Συμβουλές και Τεχνάσματα με το AI Visualizer
Δοκιμάστε αυτές τις συμβουλές για να ξεκινήσετε και να απολαύσετε ποιοτικά αποτελέσματα από την αρχή.
Σημειώστε ότι η δημιουργία εικόνων με Τεχνητή Νοημοσύνη είναι ένα πολύπλοκο θέμα, αλλά μην ανησυχείτε για τα αποτυχημένα αποτελέσματα. Συνεχίστε να πειραματίζεστε, και θα κατακτήσετε το AI Visualizer σε χρόνο μηδέν.
Υποδείξεις για καλύτερες προτροπές
Η προτροπή είναι το έργο της περιγραφής του αποτελέσματος που θα θέλατε να δείτε. Φαίνεται εύκολο, αλλά μπορεί να είναι δύσκολο, καθώς η Τεχνητή Νοημοσύνη έχει τη δική της γλώσσα. Μερικές φορές καταλαβαίνει ορισμένες λέξεις και προτάσεις καλύτερα από άλλες, και μερικές φορές δεν καταλαβαίνει καθόλου τις προτάσεις.
Για αρχή, δείτε τις ακόλουθες συμβουλές:
•Το AI Visualizer διαθέτει μία ενσωματωμένη προτροπή που εξασφαλίζει ότι τα αποτελέσματα θα είναι κτήρια με στυλ που μοιάζει με απόδοση, δηλαδή δεν χρειάζεται να ζητάτε "κτήριο" ή "απόδοση" Αντίθετα, η προτροπή σας μπορεί να επικεντρωθεί στον τύπο του κτηρίου που θέλετε.
•Οι μακροσκελείς προτροπές είναι περιττές για αξιοπρεπή αποτελέσματα. Κρατήστε τις απλές. Επικεντρωθείτε πρώτα στα γενικότερα χαρακτηριστικά και στη συνέχεια στις ιδιαιτερότητες.
•Όσον αφορά τις προτροπές, μπορείτε να πειραματιστείτε με οποιοδήποτε στυλ, όπως σχέδια με μολύβι, ελαιογραφίες, ψηφιακή τέχνη ή ακόμη και anime:
Για περισσότερα παραδείγματα, δείτε 2. Προτροπή.
Υποδείξεις για το μοντέλο αναφοράς Archicad
Όσον αφορά το μαζικό (όγκοι) μοντέλο αναφοράς, υπάρχουν ορισμένες καλές πρακτικές που μπορούν να οδηγήσουν σε σημαντικά βελτιωμένα αποτελέσματα:
•Μια απλή, ελαφρώς υπερυψωμένη προοπτική άποψη είναι η βέλτιστη. Οι άμεσες όψεις, αξονομετρικές ή χαμηλές προοπτικές απόψεις δεν είναι βέλτιστες. Αν το μοντέλο σας έχει πολλές καμπύλες, δοκιμάστε να χρησιμοποιήσετε μία προβολή που τις δείχνει καθαρά:
•Η δημιουργία μερικών στοιχείων εδάφους, όπως ένα κομμάτι πεζοδρομίου, μπορεί να οδηγήσει σε πιο σταθερά αποτελέσματα, βοηθώντας την Τεχνητή Νοημοσύνη (ΤΝ) να βρει την προοπτική και το επίπεδο του εδάφους:
•Η προσθήκη περισσότερων λεπτομερειών μπορεί να οδηγήσει σε καλύτερα αποτελέσματα, αλλά η πολυπλοκότητα δεν είναι πάντα απαραίτητη. Μικρές αλλαγές μπορούν επίσης να παράγουν ενδιαφέροντα αποτελέσματα, όπως η προσθήκη μερικών περισσότερων στοιχείων αντί για απλά πρωτογενή σχήματα:
