Момент, когда я понял, что VAE-энкодеры — настоящий секрет резкой анатомии NSFW

Представьте VAE как высококвалифицированного переводчика, который сжимает фотографию полного разрешения в компактную скрытую сетку. Энкодер сжимает каждый пиксель кожи, каждую складку ткани и каждую кривую тела в это меньшее пространство. Затем декодер реконструирует его обратно. Когда VAE хорошо обучен с перцептивными потерями, он сохраняет мельчайшие детали, которые наиболее важны для обнаженных сцен. Поры кожи остаются видимыми. Освещение естественно обволакивает кривые. Анатомия остается последовательной, а не превращается в артефакты. Этот шорткат в латентном пространстве — именно то, почему высококачественная генерация взрослого контента стала практичной в большом масштабе.

То же самое сжатие, которое защищает тонкие текстуры, также сохраняет когерентность движения между кадрами. Когда декодер сохраняет точные пропорции тела и тона кожи, вы можете соединять короткие клипы без внезапных изменений освещения или формы конечностей. Эта последовательность превращает статичные позы в правдоподобные последовательности. Я видел, как сгенерированные сцены превращались из жестких и жутковатых в плавные и интимные просто потому, что базовый VAE лучше справлялся с реконструкцией. В результате это выглядит меньше как просмотр отдельных изображений и больше как реальное движение, снятое на камеру.

Оптимизированные VAE-энкодеры обеспечивают сохранение деталей, которое проявляется в четких текстурах кожи и тканей вместо размытых пятен. Они уменьшают артефакты, так что конечности остаются правильно пропорциональными даже во время сложных движений. Точность освещения улучшается, потому что декодер реконструирует, как свет на самом деле падает на кривые и поверхности. Вместе эти улучшения превращают короткие сгенерированные клипы в последовательности, которые кажутся интимными и правдоподобными, а не явно синтетическими. Разница видна в тот момент, когда вы сравниваете один и тот же промпт, рендеренный с базовым и продвинутым VAE-пайплайном.