Як я безкоштовно прибираю SynthID із зображень за допомогою Stable Diffusion Forge
7 жовтня 2026 року Google відкрив свій SynthID Detector для всіх охочих. Сама технологія існувала ще з 2023 року, але тепер будь-хто міг скористатися спеціальним сайтом, щоб перевірити зображення, відео та аудіофайли на наявність невидимих водяних знаків SynthID.
І, як і слід було очікувати, інтернет зробив те, що вміє найкраще: знайшов спосіб перетворити все це на бізнес із передплатою.
Почали з'являтися сервіси, які пропонують видаляти водяні знаки SynthID, — з місячними й річними тарифами та гучними обіцянками. Деякі подають це так, ніби винайшли секретну технологію, здатну перемогти складну систему цифрових водяних знаків Google.
Найсмішніше, що принаймні частина цих сервісів, можливо, просто робить те, що ви й самі можете зробити: трохи змінює або реконструює зображення.
Звісно, ми не можемо точно знати, як працює кожен комерційний сервіс. Але сама ідея не така вже й загадкова. Якщо реконструювати зображення з невеликими змінами пікселів, детектор може перестати розпізнавати початковий вбудований сигнал.
У цій статті я покажу повністю безкоштовний, необмежений і локальний спосіб, яким користуюся сам, щоб обробляти зображення та перевіряти, чи продовжують вони спрацьовувати в Google SynthID Detector.
Жодних передплат, жодних загадкових онлайн-сервісів і жодної потреби завантажувати свої фотографії на сторонні сайти для обробки.
Моє обладнання та програмне забезпечення
Спочатку кілька слів про комп'ютер, яким я користуюся. Нічого особливо екзотичного, хоча для генерації зображень за допомогою ШІ він оснащений цілком пристойно.
У мене ноутбук із 64 ГБ оперативної пам'яті DDR4 та NVIDIA GeForce RTX 3070 із 8 ГБ відеопам'яті під керуванням Microsoft Windows 10 Home.
На цьому ноутбуці обробка одного зображення зазвичай триває близько 10 секунд — залежно від роздільної здатності та інших налаштувань.
Звичайно, спосіб має працювати й на інших конфігураціях. Потужніша відеокарта зазвичай впорається швидше, а з повільнішою доведеться трохи почекати. Якщо у вашої відеокарти менше пам'яті, можливо, доведеться також підкоригувати налаштування її використання.
Для обробки зображень я використовую Stable Diffusion WebUI Forge — безкоштовний інтерфейс із відкритим кодом для локального запуску моделей Stable Diffusion.
Завантажити його можна з офіційного репозиторію GitHub:
Stable Diffusion WebUI Forge на GitHub
Я використовую модель RealVisXL V5.0, а саме такий файл:
RealVisXL_V5.0_fp16.safetensors
Розмір моделі становить приблизно 6,46 ГіБ, тож перед завантаженням переконайтеся, що на диску достатньо вільного місця.
Завантажити модель можна тут:
Завантажити RealVisXL V5.0 FP16 із Hugging Face
Після завантаження помістіть файл моделі до каталогу models/Stable-diffusion/ у вашій інсталяції Forge. Запустіть Forge і виберіть RealVisXL V5.0 у меню вибору моделі (checkpoint).
Коли все готово, можна переходити до найцікавішого.
Налаштовуємо Img2img
Уся робота відбувається на вкладці Img2img у Stable Diffusion Forge.
На відміну від звичайної генерації за текстовим описом, коли модель ШІ створює картинку з нуля, Img2img бере готове зображення й реконструює його відповідно до ваших інструкцій.
Наше завдання просте: максимально зберегти оригінал, дозволивши моделі внести лише ледь помітні зміни.
Нам не потрібні нова композиція, інше освітлення чи несподівані художні покращення. І вже точно не хочеться, щоб ШІ вирішив, ніби наше ретельно скомпоноване фото виглядатиме краще із зайвою рукою, іншим обличчям або загадковим предметом, що завис у повітрі.
