Görüntü Üreten Yapay Zekâ Nasıl Çalışır? (Difüzyon)

Görsel üreten yapay zekâyı ilk kullandığınızda sihir gibi gelir: bir cümle yazarsınız, ortaya fotoğraf çıkar. Altındaki fikir ise şaşırtıcı derecede sade ve tersine çalışır. Model resim çizmez, gürültü temizler.

Mantığı şöyle kuruldu: bir fotoğrafa adım adım gürültü ekleyin; yeterince adımdan sonra elinizde tanınmaz bir karıncalanma kalır. Bu, kolay ve otomatik yapılabilecek bir işlemdir. Sonra bir modele bunun tersini öğretirsiniz: "sana gürültülü bir görüntü vereceğim, bir adım daha temizini tahmin et." Milyonlarca örnekle bu tahmin kası geliştikten sonra, modele saf gürültü verip elli kez "temizle" derseniz, ortaya hiç var olmamış ama tutarlı bir görüntü çıkar.

Difüzyon adım adım nasıl işler?

1. Rastgele gürültüyle başlanır. Her üretimin başlangıç noktası farklı bir gürültü desenidir; aynı istemin farklı sonuçlar vermesinin sebebi budur.
2. Yön belirlenir. Yazdığınız istem, temizlemenin hangi yöne gideceğini belirleyen bir pusula gibi çalışır.
3. Adım adım temizlenir. Genellikle 20-50 adımda, her turda görüntü biraz daha netleşir. İlk adımlarda kaba kompozisyon, son adımlarda doku ve ayrıntı oturur.
4. Sonuç çözülür. Modern modeller bu işlemi tam çözünürlükte değil, sıkıştırılmış bir "gizli uzayda" yapar; son adımda görüntü tam boyuta açılır. Hız ve donanım verimliliği buradan gelir.

Bu sıralamanın pratik bir sonucu var: kompozisyon erken kararlaşır. Sonuçta binanın kütlesi yanlışsa, istemin sonuna sıfat eklemek işe yaramaz; başlangıcı değiştirmek gerekir.

Metin görsele nasıl bağlanıyor?

Burada embedding devreye giriyor. Yazdığınız cümle, anlamı temsil eden bir sayı dizisine çevrilir. Model eğitim sırasında milyonlarca görsel ile o görselin açıklamasını yan yana görmüş ve hangi anlam bölgesinin hangi görsel örüntüye karşılık geldiğini öğrenmiştir.

"Altın saatte, camlı cephe, alçak açıdan" yazdığınızda model kelimeleri tek tek aramaz; bu tarifin anlam uzayındaki karşılığına doğru temizleme yapar. Prompt yazmanın neden bir arama sorgusundan farklı olduğunu bu açıklıyor: anahtar kelime değil, tarif veriyorsunuz.

Neden bazı şeyler bozuk çıkıyor?

Modelin dünyayı anlamadığını, örüntüleri öğrendiğini hatırlayın. Sistematik zayıflıklar buradan doğar:

• Yazı ve rakamlar: Uzun süre en belirgin sorun buydu. Modeller harf şekillerini öğrenir ama yazının bir dizge olduğunu bilmez. Yeni modellerde belirgin biçimde düzeldi, yine de tabela ve kot yazılarını her zaman kontrol edin.
• Sayılabilir nesneler: "Beş pencere" istediğinizde dört veya altı gelmesi klasiktir. Model sayı saymaz, kompozisyon dengesi kurar.
• Fiziksel tutarlılık: Yansımaların kaynağıyla uyuşmaması, gölge yönlerinin çelişmesi. Model ışığı hesaplamaz, ışık görüntüsünü taklit eder. Ray tracing'in fiziksel hesabıyla arasındaki temel fark budur.
• Ölçü ve teknik doğruluk: Kapı yüksekliği, korkuluk aralığı, döşeme kalınlığı gibi ölçüler tesadüfidir.

Kontrolü nasıl artırırsınız?

