P-H3 Image ใน ComfyUI: 18 workflow สร้างและแก้ภาพ 4K

เนื้อหาในคลิป

P-H3 Image คืออะไร และต้องเตรียมอะไรก่อนใช้

P-H3 Image มาจาก Pruna AI โดยเป็น MiniMax H3 โมเดลวิดีโอจากตอนที่ 41 ที่ถูกเปลี่ยนให้เป็นโมเดลภาพด้วย LoRA ตัวเดียว ไฟล์ที่ต้องมีจึงเป็นโมเดล H3 ตัวเดิมในโฟลเดอร์ diffusion models, LoRA ของ P-H3 Image ในโฟลเดอร์ loras และ text encoder กับ VAE ที่ทำมาสำหรับ P-H3 Image โดยเฉพาะ ซึ่งเป็นคนละไฟล์กับของตอนที่ 41 ต้องใช้ ComfyUI 0.44 ขึ้นไปเพราะเป็นเวอร์ชันแรกที่มี node ของโมเดลนี้ และ Pixaroma 1.4.250 ขึ้นไป

เวลาที่บอกในคลิปวัดจากการ์ด 24 GB ผู้ทดสอบสองคนรันครบทุก workflow บนการ์ด 16 GB ได้ ถ้ามี RAM 64 GB เวลาจะใกล้เคียงกัน แต่ถ้ามี 32 GB โมเดลจะถูกโหลดใหม่ทุกรอบและช้าลงราวสี่เท่า ส่วนเรื่อง license โมเดลอยู่ใต้ MiniMax H3 Community License ซึ่ง description ระบุว่าไม่ครอบคลุมสหภาพยุโรป สหราชอาณาจักร เกาหลีใต้ และสหรัฐฯ ผู้ใช้ในพื้นที่เหล่านั้นต้องยื่นขอ license กับ MiniMax เอง

สร้างภาพจากข้อความ และการใส่ตัวอักษรในภาพ

workflow แรกสร้างภาพ 8 megapixel ได้ในราว 20 วินาที ใช้เพียง 8 steps ไม่มี CFG และไม่มี negative prompt ขนาดภาพเลือกได้ตั้งแต่ 1 ถึง 8 megapixel ผู้ทำคลิปแนะนำให้ลองไอเดียที่ 1 megapixel ซึ่งใช้ราว 3 วินาทีและผิวมักดูเป็นธรรมชาติกว่า แล้วค่อยทำภาพจริงที่ขนาดใหญ่ โครงสร้าง prompt ที่ใช้คือบอกชนิดของภาพ ตามด้วยตัวแบบ สถานที่ แสง และค่ากล้อง

workflow ที่สองใช้ Prompt Upsampler ซึ่งเป็นโมเดลอีกตัวที่ขยายไอเดียสั้นๆ ให้เป็น prompt ยาว ข้อควรระวังคือถ้าไม่กำหนดข้อความไว้ มันจะแต่งชื่อวง สถานที่ และวันที่ขึ้นเอง ส่วน workflow ที่สามทดสอบเมนูร้านเบเกอรี่ที่มีคำและราคากว่า 50 รายการ ตัวพิมพ์ใหญ่สะกดถูกดีที่สุด ลายมือตัวเล็กพลาดบ่อย เช่นคำว่า Vanilla เหลือ L ตัวเดียวใน 3 จาก 4 seed และต้องใช้ขนาด 8 megapixel จึงจะถูกครบทุกคำ

แก้ภาพเดียวและรวมหลายภาพ

กลุ่มแก้ภาพเดียวมีทั้งย้ายตัวแบบไปสถานที่ใหม่ เปลี่ยนกลางวันเป็นกลางคืน แก้คำบนป้าย เปลี่ยนภาพถ่ายเป็น 3D cartoon ซ่อมและลงสีภาพเก่า และทำ character sheet สี่มุม หลักที่ย้ำตลอดคือให้ปิดท้าย prompt ด้วยสิ่งที่ต้องคงไว้โดยระบุทีละอย่าง แต่บรรทัดนี้จะตรึงทุกอย่างที่เอ่ยถึง งาน restyle จึงให้ระบุแค่ท่าทาง layout และ framing และไม่ควรเอ่ยถึงสิ่งที่ภาพไม่มี เพราะในการทดสอบ เนกไทสีเขียวที่ไม่มีอยู่จริงทำให้เสื้อกลายเป็นสีเขียวมินต์

กลุ่มหลายภาพใช้คำว่า Picture one, Picture two ชี้ไปยังแต่ละภาพ ครอบคลุมการเปลี่ยนชุดจากภาพที่สอง วางตัวละครลงในฉาก พิมพ์โลโก้บนสินค้า และรวมคนสามคนกับกระต่าย Pixa ในภาพหมู่ ผลลัพธ์เปลี่ยนตามขนาดภาพด้วย เช่นตัวเลขวันที่บนเสื้ออ่านต่างกันระหว่าง 1 กับ 8 megapixel

Inpaint, outpaint, upscale และจุดที่โมเดลยังพลาด

P-H3 Image ไม่มีช่องรับ mask workflow inpaint จึงใช้ Inpaint Crop ตัดเฉพาะกรอบที่วาดไว้ไปแก้ แล้วใช้ Inpaint Stitch แปะกลับ ใช้เวลาไม่ถึง 10 วินาที และต้องบอกด้วยว่าหลังลบแล้วควรเหลืออะไร งาน outpaint จากภาพจัตุรัสเป็น 16:9 สำเร็จ 9 จาก 12 รอบ ส่วน creative upscale ไม่ต้องใช้โมเดล upscale แยก แต่เป็นการสร้างภาพใหม่ตามภาพเดิม ถ้าภาพต้นทางเล็กเพียง 256 pixel จะได้คนหน้าตาต่างไป การถ่ายทอด style จากภาพที่สองทำไม่ได้ด้วยตัวโมเดลเอง ต้องเสริม style transfer LoRA และใช้ไม่เกิน 4 megapixel

ช่วงท้ายผู้ทำคลิปสรุปจุดอ่อนว่าสัตว์มักได้มือมนุษย์ มีโลโก้สุ่มโผล่ คำเล็กสะกดเพี้ยน และการแก้ภาพคือการวาดใหม่ทั้งภาพ ท่าทางหรือรายละเอียดเล็กจึงเปลี่ยนได้ ปิดด้วยโบนัสสองอย่าง คือ workflow ภาพเป็นวิดีโอพร้อมเสียงด้วย MiniMax H3 ที่ใช้ราว 40 วินาที และการรันบน RunningHub สำหรับคนที่ไม่มีการ์ดจอ