Нам потрібне оригінальне зображення — або щось візуально максимально близьке до нього.
Ось позитивний промпт, який я використовую:
А ось мій негативний промпт:
Ці промпти вказують моделі зберегти початковий об'єкт, композицію, пропорції, кольори й освітлення та не захоплюватися зайвою творчістю.
Але це не чарівні заклинання. Найважливіше налаштування насправді інше — зараз до нього дійдемо.
Мої точні налаштування генерації
Ось які налаштування я зараз використовую в Stable Diffusion Forge:
- Checkpoint: RealVisXL_V5.0_fp16.safetensors
- Sampling method: DPM++ 2M
- Schedule type: Karras
- Sampling steps: 25
- Resize by: 1
- Batch count: 1
- Batch size: 1
- CFG Scale: 5
- Denoising strength: 0.25
- Seed: -1
Значення Resize by, рівне 1, зберігає початкові розміри зображення. Якщо хочете зменшити вихідну роздільну здатність, можете встановити менше значення. При такому масштабуванні пропорції зображення зберігаються.
Для Batch count і Batch size я встановлюю 1, оскільки зазвичай обробляю по одному зображенню. Навіщо ускладнювати те, що й так працює?
CFG Scale зі значенням 5 забезпечує розумний баланс між виконанням промптів і збереженням оригінального зображення.
Але параметр, який заслуговує на особливу увагу, — Denoising strength.
Найважливіше налаштування
Зазвичай я використовую Denoising strength зі значенням 0.25.
Цей параметр визначає, наскільки сильно ШІ реконструюватиме вихідне зображення. За менших значень результат буде ближчим до оригіналу, а за більших — зміни стануть помітнішими.
У моїх експериментах значення 0.25 виявилося вдалим компромісом. За звичайного перегляду зображення загалом залишається майже ідентичним оригіналу, але обробки може вистачити, щоб SynthID Detector перестав розпізнавати водяний знак.
Значення 0.20 також працює в багатьох випадках, хоча, за моїми спостереженнями, менш надійно. Іноді детектор усе ще розпізнає оброблене зображення.
Якщо занадто збільшити Denoising strength, можуть з'явитися видимі відмінності в дрібних деталях, поверхнях, текстурах, рисах обличчя або навіть невеликих предметах.
А цього ми якраз і не хочемо.
Уявіть Denoising strength як повзунок між «будь ласка, залиш мою картинку в спокої» та «у мене є кілька творчих пропозицій».
Для цього завдання я волів би, щоб модель залишила свої творчі пропозиції при собі.
І ще одна важлива деталь: Seed -1 вказує Forge використовувати випадкове початкове значення для кожної генерації. Це означає, що навіть з однаковими налаштуваннями повторні запуски можуть давати трохи різні результати.
Генеруємо та перевіряємо результат
Коли промпти й налаштування готові, далі все напрочуд просто.
Завантажте вихідне зображення на вкладку Img2img і натисніть Generate.
На моїй RTX 3070 обробка зазвичай триває близько 10 секунд за тих роздільних здатностей, із якими я працюю.
Отримане зображення має бути надзвичайно схожим на оригінал. У багатьох випадках складно помітити будь-яку різницю, якщо не порівнювати обидва файли дуже уважно.
Утім, дрібні деталі можуть змінитися. Текст, логотипи, тонкі лінії, риси обличчя та складні текстури потребують особливої уваги. Якщо вони важливі, роздивіться результат у повній роздільній здатності, а не покладайтеся на маленький попередній перегляд.
Із текстом треба бути особливо уважним. Якщо на вихідному зображенні є вивіски, етикетки, підписи або інші написи, літери можуть спотворитися значно сильніше, ніж звичайні об'єкти чи ділянки без тексту. Слова іноді змінюються, зникають або перетворюються на нечитабельні символи, навіть коли решта картинки виглядає майже ідентично. Тому обов'язково перевіряйте всі написи на згенерованому зображенні.
