Preservar el estilo en Image to Prompt: qué cambiamos y por qué

Un sujeto fiel en el estilo equivocado

Los reportes eran consistentes. Alguien sube una referencia, obtiene un prompt, lo ejecuta, y el resultado es reconociblemente la misma escena (mismo sujeto, mismo encuadre, aproximadamente la misma luz), pero no se parece a su imagen. La textura es más limpia. El color es más rico. Algo se suavizó.

Ese patrón es una pista. Cuando el sujeto y la composición sobreviven pero la superficie y el acabado no, el prompt está describiendo qué hay en el encuadre en lugar de cómo se hizo ese encuadre. Son dos tareas distintas, y la segunda es mucho más fácil de hacer mal.

El estilo era un elemento más en una lista de nueve

Nuestra instrucción al modelo de visión solía pedirle que capturara “sujeto, entorno, composición, lente o vista, iluminación, paleta, materiales, ambiente y estilo”. Se lee como una lista de verificación exhaustiva. En la práctica, es una forma de garantizar que el estilo reciba solo una novena parte de la atención.

Una lista plana invita a una cobertura uniforme. Pero el estilo no es un atributo más entre nueve: decide cómo se renderizan los otros ocho. Además, resulta ser el más difícil de poner en palabras, lo que lo convierte en el elemento que más necesita orientación adicional y, en una lista así, el que menos probabilidades tiene de recibirla.

Dale al estilo un vocabulario, no un adjetivo

Pídele a un modelo de lenguaje que describa el estilo sin decirle de qué está hecho el estilo, y recurrirá a las palabras más cercanas al concepto: “arte digital”, “muy detallado”, “cinematográfico”. No son descripciones. Aportan casi ninguna información sobre la imagen específica que tiene delante.

Peor aún, dejan un vacío, y el modelo de imagen que viene después rellena ese vacío con su propia estética por defecto, que es precisamente lo que se intentaba anular. La solución es nombrar los ejes en los que realmente se descompone el estilo, para que el modelo tenga algo concreto en lo que fijarse.

• Medio y técnica: fotografía en película de 35 mm, gouache, render 3D, vector plano, arte lineal a tinta.
• Época o movimiento, que a menudo aporta más información que cualquier adjetivo aislado.
• Carácter de cámara: la sensación de la distancia focal, la profundidad de campo, el tipo de película o el motor de render que se está imitando.
• La huella del trazo: el grosor de la línea, el comportamiento del pincel, la calidad del borde, cómo se encuentran las superficies.
• La gradación y la temperatura del color, consideradas por separado de qué colores aparecen.
• Grano, textura y acabado de superficie.
• Posprocesado: halo (halation), aberración cromática, puntos de trama (halftone), sombreado cel, compresión intensa.

Nunca mejores la referencia

Esta nos sorprendió por lo mucho que importaba. Todos los modelos de la canalización (el que lee la imagen y el que genera a partir del prompt) tienen un sesgo hacia la mejora. Ante algo plano, subexpuesto, iluminado de forma pobre o comprimido, silenciosamente devuelven una versión mejor.

Pero la imperfección es un estilo. Una foto de fiesta con flash directo, una instantánea de móvil sobreexpuesta, un escaneo de baja resolución con bandas visibles: esas cualidades suelen ser la razón entera por la que alguien guardó la imagen. Así que la instrucción ahora lo dice sin rodeos: si la imagen es amateur, plana, de baja fidelidad o imperfecta, dilo claramente y consérvalo.

Si escribes prompts a mano, esta es la mejora más fácil que tienes a tu disposición. Describe los defectos a propósito.

Las palabras de calidad vacías no salen gratis

“Beautiful”, “stunning”, “masterpiece”, “highly detailed”, “8k”, “award-winning”. Parecen inofensivas, como subir el volumen. No lo son. Un prompt tiene un presupuesto de atención finito, y cada palabra de relleno le quita una parte a los términos que realmente describen tu imagen.

También tiran hacia el promedio. “Award-winning” no tiene significado visual, así que el modelo lo resuelve como lo que ha aprendido que parecen las imágenes “premiadas”: una estética fuerte y genérica que se aleja de tu referencia. Nuestra instrucción ahora prohíbe explícitamente esa lista.

Identifica el estilo antes de escribir el prompt

Pedir el análisis y el resultado en un solo paso permite que el modelo trate el estilo como un hueco para un adjetivo que rellenar con lo primero que tenga a mano. La instrucción ahora se ejecuta en dos etapas. Antes de escribir nada, el modelo identifica el medio y la técnica de producción, y luego responde una pregunta específica.

Nombrar esa diferencia es toda la tarea. Una vez que se ha nombrado, el prompt se escribe con el medio y el estilo al frente, por delante del sujeto, porque es ahí donde todo modelo de destino les da más peso.

