Geração de texto para imagem refere-se a sistemas de IA que recebem uma descrição em linguagem natural, ou prompt, e produzem uma imagem correspondente. A tarefa combina processamento de linguagem natural para interpretar o texto com visão computacional e modelagem generativa para renderizar pixels, e tornou-se uma das aplicações mais visíveis de redes adversárias generativas e posteriormente de modelos de difusão.
História
As primeiras tentativas nos anos 2010 usaram GANs condicionadas a embeddings de texto, produzindo imagens pequenas e borradas, limitadas a domínios restritos como pássaros ou flores. O campo mudou com o DALL-E da OpenAI em janeiro de 2021, que aplicou um transformer treinado autoregressivamente sobre tokens de imagem, e com o CLIP mais tarde naquele ano, que deu aos pesquisadores uma forma de pontuar o quão bem uma imagem correspondia a uma legenda e guiar a geração em direção a ela. O verdadeiro avanço foi a mudança para difusão: DALL-E 2 (2022), o Imagen do Google,e especialmente o lançamento de código aberto do Stable Diffusion em agosto de 2022 tornou a geração de alta qualidade rápida e, no caso do Stable Diffusion, executável em GPUs de consumo. O Midjourney, acessível através do Discord, construiu um produto distinto com foco estético em torno das mesmas técnicas centrais, enquanto o FLUX, lançado pela Black Forest Labs em 2024, tornou-se um novo padrão de pesos abertos.
Como funciona
A maioria dos sistemas modernos é construída em torno de um modelo de difusão latente: uma imagem é comprimida em um espaço latente compacto por um autoencoder, um codificador de texto converte o prompt em um embedding,e uma rede de denoising gradualmente transforma ruído aleatório em uma imagem latente guiada por esse embedding, que é então decodificada para pixels. Técnicas como orientação livre de classificador permitem que usuários troquem fidelidade ao prompt contra diversidade de imagem. O ControlNet, introduzido em 2023, adicionou a capacidade de condicionar a geração em um esboço, pose, ou mapa de profundidade além do texto, dando controle mais fino sobre a composição.
Cultura de prompts e ferramentas
Como a qualidade da saída é sensível à formulação, um corpo de ofício informal cresceu em torno da escrita de prompts eficazes, cobrindo descrição de assunto, estilo artístico, termos de câmera e iluminação,e prompting negativo para excluir elementos indesejados, um exemplo inicial do que mais tarde seria chamado de engenharia de prompts. Comunidades no Discord e no Reddit compartilharam fórmulas de prompts,e ferramentas secundárias surgiram para upscaling, inpainting,e combinação de saídas. Os adaptadores LoRA tornaram prático ajustar finamente um modelo base em um personagem, estilo, ou objeto específico com um pequeno número de imagens de exemplo e computação modesta.
Recepção e críticas
As ferramentas de texto para imagem atraíram rápida adoção comercial em publicidade, arte conceitual,e design de jogos, juntamente com controvérsia sustentada. Artistas objetaram a modelos treinados em imagens raspadas sem consentimento ou compensação, alimentando disputas mais amplas de direitos autorais de IA e processos judiciais contra várias empresas de geração de imagens. Críticos também levantaram preocupações sobre deepfakes, imagens não consensuais,e o alagamento de plataformas de imagens de banco e redes sociais com saída sintética de baixo esforço, um fenômeno mais tarde rotulado como ai slop. Laboratórios responderam com filtros de conteúdo, metadados de proveniência,e, em alguns casos, sistemas de marca d'água de IA, embora a aplicação permaneça inconsistente em todo o ecossistema.
Desenvolvimentos posteriores
Até 2025, modelos líderes podiam seguir prompts mais longos e mais composicionais, renderizar texto legível dentro de imagens,e editar fotos existentes através de instruções em linguagem natural, estreitando a lacuna entre geração de texto para imagem e edição de imagem de propósito geral.