Google Imagen 3 lanseras – bättre text, detaljer och promptförståelse i AI-bilder

Google Imagen 3 lanseras – bättre text, detaljer och promptförståelse i AI-bilder

Den 14 maj 2024 presenterade Google Imagen 3, företagets då mest avancerade text-till-bild-modell. Google lyfte fram bättre detaljrikedom, mer naturligt ljus, färre visuella fel och tydligare förståelse av långa instruktioner. Modellen förbättrades även i att återge text inne i bilder.

Marketplace sammanfattar lanseringen i efterhand. Imagen 3 började först rullas ut till utvalda kreatörer genom ImageFX och integrerades senare i fler Google-produkter. Presentationen visade hur AI-bildgeneratorer utvecklades från konstnärliga experiment till arbetsverktyg för design, illustration, annonser och produktkoncept.

Imagen 3 i korthet

| Punkt | Uppgift vid presentationen |
|---|---|
| Lanseringsdatum | 14 maj 2024 |
| Företag | Google |
| Produkt | Text-till-bild-modell |
| Viktiga förbättringar | Promptförståelse, detaljer, ljus, text och färre visuella fel |
| Första tillgång | Utvalda kreatörer i ImageFX |
| Stilar | Fotorealism, illustration och flera konstnärliga uttryck |
| Säkerhet | Filter, utvärderingar och SynthID-märkning |
| Senare användning | Fler Google-produkter och utvecklartjänster |

Bättre förståelse av prompten

En bildgenerator måste översätta en textbeskrivning till komposition, objekt, färger, relationer och stil. Äldre modeller kunde skapa en vacker bild men missa flera av användarens krav.

Imagen 3 utvecklades för att bättre följa detaljer som:

• antal objekt
• placering i bilden
• relationer mellan personer och föremål
• kameravinkel
• ljussättning
• stil och material
• text eller skyltar
• känsla och atmosfär

Ju fler krav en prompt innehåller, desto större är fortfarande risken att något missas. Ett praktiskt arbetsflöde är att börja med komposition och därefter göra mindre variationer.

Fotorealism och naturligt ljus

Google beskrev förbättringar i fotorealistiska bilder, särskilt ljus, struktur och detaljer. Modellen kunde skapa miljöer och människor som såg mer fotografiska ut än tidigare generationer.

Det var användbart för:

• produktmockups
• reklamkoncept
• arkitekturidéer
• matbilder
• porträttliknande illustrationer
• visuella storyboards

Fotorealism ökar samtidigt risken att betraktaren tror att bilden dokumenterar något verkligt. En realistisk bild av en händelse, person eller produkt bör märkas när den annars kan vilseleda.

Text i bilder

AI-bildgeneratorer hade länge problem med ord, bokstäver och symboler. Imagen 3 förbättrades i att generera text, vilket gjorde modellen mer relevant för:

• affischer
• kort
• skyltar
• etiketter
• enkla logotyper
• omslag
• illustrationer med pratbubblor

Förbättrad betyder inte felfri. Längre svenska ord, specialtecken och små typografiska element kunde fortfarande bli fel.

Professionella designers bör därför använda modellen för ett första visuellt utkast och sedan sätta slutlig text i ett layoutprogram där typsnitt, stavning och tillgänglighet kan kontrolleras exakt.

Färre visuella artefakter

Google sade att Imagen 3 skapade färre störande artefakter än tidigare modeller. Vanliga AI-bildfel är:

• extra fingrar
• asymmetriska ansikten
• fel antal objekt
• smältande kanter
• ologiska reflektioner
• trasig text
• material som förändras
• skuggor från fel ljuskälla

Även en stark modell kan göra sådana fel. Granskning i full upplösning är viktig före publicering, tryck eller produktpresentation.

Flera visuella stilar

Imagen 3 kunde skapa allt från fotorealism till oljemålning, animation, skiss och mer abstrakta uttryck.

Det gav kreatören möjlighet att snabbt undersöka olika riktningar. Exempelvis kunde samma kampanjidé testas som:

1. studiofoto
2. handritad illustration
3. retroaffisch
4. tredimensionell produktbild
5. minimalistisk ikon

Stilvariation är värdefull i idéfasen, men kan skapa rättighetsproblem om prompten uttryckligen försöker imitera en levande konstnär eller ett känt varumärkes visuella identitet.

ImageFX som första kreatörsverktyg

Imagen 3 började göras tillgänglig genom ImageFX, Googles experimentella bildverktyg. Utvalda användare kunde registrera sig för tidig åtkomst.

ImageFX gav en arbetsyta där prompten kunde justeras och alternativa uttryck prövas. En stegvis utrullning gav Google möjlighet att testa:

• bildkvalitet
• säkerhetsfilter
• efterfrågan
• kostnad och kapacitet
• typiska missbruk
• kreatörernas återkoppling

En förhandsversion kan ha andra funktioner, priser och begränsningar än den senare produktionsmodellen.

SynthID markerade AI-genererade bilder

Google använde SynthID, en teknik som bäddar in en maskinläsbar signal i AI-genererade bilder. Syftet var att hjälpa till att identifiera materialets ursprung.

En teknisk vattenstämpel är användbar men inte fullständig. Signalen kan påverkas av:

• omfattande redigering
• skärmdumpar
• komprimering
• beskärning
• ompublicering genom andra plattformar

Frånvaro av SynthID bevisar därför inte att en bild är äkta. Tekniken bör kombineras med synlig märkning och metadata.

