前幾天分享的『嘗試讓 ChatGPT 扮演 Midjourney prompt 產生器』，得到不少迴響，很感謝大家。
今天繼續來分享一個小小的嘗試：透過 ChatGPT 搭配 Midjourney 近期新推出的 /describe 功能，在 Midjourney 裡面「以圖產圖」。
什麼是以圖產圖？
先簡單定義一下，我提到的「以圖產圖」，意思是我希望 AI 工具可以直接把我丟進去的圖，重製成一個新的版本，希望在維持原先概念的情況下，有一些隨機的變化。
目前以我的理解， Midjourney 還沒辦法「直接」做到這件事。Midjourney 有內建 “image prompts” 的功能，但沒辦法單純丟一張圖就產不同版本，得要用這張圖搭配某些文字 prompts 才能夠產圖。
不過， Midjourney 本週推出了新功能 “/describe” ，使用者只要上傳一張圖片，Midjourney 就會識別這張圖片，並且回傳給使用者四段稍微有點不同的描述。使用者可以接著透過這些描述產圖。
例如，我上傳了 Pink Floyd 的 Wish You Were Here 這張專輯的封面， Midjourney 就產出了四段不同的描述。
接著，我只要點選下方的任何一個數字，就可以依照該描述在 Midjourney 裡面產圖。
不過，在我測試了幾張圖之後，我發現這樣做的效果大概只到 70 分的程度，常常四個按鈕都試了以後，發現每個都有一些好的地方，但也都有一些不足的地方。如下圖，左上是第一組，右上是第二組，左下是第三組，右下是第四組：
我猜想可能是因為 describe 這個功能才剛推出，或者是 Midjourney 是想透過這個方式來訓練他們的「圖生文」模型，還沒完全釋放出最精準的辨識能力。
總之我對於 describe 功能還沒有到非常滿意，但此時我又想到了 ChatGPT ！
先讓 ChatGPT 整合四段描述
我想到的是，我現在已經有四段彼此相關的某個描述了，好像很適合透過 ChatGPT 把它們組合在一起。
因此我就以下列這段 Prompt 簡單嘗試了效果：
（上半部直接貼上 Midjourney 給你的四段描述）
Hi chat, the four descriptions above are all generated from a same image using an image-to-text AI recognition method. In other words, they each represent different aspects of the image, just with different degrees of emphasis. I hope you can merge these four descriptions, remove some unimportant parts and choose the most relevant style to create a description that is closest to the original image. I don't want you to just pile these descriptions on top of each other; I hope you can create a meaningful combination so that I can use this recombined description to create a new image that is closest to the original image. Please create a combined description for me in a similar format:
依照這個 Prompt ， ChatGPT 會嘗試組合他接收到的四個描述，轉化為一個新的版本。以上面同樣的 Wish You Were Here 封面為例，他給出的結果是：
Pink Floyd album cover featuring two men shaking hands on a street, in the style of light orange, bronze, and a hint of indigo, utilizing a photographic source and cinestill 50d. The image captures emotional gestures and a streetscape setting, with brass and chrome-plated elements, creating a dreamlike yet street-inspired atmosphere. The cover art combines influences from group f/64, Danny Lyon, and Frank Miller, showcasing a wry and emotive touch, with subtle McDonaldpunk and chromepunk undertones.
稍微比較一下，確實沒有完全照著疊加描述，好像還不錯！
再讓 Midjourney 產圖
接著，我再拿這段 prompt 直接丟給 Midjourney 產圖，我覺得表現好像更好了。
其中我最喜歡的是第二張，因此我請它 upscale 放大，成品如下圖：
我也透過這個方式再測試了兩張 Pink Floyd 的專輯封面，發現透過 ChatGPT 融合過後的版本都更接近原版一些，這邊就直接貼我最喜歡的原版＆成品對照，左邊都是原圖，右邊是 Midjourney 產出的圖。
Animals
The Division Bell
小結：
我自己對這次嘗試的成果還蠻滿意的，雖然有可能是因為 Midjourney 本來就相對熟悉 Pink Floyd 的封面美術風格，但我也有嘗試直接丟專輯關鍵字下去跑，效果也沒有 ChatGPT 加持的版本好。
ChatGPT 很適合拿來處理這種整合、重組文字的工作，我相信若再測試更多輪，人工微調 prompt ，它整合的效果會更好。
後續我應該會再繼續嘗試更多不同的圖片類型以及 prompt ，有新的心得再來分享！