Cada modelo lee un prompt de forma diferente

Nuestras instrucciones anteriores, específicas para cada modelo, ajustaban el tono. A los prompts de Midjourney se les pedía ser “evocadores”; a los de GPT Image, ser “directos y literales”. Eso es un registro estilístico, y no es lo que decide si un estilo sobrevive.

Lo que lo decide es el codificador de texto que usa el modelo, en qué lugar del prompt se sitúan los términos de estilo y qué controles nativos expone el modelo. Eso es concreto, y difiere más de lo que admite la mayoría de las guías de prompts.

• Nano Banana y GPT Image leen prosa en lenguaje natural. Declara el medio en la cláusula inicial, antes del sujeto.
• Flux usa un codificador T5, maneja bien las frases largas e ignora por completo la sintaxis de ponderación como (term:1.2): el énfasis tiene que venir de la redacción y el orden de las palabras.
• Midjourney da mucho peso al principio del prompt, prefiere frases densas separadas por comas, y no entiende la negación escrita en prosa.
• Stable Diffusion lee los tokens de CLIP en bloques de 77 tokens y da más peso al principio de cada uno, así que las etiquetas de medio y estilo deben ir al principio y no al final.

Midjourney tiene un parámetro que compite con tu descripción

Esto es lo más útil de todo este artículo, y no es en absoluto una técnica de escritura de prompts. Midjourney aplica su propia estética por encima de tu prompt, gobernada por --stylize, cuyo valor predeterminado es 100. Con ese ajuste, se incentiva activamente al modelo a que la imagen se parezca a Midjourney en lugar de a lo que pediste.

Así que si estás convirtiendo una referencia y el resultado sigue volviendo más pulido, más cinematográfico y con más dirección de arte que tu fuente original, ninguna cantidad de descripción lo va a arreglar. El parámetro es lo que te está anulando.

Todo prompt de Midjourney que generamos ahora termina con --style raw, que desactiva esa estética de la casa, y un --stylize bajo de alrededor de 50. Las exclusiones se expresan con --no en lugar de en prosa, porque la negación en prosa no funciona aquí.

En Stable Diffusion, la mitad del prompt es el negativo

Los usuarios de Stable Diffusion esperan dos bloques: el prompt y el prompt negativo. La fidelidad del estilo depende en gran medida del segundo, porque es ahí donde se suprime la deriva estética por defecto que el modelo aplicaría de otro modo.

Solo estábamos generando el primer bloque, lo cual es medio entregable. Los prompts de Stable Diffusion generados ahora comienzan con etiquetas de medio y estilo, aplican la ponderación (term:1.2) con moderación a la una o dos etiquetas que definen el aspecto, e incluyen un prompt negativo escrito específicamente para esa imagen en lugar de una lista genérica copiada y pegada.

Cuando el formato de salida y el modelo de destino no coinciden

La herramienta te permite elegir un formato de salida (un prompt general, un blueprint estructurado, JSON) y, por separado, elegir un modelo de destino. Esas dos elecciones pueden contradecirse entre sí. “Devuelve únicamente JSON válido” y “escribe etiquetas separadas por comas que terminen en parámetros” no pueden cumplirse ambas a la vez.

Antes pasábamos ambas instrucciones y dejábamos que el modelo lo resolviera. Lo resolvía, pero de forma distinta en cada ejecución. Esa inconsistencia es invisible como error y muy visible como experiencia: la misma imagen con los mismos ajustes produce prompts de carácter notablemente distinto, lo cual se percibe como que el estilo se pierde al azar.

Ahora la precedencia es explícita. Los formatos libres entregan toda la salida al modelo de destino y aplican su sintaxis y sus parámetros por completo. Los formatos estructurados son dueños de su propia forma, así que el modelo de destino solo aporta vocabulario y no emite parámetros.

Leer una imagen es transcripción, no composición

Un pequeño cambio con un efecto desproporcionado: bajamos la temperatura de muestreo para las herramientas que leen una imagen. Escribir un prompt a partir de una idea preliminar es un acto creativo y se beneficia de cierta libertad. Leer una referencia se parece más a una transcripción, y cada grado de libertad ahí es un grado de desviación respecto a lo que realmente hay en el encuadre.

Text to Prompt conservó su margen de libertad. Image to Prompt y el describer se volvieron notablemente más literales.

Qué llevarte de todo esto

La mayoría de estos cambios son cosas que puedes aplicar a mano, sea cual sea la herramienta que estés usando.

• Nombra el medio primero, antes que el sujeto, en todo prompt.
• Describe las imperfecciones deliberadamente, porque los modelos las eliminan a menos que se les indique lo contrario.
• Elimina el relleno de calidad; consume atención y tira hacia el promedio.
• En Midjourney, recurre a --style raw y a un --stylize bajo antes de volver a reescribir el prompt una vez más.
• En Stable Diffusion, trata el prompt negativo como la mitad del trabajo.
• Haz primero la pregunta identificadora: ¿qué hace que esta imagen se parezca a sí misma?