Läs även vår senare artikel om Google, SynthID och EU:s transparenskod för AI-innehåll.

Säkerhet och förbjudet innehåll

Google tränade och testade modellen för att begränsa skadligt innehåll. Bildgeneratorer behöver hantera risker som:

• sexuellt material utan samtycke
• exploatering av barn
• våldsamt material
• falska bilder av offentliga personer
• bedrägeridokument
• hat och trakasserier
• upphovsrättsligt känsliga imitationer

Filter kan både missa skadligt material och blockera legitima kreativa uppgifter. Därför behövs överklagande, transparens och löpande utvärdering.

Deepfakes och offentliga personer

När en modell kan skapa realistiska människor blir deepfakes en central risk. En bild kan användas för att felaktigt påstå att en person befunnit sig på en plats eller deltagit i en händelse.

Publicister och företag bör ha en tydlig regel:

• använd inte verkliga personers identitet utan rättslig grund eller samtycke
• märk realistiska syntetiska scener
• undvik falska kundreferenser
• skapa inte dokumentära bilder av påhittade nyheter
• spara prompt och original när spårbarhet behövs

Teknikens kapacitet förändrar inte ansvaret för förtal, integritet eller vilseledande marknadsföring.

Produktbilder och e-handel

Imagen 3 kunde användas för produktvisualisering innan en fysisk fotografering. Ett e-handelsföretag kunde skapa:

• bakgrunder
• livsstilsscener
• färgvariationer
• kampanjkoncept
• säsongsanpassningar
• idéer för förpackning

AI-bilden får inte ge en felaktig bild av produkten. Om modellen lägger till funktioner, material eller storlek som inte finns kan marknadsföringen bli vilseledande.

En säker process är att utgå från verifierade produktbilder och begränsa genereringen till bakgrund och atmosfär. Slutresultatet bör jämföras mot den verkliga varan.

Upphovsrätt och träningsmaterial

Google publicerade inte en fullständig lista över varje bild som använts i träningen. Debatten om generativ AI och upphovsrätt fortsatte därför.

Användare behövde kontrollera:

• verktygets kommersiella villkor
• om uppladdade bilder fick användas
• om resultatet liknade ett skyddat verk
• om logotyper eller figurer förekom
• om en levande konstnär imiterades
• om en människa hade rätt till sitt ansikte och sin identitet

Att ett verktyg tillåter kommersiell användning innebär inte att alla tänkbara resultat är fria från tredje parts rättigheter.

Bildkvalitet jämfört med bildnytta

En tekniskt imponerande bild är inte alltid användbar. För ett företag behöver resultatet även uppfylla:

• korrekt varumärke
• rätt budskap
• läsbar text
• tillgänglighet
• formatkrav
• fakta
• juridiska villkor
• kulturell lämplighet

Kvalitet bör därför mätas mot det konkreta användningsfallet, inte enbart estetik.

Imagen 3 jämfört med andra modeller

Vid lanseringen konkurrerade Imagen 3 bland annat med Midjourney, Adobe Firefly, Stable Diffusion och OpenAI:s DALL-E.

| Plattform | Typisk styrka vid perioden |
|---|---|
| Imagen 3 | Promptföljning, Google-ekosystem och SynthID |
| Midjourney | Konstnärlig estetik och community |
| Adobe Firefly | Integration med professionella designverktyg |
| Stable Diffusion | Lokal drift och anpassning |
| DALL-E | Integration med ChatGPT |

Ingen modell var bäst på allt. Företag behövde jämföra bildkvalitet, kostnad, rättigheter, integritet och arbetsflöde.

Svenska kreatörer och företag

Imagen 3 kunde hjälpa svenska användare med:

• kampanjutkast
• illustrationer
• sociala medier
• presentationsbilder
• produktkoncept
• utbildningsmaterial

Svensk text och lokala motiv behövde kontrolleras extra. Modellen kunde skapa ett typiskt nordiskt uttryck utan att förstå verkliga svenska skyltar, regler eller kulturella detaljer.

Vanliga frågor

När presenterades Imagen 3?

Google presenterade modellen den 14 maj 2024 på Google I/O.

Var kunde man använda modellen först?

Utvalda kreatörer fick tidig åtkomst genom ImageFX och en väntelista.

Kunde Imagen 3 skriva text i bilder?

Ja, modellen förbättrades tydligt på textåtergivning, men längre ord och små detaljer kunde fortfarande bli fel.

Märktes bilderna som AI-genererade?

Google använde SynthID för teknisk märkning av genererat material.

Kunde företag använda bilderna kommersiellt?

Det berodde på de aktuella produktvillkoren och om resultatet berörde tredje parts rättigheter.

Var modellen felfri på händer och ansikten?

Nej. Google rapporterade färre artefakter, men användaren behövde fortfarande granska varje bild.

Sammanfattning

Imagen 3 presenterades den 14 maj 2024 som Googles mest avancerade bildmodell dittills. Bättre promptförståelse, mer realistiskt ljus, tydligare text och färre visuella fel gjorde modellen mer användbar i verkliga kreativa arbetsflöden.

Samtidigt ökade behovet av rättighetskontroll, märkning och faktagranskning. En realistisk eller professionell bild kan fortfarande vara felaktig eller vilseledande. AI-bildgenerering är som mest värdefull när den används för idéer och variationer under tydlig mänsklig kontroll.

Faktaunderlag: Google, presentationen av Imagen 3 på Google I/O den 14 maj 2024. Artikeln är en historisk sammanfattning publicerad i efterhand.