Může umělá inteligence generovat fotorealistické obrazy z textových výzev, které se vyrovnají profesionální fotografii ?

AI učinila velké pokroky při převodu textu do detailních obrázků. Od krajin až po portréty, difuzní modely jako DALL-E 3 a Midjourney vytvářejí vizuály, které jsou téměř nerozeznatelné od skutečných fotografií. Tato schopnost proměnila kreativní průmysly, reklamu a sociální média. Kvalita často oklamává i vyškolené oči. Reprodukce složitých scén se správným osvětlením a stíny se nyní považuje za samozřejmost.

Současné systémy pro převod textu na obrázky, jako jsou Stable Diffusion XL, Midjourney v6 a DALL-E 3, dokážou vytvářet fotorealistické výstupy, které jsou na první pohled často nerozeznatelné od profesionálních stockových fotografií, ale stále mají problémy s důsledným dodržováním složitých prostorových vztahů, přesnou replikací stylu značky a soudržností osvětlení napříč více objekty. Tyto modely využívají difuzní architektury trénované na stovkách milionů párů obrázek–popisek, aby syntetizovaly přesvědčivé detaily, přesto však artefakty jako zkreslené ruce, nepřirozené stíny a nepravděpodobné odrazy zůstávají běžnými způsoby selhání, když požadavky na věrnost vyžadují vysokou kvalitu. Profesionální fotografové uvádějí, že zatímco AI může pomoci s konceptováním a rychlým prototypováním, stále nedokáže spolehlivě poskytnout jemnou kontrolu, právní původ a etické zdroje požadované pro komerční kampaně.

— Obohaceno 12. května 2026 · Zdroj: „Photorealistic Text-to-Image Diffusion Models: A Survey“, arXiv preprint arXiv:2309.07995, 2023.