Seed (сид генерации)
- Автор: Команда PhotoPanda
- Обновлено
- 1 мин чтения
- 99 просмотров
Определение
Seed (сид) — целое число, инициализирующее генератор случайного шума в диффузионной модели. Один и тот же seed при одинаковых параметрах даёт идентичный результат, что делает AI-генерацию воспроизводимой.
Seed (сид генерации) — целое число, которое задаёт начальное состояние генератора псевдослучайных чисел в диффузионной модели. Именно из seed рождается стартовый шум, из которого модель постепенно «проявляет» изображение. Это ключ к воспроизводимости: при неизменных параметрах один и тот же seed всегда даёт один и тот же результат.
Зачем нужен seed
Генерация изображений стохастична — без фиксации seed каждый запуск даёт новую картинку даже при одинаковом промпте. Seed превращает случайный процесс в детерминированный, что критично для:
- Воспроизводимости — повторить удачный результат или поделиться им
- A/B-подбора параметров — менять CFG scale, шаги или сэмплер при неизменной композиции
- Итеративного редактирования — дорабатывать промпт, не теряя удачный кадр
- Серий — генерировать вариации, меняя seed на соседние значения
Random seed и фиксированный seed
Значение -1 обычно означает «случайный seed» — система выбирает число сама и записывает его в метаданные. Чтобы закрепить результат, это число копируют в поле seed. Диапазон, как правило, от 0 до 2³²−1 (около 4,3 млрд вариантов).
Что должно совпадать для идентичного результата
Один seed гарантирует одинаковую картинку только при полном совпадении окружения:
- Та же модель и её версия (веса)
- Тот же промпт и негативный промпт
- Тот же сэмплер, число шагов и CFG
- Часто — та же аппаратная платформа и версия библиотек
Даже смена GPU или билда фреймворка иногда меняет результат при том же seed из-за различий в порядке вычислений с плавающей точкой.
Seed в image-to-image и inpainting
В режимах image-to-image и inpainting seed управляет случайной компонентой преобразования. Зафиксировав его, вы можете аккуратно подбирать denoising strength и наблюдать, как усиливается изменение исходника без «перескоков» на совершенно другую картинку.
Практические приёмы
- Нашли удачный кадр — сразу сохраните seed из метаданных
- Для серии похожих вариаций перебирайте seed +1, +2, +3
- При тюнинге промпта держите seed фиксированным, чтобы видеть влияние именно текста
Связанные термины
- Diffusion modelDiffusion model (диффузионная модель) — класс генеративных нейросетей, обученных последовательно добавлять и затем убирать шум из изображения. Основа Stable Diffusion, DALL-E 3, GPT Image 2 и SeedVR2. Обеспечивает фотореалистичную генерацию и редактирование.
- CFG scale (Classifier-Free Guidance)CFG scale (Classifier-Free Guidance) — параметр диффузионной генерации, задающий, насколько строго модель следует текстовому промпту. Низкие значения дают свободу и креатив, высокие — точное соответствие запросу, но риск артефактов.
- Image-to-image (img2img)Image-to-image (img2img) — режим работы генеративных нейросетей, где на вход подаётся не только текст, но и исходное изображение. Модель переписывает его с учётом промпта, а сила изменений задаётся параметром denoising strength.
- Prompt engineeringPrompt engineering — практика составления текстовых запросов к нейросетям для получения детерминированного результата. От качества промпта зависит 80% результата при работе с генеративными моделями.
- Апскейл фотоАпскейл фото — увеличение разрешения изображения нейросетью с восстановлением деталей. В отличие от обычного интерполяционного увеличения (bicubic), AI-апскейл генерирует утерянные детали на основе обученных моделей.
- Колоризация (Colorization)Колоризация — автоматическое раскрашивание чёрно-белых изображений в цветные через нейросеть. Современные модели (ColorFlow, Adobe Quickfire) учитывают исторический период съёмки для period-accurate раскраски.
Материал подготовила
Команда PhotoPanda
Редакция сервиса обработки фото PhotoPanda.