Как создать пресет для ACR с помощью Claude AI?

Второй способ сохранения пресета не требует запуска Adobe Photoshop и Camera Raw.

Вам понадобится скопировать файл в формате XMP в папку C:\Users\Имя_пользователя\AppData\Roaming\Adobe\CameraRaw\Settings, где C:\ — это имя диска, на котором установлена система (Windows 10 или 11), а имя пользователя — это профиль юзера, на чьей учётке установлен фильтр ACR. Подставьте свои данные в проводнике Windows, нажмите Enter, вставьте файл. Если появится запрос на подтверждение копирования, разрешите его.

Для примера вы можете скопировать этот стиль для тонировки гор, применявшийся для обработки снимков в данной публикации.

Он был сгенерирован с помощью Claude AI, но с небольшими оговорками: отдельные коррекции были сделаны мной, чтобы добиться большего сходства с референсом (но их было не так уж много, ведь я хотел показать стоковые возможности нейронки, а не свои навыки).

Учитывайте, что сгенерированные стили для тонирования фото в Camera Raw могут быть далеки от идеала!

Если они выглядят абсолютно не так, как вы хотели, попробуйте изменить запрос, либо запустить генерацию несколько раз, затем сохранить полученный код в формате XMP и снова повторить всё, что я описывал в статье.

Рекомендую всегда допиливать пресеты для Camera Raw, созданные с помощью Claude AI!

Во-первых, нейросеть не использует все инструменты ACR. И это касается не только кривых, но и автоматического маскирования неба, фона, тонкой коррекции отдельных тонов, градиентов и так далее.

Во-вторых, ИИ чаще всего создаёт похожий, а не аналогичный стиль.

Это означает, что его можно вытянуть до идентичного, но вам придётся приложить некоторые усилия. Плюс нейронка может не учитывать экспозицию, контраст, коррекцию теней и светлых областей, и повторит что-то отдельное, вроде базовых цветов или виньетки.

Поэтому без ручной коррекции обойтись не выйдет.

Но есть и плюсы!

Например, если вы плохо разбираетесь в пресетах, вы можете спросить нейросеть, что именно она сгенерировала, как это влияет на фото, а также узнать, что означает тот или иной параметр. Подобная инструкция поможет ускорить изучение настроек фильтра, а заодно будет полезна для общего образования)

Дополнительные советы и рекомендации.

Попробуйте использовать несколько нейросетей, чтобы создавать XMP файлы для ACR. Например, в качестве альтернативы можно попробовать GPT-4o. Также вы можете запустить ИИ, способные анализировать изображения и писать гайды по обработке: Le Chat, Gemini, Qwen, языковые модели на HuggingChat, а также русскоязычные проекты вроде GigaChat.

Хотя ручной ввод на основе полученных инструкций далеко не так удобен, как создание готового XMP шаблона, нейросети могут подсказать нестандартные приёмы, которые вы могли ранее не применять, либо показать, как добиться схожих эффектов простыми способами.

Однако нейросети могут ошибаться, повторяться, делать нелогичные шаги, поэтому желательно иметь хоть какую-то базу в обработке фото, чтобы штамповать пресеты с помощью ИИ.

Здесь ситуация похожа на работу программиста: когда вы знаете, чего хотите добиться или как сделать нужный код, вы будете сразу видеть косяки ИИ и исправлять их, либо давать точные указания нейросети, чтобы вносить правки и быстро выполнять рутинные задачи. Но если вы вообще не разбираетесь в программировании, код будет излишне усложняться, а то и вовсе не работать спустя несколько итераций.

Так и в создании пресетов для ACR: когда нейронка упускает очевидное (вроде манипуляций с кривыми или разбивки тонов), вы можете поправить за ней недочёты, получая готовый пресет за пару минут, что куда быстрее, чем ввод всех параметров вручную.

Но если не знать, где и какие коррекции нужны, вы в лучшем случае получите сырой прототип или полуфабрикат, который каждый раз нужно будет подгонять, а это того не стоит.

Поэтому я ещё раз повторю свой совет: сначала прокачивайте скиллы! Они очень пригодятся для раскрытия всех возможностей ИИ~

Недостатки создания пресетов для ACR с помощью LLM.

Первый и самый главный — вы никак не можете проверить работоспособность результата, пока не загрузите стиль в Camera Raw. 

Из этого вытекает следующий минус — порой генерация пресетов в нейросетях (с учётом экспериментов, повторов, коррекций) занимает больше времени, чем создание стилей с нуля.

Третий минус — не все нейросети доступны в России. Для увлечённых нейроэнтузиастов и техногиков это не такая уж проблема, но для многих людей подобное становится капитальным недочётом (особенно среди тех, кому по работе можно использовать ограниченное количество сервисов).

Четвёртый недостаток создания тонировок для фото в нейросетях — заранее неизвестно, насколько точно ИИ скопирует стиль.

Нейронки могут подобрать оттенки, уменьшить яркость, добавить виньетирование или шум, но для полноценного заимствования стиля нужно указывать LLM больше информации о том, что вы хотите получить, прикладывать примеры изображений до и после, либо с самого начала считать нейросетевые XMP пресеты «полуфабрикатом», который нужно дорабатывать своими руками.

Пятый недостаток — ограничение на количество запросов.

Популярные языковые модели с достаточным количеством клиентов вводят различные ограничения для бесплатных пользователей. Одно из них — количество запусков LLM, способных на анализ и генерацию кода.

В среднем у вас получится сделать до 20-30 запросов в день. Этого хватит, если вы хотите поэкспериментировать или можете допилить пресет сами, но довольно мало, если вы нацеливаетесь на большее, стремясь создать целую коллекцию стилей или желая переложить всю работу на ИИ.

Конечно, можно использовать другие нейросети, где количество запросов не ограничено, либо лимиты достигают сотен и тысяч запусков в день. 

Однако они (преимущественно) не умеют создавать готовые XMP, не анализируют фото, либо способны на всё перечисленное, но создают инструкции вместо файлов, которые вам придётся вводить руками (что ещё больше увеличит временные затраты), либо выдают рабочие файлы за 5-10 запусков вместо одного.

Пример изображения, использованного для создания пресета из этой статьи.

Как вы можете увидеть на загруженных примерах, сгенерированный стиль не до конца совпадает с исходной картинкой. Чтобы получить лучший результат, нужно либо делать всё вручную, либо значительно корректировать нейросетевой пресет.

Впрочем, для эксперимента или быстрого прототипа этого уже хватает!

Да и доработка не всегда занимает много времени)