 megapixel ใช้ราว 30 วินาที และ 4 megapixel ใช้ราวหนึ่งนาที
- ใบหน้าขนาดเล็กเป็นจุดอ่อน ควรเพิ่มเป็น 4 megapixel เมื่อคนในภาพตัวเล็ก
เนื้อหาในคลิป
ตัวอย่าง: วางตัวละครลงบนเก้าอี้ว่างในภาพถ่ายจริง
ผู้ทำคลิปเริ่มจากภาพถ่ายสตูดิโอของตัวเองที่มีเก้าอี้ว่าง กับ character sheet ของตัวละครชื่อ Amber แล้วสั่งให้ผู้หญิงจากภาพที่สองมานั่งบนเก้าอี้ในภาพแรก ผลลัพธ์มีเงาสะท้อนของตัวละครปรากฏในฉาก และขนาดตัวเข้ากับพื้นที่ เขานำไปเทียบกับผลจาก GPT Image 2.5 ซึ่งไม่มีเงาสะท้อนและดูเหมือนภาพถูกแปะลงไป
จากนั้นเขาสั่งต่อด้วยประโยคสั้นๆ ให้หิมะตกและฝนตกภายในสตูดิโอ ภาพฝนตกมีรายละเอียดอย่างโต๊ะที่เปียกและน้ำบนพื้น แล้วนำทั้งสองภาพไปทำเป็นวิดีโอด้วย MiniMax H3 ต่ออีกขั้น
Setup ที่ใช้: H3 pruned int8 คู่กับ P-H3 LoRA
แทนที่จะดาวน์โหลด checkpoint เต็มขนาด 20 GB ผู้ทำคลิปใช้ MiniMax H3 FL2V pruned int8 เป็น base model แล้วต่อ P-H3 Image LoRA ขนาด 2 GB เข้าไป เขาบอกว่าลองทั้งสองแบบแล้วผลลัพธ์ใกล้เคียงกันมาก คนที่มีโมเดล H3 ตัวนี้อยู่แล้วจึงโหลดเพิ่มแค่ LoRA, text encoder, VAE และ prompt upsampler
workflow แจกฟรีบน Gumroad โดย description ระบุให้ใส่ 0 ในช่องราคา และมี README รวมลิงก์โมเดลกับโฟลเดอร์ที่ต้องวางไฟล์
วิธีใช้: Picture 1 คือ canvas
กติกาสำคัญคือภาพแรกที่ใส่เป็นตัวกำหนด aspect ratio ของผลลัพธ์เสมอ ไม่ว่าจะตั้งกี่ megapixel จึงต้องใส่ภาพฉากเป็นภาพแรกและ character sheet เป็นภาพที่สอง ถ้าสลับกัน ผลลัพธ์จะออกมาตามสัดส่วนของ character sheet แทน
workflow มี prompt upsampler ในตัว ทำหน้าที่ขยาย prompt โดยอิงจากสิ่งที่เห็นในภาพ ผู้ใช้จึงเขียนเป็นประโยคธรรมดาได้ เช่นให้ผู้หญิงจาก picture 2 เข้าไปนั่งบนเก้าอี้สำนักงานสีดำใน picture 1 ด้านความเร็ว บน RTX 5090 ภาพ 2 megapixel ซึ่งได้ราว 1080p ใช้ประมาณ 30 วินาที ส่วน 4 megapixel ใช้ประมาณหนึ่งนาที
เหตุผลที่ผู้ทำคลิปยกให้เป็นอันดับหนึ่ง และข้อจำกัด
ผู้ทำคลิปให้เหตุผลว่าโมเดลแก้ภาพตัวอื่นที่เขาเคยลองขาดความเข้าใจเรื่องพื้นที่ 3D ขณะที่ P-H3 Image ต่อยอดจากโมเดลวิดีโอ จึงรู้ว่าแสงมาจากทิศไหน เงาสะท้อนควรอยู่ตรงไหน และคนควรมีขนาดเท่าไรในฉาก ข้อสรุปนี้มาจากการทดลองของเขาเอง คลิปไม่ได้แสดงตัวเลข benchmark ประกอบ
ข้อจำกัดที่เขายอมรับคือ MiniMax H3 ทำใบหน้าขนาดเล็กได้ไม่ดี ผิวขาด texture จึงแนะนำให้เพิ่มเป็น 4 megapixel เมื่อคนในภาพตัวเล็ก และถ้าต้องการให้ตัวละครเหมือนเดิมทุกฉาก ให้ train LoRA ของตัวเอง ช่วงท้ายคลิปเป็นการแนะนำบริการ train character LoRA สำหรับ Krea 2 ของเขาในราคาแนะนำ 50 ดอลลาร์
ข้อสรุปของผู้ทำคลิป
ผู้ทำคลิปยกให้ P-H3 Image เป็นโมเดลแก้ภาพที่ดีที่สุดเท่าที่เขาเคยทดสอบเพราะเข้าใจพื้นที่ 3D แต่ยอมรับว่ายังอ่อนเรื่องใบหน้าขนาดเล็ก
คำถามที่พบบ่อย
P-H3 Image ต่างจาก GPT Image 2.5 อย่างไรในคลิปนี้
ผู้ทำคลิปเทียบงานวางตัวละครลงบนเก้าอี้ในภาพสตูดิโอ ผลจาก P-H3 Image มีเงาสะท้อนและสัดส่วนเข้ากับฉาก ส่วนผลจาก GPT Image 2.5 ไม่มีเงาสะท้อนและดูเหมือนถูกแปะลงไป เป็นการเทียบจากตัวอย่างเดียวของเขาเอง
ต้องดาวน์โหลดไฟล์อะไรบ้างสำหรับ setup ในคลิป
ต้องมี MiniMax H3 FL2V pruned int8 เป็น base model, P-H3 Image LoRA, text encoder, VAE และ prompt upsampler ลิงก์ทั้งหมดอยู่ใน README ของ workflow
ต้องเขียน prompt ยาวไหม
ไม่ต้อง เพราะ workflow มี prompt upsampler ในตัวที่ขยาย prompt จากสิ่งที่เห็นในภาพ ผู้ใช้เขียนเป็นประโยคธรรมดาโดยอ้างถึง picture 1 และ picture 2 ก็พอ
workflow ของคลิปนี้โหลดได้จากที่ไหน
แจกฟรีบน Gumroad ของช่อง Prompt Mastery โดยใส่ 0 ในช่องราคา
ถ้าต้องการให้หน้าตัวละครเหมือนเดิมทุกฉากต้องทำอย่างไร
ผู้ทำคลิปแนะนำให้ train LoRA ของตัวละครเอง เพราะ P-H3 Image ยังให้ texture ผิวไม่ดีเมื่อใบหน้ามีขนาดเล็ก