Serbest üretim ilham için iyidir, iş için yetmez. Kontrolü artıran yöntemler, kabaca şu sırayla güçlenir:

• Referans görsel (image-to-image): Gürültüden değil, sizin görselinizden başlanır. Ne kadar değişeceğini bir "etki gücü" ayarıyla belirlersiniz. Kaba bir kütle modelini atmosferik bir görsele çevirmenin en pratik yolu budur.
• Maske ile bölgesel üretim (inpainting): Görselin yalnızca seçtiğiniz bölgesini yeniden ürettirirsiniz. Gökyüzünü değiştirmek, cepheyi korurken çevre düzenlemesini denemek gibi.
• Yapısal koşullama: Kenar çizgisi, derinlik haritası veya çizim gibi bir yapı girdisi vererek kompozisyonu sabitlersiniz. Model rengi ve dokuyu üretirken geometriyi sizin verdiğiniz çizgiye sadık kalarak kurar. Mimari işlerde en değerli yöntem budur, çünkü tasarımın kendisini korur.
• Tutarlılık için sabit başlangıç: Aynı başlangıç gürültüsünü (seed) tekrar kullanarak varyasyonları birbirine yakın tutabilirsiniz.

Mimari görselleştirmede nerede işe yarar, nerede yetmez?

Kendi pratiğimde net bir ayrım oluştu.

İşe yaradığı yerler: Erken aşama atmosfer denemeleri, malzeme ve ışık alternatiflerini dakikalar içinde görmek, müşteriye yön göstermek için hızlı taslaklar, arka plan ve çevre zenginleştirme, sunum görsellerinin rötuşu.

Yetmediği yerler: Ölçüye ve projeye sadakat gerektiren teslimler, ihale ve ruhsat görselleri, aynı mekânın farklı açılardan tutarlı serisi, malzeme kodunun birebir doğru görünmesi gereken işler. Bu işlerde hâlâ klasik render ve PBR malzeme disiplini gerekiyor.

Kritik sınır şu: AI görseli tasarımı sunar, tasarımı temsil etmez. Müşteriye giden görsel projeyle uyuşmuyorsa, güzelliği sizi kurtarmaz; bu tartışmayı AI görseli etkileyici, peki tasarım hâlâ sizin mi yazısında açtım. Uçtan uca iş akışını ise yapay zekâ ile mimari görselleştirme rehberinde anlattım.

Sıkça sorulan sorular

Difüzyon ile GAN arasındaki fark nedir?

GAN'lar üretici ve ayırt edici iki ağı yarıştırarak tek adımda görüntü üretir; hızlıdır ama eğitimi kararsız ve çeşitliliği sınırlıdır. Difüzyon kademeli çalıştığı için daha yavaştır ama daha kararlı, daha çeşitli ve yönlendirmeye çok daha açıktır. Bugünkü üstünlüğün sebebi budur.

Aynı istem neden her seferinde farklı sonuç veriyor?

Çünkü her üretim farklı bir rastgele gürültüyle başlar. Aynı başlangıç değerini (seed) ve aynı ayarları kullanırsanız sonuç tekrarlanabilir hale gelir. Varyasyon istiyorsanız seed'i serbest bırakın, tutarlılık istiyorsanız sabitleyin.

Üretilen görselin telif hakkı kimde?

Alan hukuken oturmuş değil ve ülkeye göre değişiyor; birçok yargı alanında insan yaratıcılığı içermeyen çıktının korunması tartışmalı. Ticari işlerde pratik yaklaşım: kullandığınız aracın ticari kullanım şartlarını yazılı olarak kontrol edin, müşteri sözleşmesine görselin nasıl üretildiğini yazın ve marka ile kişi görsellerinde ekstra dikkatli olun.

Yapay zekâ render'ın yerini alacak mı?

Kısa vadede hayır, ama işi bölüyor. Hız ve ilham gerektiren üretimde AI öne geçti; sadakat, ölçü ve tutarlılık gerektiren teslimlerde render sürüyor. Bugün en verimli akış ikisinin birleşimi: geometriyi ve kadrajı 3D'de kurup atmosferi AI ile hızlandırmak.