А тепер найцікавіше.
Відкрийте офіційний SynthID Detector та перевірте оброблене зображення.
За моїми спостереженнями, зображення, які детектор розпізнавав до обробки, після реконструкції в Img2img із цими налаштуваннями часто перестають викликати його спрацювання.
Саме цього результату ми й прагнемо: оброблене зображення проходить перевірку офіційним детектором, і він не виявляє водяного знака SynthID.
Але тут є один важливий технічний нюанс.
Негативний результат перевірки в SynthID Detector не гарантує, що водяний знак SynthID повністю видалено. Це означає лише, що під час конкретної перевірки детектор не виявив водяного знака в конкретному файлі.
Частина інформації водяного знака може залишатися, навіть якщо загальнодоступний інструмент більше її не розпізнає. До того ж методи виявлення з часом можуть удосконалюватися.
Так само зображення, яке пройшло перевірку, не перетворюється раптом на справжню фотографію з камери. Воно залишається створеним або зміненим за допомогою ШІ незалежно від того, що показує детектор водяних знаків.
Тому я описую цей спосіб як реконструкцію зображення, після якої воно більше не спричиняє спрацювання поточної версії офіційного SynthID Detector, а не стверджую, що всі сліди водяного знака знищено назавжди.
Це точніше відображає те, що ми справді можемо перевірити.
Навіщо платити за те, що можна зробити самому?
Найкумедніше в цьому невеликому експерименті — наскільки звичайною виявляється сама процедура.
Є сайти, які беруть гроші за операції, що можуть ґрунтуватися на тій самій ідеї: керованому внесенні змін до зображення.
Звичайно, комерційні сервіси можуть пропонувати додаткову обробку, автоматизацію, зручність або взагалі інші методи. Не дослідивши конкретний сервіс, ми не можемо знати, що саме відбувається за лаштунками.
І все ж платити за регулярну передплату лише для обробки кількох фотографій здається зайвим, коли безкоштовні локальні інструменти можуть дати схожий практичний результат.
У Stable Diffusion Forge немає плати за кожне зображення, місячних квот чи тарифних планів. Програма працює на вашому комп'ютері, а вихідним зображенням не потрібно його залишати.
Певні витрати, звісно, є. Комп'ютер споживає електроенергію, модель займає місце на диску, а початкове налаштування потребує трохи зусиль. Проте після встановлення Forge ви можете обробляти стільки зображень, на скільки вистачить можливостей комп'ютера та вашого терпіння.
Як на мене, це значно вигідніший варіант.
А оскільки я сам керую промптами, моделлю та Denoising strength, то знаю, яку саме обробку застосовую, замість того щоб надсилати зображення невідомому сервісу й сподіватися на краще.
Ось і вся хитрість
Жодних секретних алгоритмів, дорогих передплат чи складних схем.
Встановіть Stable Diffusion Forge, завантажте модель RealVisXL V5.0, відкрийте Img2img, введіть промпти, задайте налаштування й згенеруйте реконструйоване зображення.
Потім перевірте результат за допомогою офіційного SynthID Detector від Google.
За моєї поточної конфігурації цей підхід часто дає зображення, що виглядає практично ідентичним оригіналу, але вже не розпізнається загальнодоступним детектором.
Це не гарантія повного видалення водяного знака, а результати можуть відрізнятися залежно від зображення та майбутніх версій детектора. Але як безкоштовний, локальний і відтворюваний експеримент з обробкою зображень він цілком відповідає моїм потребам.
Ось, власне, і все.
Без передплат. Без штучних обмежень. Без магії.
Лише Stable Diffusion Forge, трохи часу відеокарти й, можливо, на одну причину менше залишати дані своєї банківської картки на сайті, що обіцяє дива.
Коментарі (0)