Une entreprise utilise la génération augmentée par récupération (RAG) avec Amazon Bedrock et Stable Diffusion pour créer des images de produits à partir de texte. Les sorties sont souvent génériques et manquent de détails. Quel changement augmentera le plus la spécificité des images générées ?

L'augmentation de l'échelle de guidance sans classifieur (CFG) est la meilleure option pour rendre les images générées plus spécifiques et détaillées. Le CFG contrôle la mesure dans laquelle le modèle adhère à l'invite textuelle. Une valeur CFG plus élevée indique au modèle de suivre l'invite plus strictement, ce qui se traduit par des images plus fidèles et détaillées par rapport à l'invite. Augmenter le nombre d'étapes de génération améliore la qualité générale de l'image mais n'augmente pas nécessairement la spécificité par rapport à l'invite. Utiliser l'option MASKIMAGEBLACK pour la source du masque est pertinent pour l'inpainting ou l'outpainting, pas pour la spécificité de la génération initiale. Augmenter la force de l'invite (prompt strength) est une notion vague qui n'a pas de paramètre direct équivalent au CFG dans la plupart des modèles de diffusion, et pourrait être interprétée comme une augmentation du CFG ou de la longueur de l'invite, mais le CFG est le paramètre le plus direct pour la fidélité à l'invite.