在我十几岁的时候,我常常花费数小时剪裁杂志,制作拼贴画和情绪板。我喜欢看到形状和颜色如何重叠并创造出新的东西——那时候,我特别着迷于文字排版创造出类似人体部位的形状。
我最近看到 Canva 在去年年底推出了 Dream Lab,这是一款人工智能文本转图像生成器,它具有创建数字情绪板的功能。
竞争对手包括 Dream by WOMBO、Adobe Express、Dall-E 和 Midjourney (这些都可以创建图像,然后上传到 Canva)。但 Dream Lab 集成在 Canva 的更广泛的生态系统中。
这简化了设计流程,使资源能够无缝地融入工作流程中,对于 Dream Lab 的目标用户来说非常便捷:包括各行各业的创意人员、小企业主和艺术爱好者。
我上一次制作情绪板是在十多年前。这一次,借助 AI 的帮助,我将有更多创意可能性去尝试,而且制作过程本身也会更快。
也许是时候改变了...或者说是一个提醒。不是有人说过,富有创造力的成年人就是那个永远不曾消逝的孩子吗?
如何使用 Canva 的 Dream Lab
Dream Lab 非常容易上手,使用方法也很简单。以下是具体步骤:
首先,从桌面或手机登录 Canva。你可以通过 Canva 的主页或个人设计工作区访问 Dream Lab。(寻找左侧工具栏中通常显示的"探索应用程序"部分。)你也可以使用 Canva 的搜索功能搜索 Dream Lab 或"文本转图像"。
进入 Dream Lab 后,你可以根据输入的提示,借助 AI 生成图像。这是构思区域。你希望你的情绪板展现什么样的主题或氛围?你对这个问题的回答将决定你的文本转图像提示。例如,我通常倾向于那些"温暖而梦幻"并激发"敬畏和惊奇"感觉的图像。
在生成图像之前,调整设置可能会有帮助,比如调整图像的参数或尺寸。现在在 Dream Lab 的文本界面中输入你的描述性提示。使用生动的语言来帮助 AI 捕捉你理想中的创作。
让 AI 创建视觉效果,但要记住你可能需要生成多个选项——如果你一开始不喜欢结果,不要气馁。查看你的图像,选择最能捕捉你想要的情绪或美感的图像。由于情绪板通常有不同类型的图像相互重叠,你可能需要运行各种提示及其变体。最终选择后,你可以将喜欢的图像保存到 Canva 库中,或将它们拖入新的设计文件中开始布置。
你可以从 Canva 的主页或设计仪表板中选择"选择模板",并搜索情绪板模板。你会找到网格或拼贴风格的布局作为起点。选择模板后,点击它在 Canva 的编辑器中打开。
现在开始组装!通过点击并拖动将生成的图像拖入模板中。放置好后,你可以美化模板并添加其他元素,如额外的图像和描述性文字或标题。尝试使用背景和颜色来叠加元素,使所有内容融为一体。
检查你的情绪板,确保整体构图反映了你想要的情绪,并且视觉效果相互补充。完成后,点击下载按钮保存你的情绪板,或通过文本或社交媒体上的复制粘贴链接直接与朋友和家人分享。
谁应该使用 Dream Lab?
Dream Lab 简单高效,能帮助你快速充实想法。Canva 作为一个独立平台,面向各类受众,从爱好者和营销人员到设计师和小企业主。在各种公司推出 AI 驱动工具的情况下,在尝试驾驭创作过程时看到一个熟悉的名字是很好的。
经验丰富的创意人员可能会坚持使用 Adobe 的工具集或使用 Pinterest 的视觉搜索,技术爱好者可能会选择 Dall-E 和 Midjourney 的组合,但 Canva 的 Dream Lab 不会让你失望——特别是如果你已经熟悉 Canva 的话。
Dream Lab 除了创建情绪板外还有各种用途,包括文本转图像生成、AI 驱动的图像编辑和更多创意实验。
此外,你可以通过 Canva 的免费订阅模式访问 Dream Lab 的大多数功能,这在你尝试使用时给予了一定的自由度(免费版有 20 个 Dream Lab 积分,付费版有 500 个 Dream Lab 积分)。
Canva 的 Dream Lab 可以在简化流程的同时激发创造力。尽情享受吧。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。