Современные генеративные нейросети достигли впечатляющих успехов в создании изображений с нуля. Однако процесс редактирования фотографий требует иного подхода: сохранения целостности исходного материала при внесении точечных изменений. В отличие от узкоспециализированных графических редакторов, генеративные модели часто стремятся создать что-то новое, даже когда пользователь просит лишь слегка подкорректировать уже существующий снимок. В связи с заявлениями OpenAI о точности редактирования в GPT Image, начиная с версии 1.5, возникла необходимость проверить, насколько эти инструменты способны заменить профессиональное ПО вроде Photoshop.
Photoshop как эталон точности редактирования
Несмотря на появление множества ИИ-инструментов, Photoshop остается индустриальным стандартом благодаря высокому уровню контроля. Ключевым преимуществом программы является возможность манипуляции пикселями с точностью до миллиметра с помощью масок и слайдеров. Инструменты вроде Camera Raw позволяют вносить корректировки без разрушения исходных пикселей, что дает возможность легко отменить любые действия.
Функция Perspective Warp позволяет выправлять геометрические искажения, работая с существующими данными изображения, а инструменты для имитации глубины резкости, например, Lens Blur, эффективно создают карты глубины. В вопросах ретуши такие функции, как Remove tool или Spot Healing Brush, позволяют удалять лишние объекты, не затрагивая окружающий фон. Именно этот уровень предсказуемости и контроля ожидался при тестировании GPT Image 2.5.
Практический опыт работы с GPT Image 2.5
Для тестирования использовалась модель GPT Image 2.5, представленная OpenAI в сентябре. Вместо использования специализированных функций удаления фона или стирания, я ставил перед моделью задачи в формате профессионального бриф-редактирования, обязательно добавляя просьбу не изменять исходные элементы и не добавлять лишние детали.
Первым заданием стала обрезка (crop). Нейросеть успешно справилась с задачей, предоставив требуемое соотношение сторон без повреждения остальной части кадра. Однако коррекция цвета вызвала сложности. Запрос на легкое увеличение теплоты и контраста привел к наложению чрезмерно теплого фильтра на всё изображение. Проблема избыточной теплоты была известна для ранних версий GPT Image, и, хотя OpenAI заявляла о её решении в версии 1.5, в текущем тесте она проявилась вновь.
Более успешным оказался результат при работе с цветокоррекцией по заданным hex-кодам (бирюзовые тени и персиковые светлые тона с эффектом пленочного зерна). В этом сценарии модель сработала значительно лучше, чем при классической коррекции баланса белого. В задачах с изменением перспективы, когда я попросил переснять сцену с фронтального ракурса, модель фактически сгенерировала изображение заново. Тем не менее, она сохранила детали, сделав итоговую картинку похожей на оригинал, снятый с другого угла. Настройка глубины резкости прошла успешно без необходимости использования масок — эффект размытия кирпичной кладки выглядел естественно, как при съемке объективом 85 мм.
Ограничения генеративной модели в задачах редактирования
Несмотря на успехи в отдельных задачах, GPT Image 2.5 остается прежде всего генеративной моделью. Каждое изменение в реальности является перерисовкой всего изображения, что исключает возможность сохранения исходных пикселей. Из-за этого при ретушировании трещины на горшке нейросеть изменила его форму и соотношение сторон, о чем её не просили. Отсутствие в чате точных настроек размера и истории изменений (приходится использовать ветвление диалога) также усложняет работу.
Понятие «теплоты» для модели остается субъективным настроением, а не технической коррекцией цвета. Отсутствие интерактивных слайдеров означает, что при получении результата, который совпадает с ожиданиями лишь на 80%, пользователю приходится прибегать к повторным запросам, каждый из которых дает разный результат. В конечном итоге GPT Image 2.5 подходит для творческой цветокоррекции или создания эффектов размытия, но для задач, требующих высокой точности сохранения исходных объектов, пока предпочтительнее использовать профессиональные редакторы.
Сравнение подходов: генерация против редактирования
Важно понимать фундаментальную разницу в логике работы: генеративные модели, такие как Gemini Omni, при попытке редактирования видео склонны добавлять объекты, о которых их не просили. Это полная противоположность тому, что требуется от профессионального редактора, где необходимо «почистить» снимок, оставив всё нетронутое в первозданном виде. В отличие от Photoshop, где каждое изменение — это лишь слой или маска, нейросеть при обработке стремится пересоздать изображение целиком.
Почему Photoshop остается эталоном
Photoshop остается эталоном не из-за модных ИИ-функций, а благодаря возможности контролировать изменения на уровне каждого отдельного пикселя. Например, при использовании Perspective Warp для выравнивания сходящихся линий, программа работает с уже существующими данными, «растягивая» их. Это кардинально отличается от работы ИИ, который при изменении перспективы фактически «переснимает» сцену заново, тогда как Photoshop ограничен геометрией, которая была зафиксирована в момент реальной съемки. Lens Blur в связке с картой глубины — еще один пример такой точности: даже с тонкими объектами вроде листьев, результат предсказуем, в то время как генеративные модели могут интерпретировать такие детали слишком вольно.
Детали тестирования GPT Image 2.5
В ходе тестов я сознательно отказался от использования функций Remove BG или Erase, так как они есть почти в любом графическом редакторе, и сосредоточился именно на «редакторских брифах». Например, при работе с цветокоррекцией выяснилось, что для ИИ понятие «сделать теплее» — это субъективный «вайб» или настроение, а не точная техническая коррекция, что делает процесс работы непредсказуемым без наличия слайдеров. В отличие от Gemini Omni, которая провалила тест на цветокоррекцию видео, GPT Image 2.5 показала лучшие результаты при использовании конкретных hex-кодов, что доказывает: нейросеть лучше справляется с художественным грейдингом, чем с технической коррекцией баланса белого.
Отдельного внимания заслуживает процесс ретуши. Когда я попросил исправить скол на горшке, модель не просто удалила повреждение, но и почистила налет на поверхности. Однако побочным эффектом стало изменение пропорций изображения. Это подтверждает главную проблему: пользователь не получает «исправленный» файл, а получает новую версию изображения. Поскольку в чате нет панели истории, приходится использовать «ветвление»: нажимать кнопку редактирования на предыдущем варианте и строить новую цепочку итераций. При этом даже идентичный промпт, запущенный дважды, не гарантирует одинакового результата, что делает невозможным точное повторение настроек, как это было бы при использовании пресетов в Lightroom или Photoshop.
На данный момент вердикт таков: я готов доверить GPT Image такие задачи, как художественная цветокоррекция или создание размытия заднего плана, где небольшие отклонения допустимы. Однако для всего, что требует сохранения точного расположения объектов и исходных пикселей, традиционные редакторы остаются единственным надежным инструментом. ИИ пока находится в нише «между фильтром и пересъемкой», что полезно для творчества, но пока недостаточно для профессиональной постобработки.
