Luminar Neo vs InstructPix2Pix

Luminar Neo est un éditeur photo de bureau pour macOS et Windows qui combine des ajustements IA en un clic avec un contrôle manuel basé sur les calques. Remplacement du ciel, retouche de portrait, effacement et extension génératifs, fusion HDR et réduction du bruit sont tous intégrés dans une seule application, avec un support optionnel des plug-ins Lightroom Classic et Photoshop.

Alors que les éditeurs par abonnement vous enferment dans des frais mensuels, Skylum vend Luminar sous licence perpétuelle avec 2 activations d'appareil. Les outils IA génératifs et la bibliothèque d'actifs se renouvellent annuellement, mais l'application principale reste à vous après un achat unique, ce qui convient aux photographes qui éditent par intermittence plutôt que quotidiennement.

Les photographes de paysages, les portraitistes et les amateurs utilisent Luminar Neo pour les préréglages en lot, la prise en charge RAW sur plus de 1000 appareils photo, et le transfert entre appareils mobiles et bureau sur les niveaux supérieurs. Un assistant IA suggère des modifications en 16 langues et ouvre l'outil approprié lorsque vous posez des questions pratiques.

InstructPix2Pix modifie une photo à partir d'une instruction en langage courant telle que « rendre le ciel orange au coucher du soleil » ou « transformer ceci en aquarelle ». Vous fournissez une image d'entrée et une commande textuelle courte, et le modèle renvoie une version modifiée en quelques secondes sans entraînement préalable sur cette photo spécifique. Il a été publié comme un Highlight CVPR 2023 par des chercheurs de l'UC Berkeley.

Les éditeurs basés sur des masques vous obligent à peindre des régions avant de modifier quoi que ce soit. InstructPix2Pix effectue un passage avant unique à partir du texte seul, évitant les étapes de fine-tuning ou d'inversion par image qui ralentissent d'autres workflows d'édition par diffusion. Le compromis apparaît dans les cas d'échec présentés dans l'article : les changements de point de vue, les échanges d'objets et les modifications locales précises restent des points faibles.

Le projet propose un code open source sur GitHub et un espace de démonstration Hugging Face pour tester les modifications dans un navigateur. L'entraînement a combiné GPT-3 et Stable Diffusion pour synthétiser des paires d'instructions, et le modèle publié se généralise aux photos réelles jusqu'à environ 768 pixels de large malgré une résolution d'entraînement de 256x256.