Fotorealistinen tuotekuvastaminen latenteilla diffuusiomalleilla

Abstract

Tämä kandidaatintyö tutki latenteilla diffuusiomalleilla (LDM) muodostettujen kuvien soveltuvuutta fotorealistiseen tuotekuvastamiseen ja ihmisten näkemyksiä LDM:llä generoiduista tuotekuvista. Lisäksi tutkimuksessa pohdittiin synteettiseen kuvangenerointiin liittyviä eettisiä näkökulmia UNESCO:n ja ECCOLA-viitekehyksien perusteella. LDM on koneoppimismalli, mikä sisältää pakattua tietoa kuvan keskeisistä piirteistä, jota voidaan myöhemmin käyttää uusien kuvien muodostamisessa. Fotorealismilla tarkoitetaan kuvan pyrkimystä olla oikean valokuvan näköinen. Työssä kerättiin tietoa tuotekuvastamisesta erityisesti markkinointiviestinnällisiä kanavia varten, ja luotiin kirjallisuuskatsauksen muodossa kuvauksia kirjoitushetkellä laadukkaimpia tuloksia tuottavista tekniikoista ja toimintamalleista. Tuotetun sisällön laadullisen onnistumisen ja tekniikoiden käyttämisen eettisten seikkojen tarkastelu oli myös olennainen osa tutkimusta. Kirjallisuuskatsauksen lisäksi tutkimuksessa kerättiin dataa mielipidekyselyn muodossa, jolla selvitettiin ihmisten toiveita synteettisen sisällön käyttämisestä markkinointiviestinnällisenä välineenä. Kyselytutkimuksella pyrittiin sitomaan tutkimusaiheen teoriaa todellisuuteen, ja todistamaan kuvangeneroimisen toimivuutta ja käyttökelpoisuutta. Kyselyä ja tätä tutkielmaa varten luodut kuvat valmistettiin kuvaamalla reaalimaailman kohteesta neljäntoista kuvan kuvatietokanta, joka siirto-opetettiin olemassa olevan latentin diffuusiomallin Stable Diffusion v.2.1 non-EMA:n alkuperäisten arvojen yhteyteen hyödyntäen suurille kielimalleille kehitettyä LoRA (Low Ranking Adaptation of Large Language Models) menetelmää. Kuvattavaksi kohteeksi valikoitui symmetrinen pinnatuolimalli, joka kuvattiin neljässä eri värissä. Kandidaatintyön kyselytutkimus toteutettiin Google Forms mielipidekyselynä, jossa vastaajat saivat kertoa mielipiteitään synteettisen sisällön käyttämisestä markkinointiviestinnän välineenä, ja arvioida kuvien fotorealistista uskottavuutta Likert-asteikolla 1–5 ja vapaavalintaisten lisäkysymysten muodossa. Kyselytutkimustulokset osoittivat tekniikoiden omaavan suuren potentiaalin fotorealistisessa sisällöntuottamisessa, ja niiden käyttämisen olevan jossain tilanteissa markkinointiviestinnällisesti kannattavaa. Tutkimustulosten perusteella kuvasynteesillä voidaan saavuttaa jo ainakin suhteellinen fotorealismin taso. Toisaalta ne myös kertovat ihmisten mielipiteistä siitä, miten tekoälytekniikoiden käyttäminen tulisi tehdä avoimesti ja aihepiirin eettisiä aspekteja miettien, jottei kuluttajia johdettaisi harhaan.

This bachelor's thesis investigated the suitability of images generated by Latent Diffusion Models (LDM) for photorealistic product representation and people's perceptions of LDM-generated product images. Additionally, the study explored ethical perspectives related to synthetic image generation based on the UNESCO and ECCOLA frameworks. LDM is a machine learning model that encapsulates compressed information about the key features of an image, which can later be used to generate new images. Photorealism refers to the image's attempt to resemble a real photograph. The thesis collected information on product representation, especially for marketing communication channels, and created literature reviews describing the techniques and methodologies that produced the highest quality results at the time of writing. Examining the qualitative success of the generated content and the ethical considerations of using the techniques was also an essential part of the research. In addition to the literature review, data was gathered through an opinion survey to explore people's desires regarding the use of synthetic content as a marketing communication tool. The survey aimed to bridge the gap between theoretical aspects of the research topic and reality, as well as to validate the effectiveness and usability of image generation. Images for the survey and this thesis were created by capturing a real-world object, a symmetric upholstered chair model, in fourteen different image variations. The image dataset was then transfer-trained into the existing Stable Diffusion v.2.1 non-EMA latent diffusion model using the LoRA (Low Ranking Adaptation of Large Language Models) method developed for large-scale language models. The bachelor's thesis survey was conducted using Google Forms, where respondents could express their opinions on using synthetic content as a marketing communication tool and evaluate the photorealistic credibility of the images on a Likert scale of 1-5, as well as through additional open-ended questions. The survey results indicated that the techniques have significant potential in photorealistic content generation, and their use can be beneficial in certain marketing communication contexts. Based on the research findings, relative photorealism levels can already be achieved through image synthesis. However, the results also highlight people's opinions on how the use of AI technologies should be conducted transparently and with consideration for ethical aspects, to avoid misleading consumers.