Image Generation

Principais notícias

1. 1

   Reação negativa a anúncio de IA da Coca-Cola sinaliza que trabalho feito por humanos pode ganhar vantagem no marketing

   O que aconteceu: A Coca-Cola enfrentou reação negativa de consumidores no final de 2024 por lançar anúncios de férias totalmente gerados por IA, projetados para ecoar suas campanhas de 1995. A Valentino igualmente atraiu críticas no Instagram por uma campanha de bolsas inteiramente feita por IA no final de 2025, com comentaristas chamando-a de "barata" e "preguiçosa". A tendência está gerando interesse em trabalho feito por humanos como um possível contratendência no marketing. Por que importa: Pesquisas mostram que 43% dos consumidores norte-americanos disseram que anúncios de IA de baixa qualidade ou "estranhos" prejudicariam sua opinião sobre uma marca, e o Journal of Advertising Research descobriu que os consumidores reagem de forma mais negativa quando marcas de luxo divulgam imagens geradas por IA porque o trabalho pode parecer menos esforçado e a marca menos autêntica. Com confiança e autenticidade sendo centrais para como as empresas justificam preços premium, o conteúdo gerado por IA corre o risco de prejudicar a imagem da marca que as empresas tentam vender.

   O que observar: O Pew Research Center descobriu que 53% dos americanos acreditam que a IA prejudicará nossa capacidade de ter pensamentos criativos independentes, e metade dos americanos relata que o avanço da IA os preocupa mais do que os entusiasma — sinais de que o ceticismo dos consumidores sobre a automação na vida cotidiana pode continuar a moldar a estratégia de marca.

2. 2

   Adobe Firefly lança ferramentas de IA para áudio e integra Gemini Omni Flash do Google

   O que aconteceu: A Adobe está lançando três ferramentas de IA para áudio — Generate Music (música livre de royalties para vídeos), Generate Speech (conversão de script para locução) e Generate Sound Effects (áudio de cena) — em toda a plataforma Firefly, todas autorizadas para uso comercial. O Firefly AI Assistant agora oferece gerações diárias gratuitas, e a Adobe integrou o modelo Gemini Omni Flash do Google, que aceita entradas de vídeo, áudio, imagem e texto junto com modelos de terceiros existentes da Kling AI, Luma AI e Runway. Por que é importante: As ferramentas de áudio expandem o conjunto criativo do Firefly além da geração de texto e imagem, permitindo que criadores produzam trilhas sonoras de vídeo e locuções em uma única plataforma sem preocupações com licenciamento. A entrada multimodal do Gemini Omni Flash (vídeo, áudio, imagens, texto) amplia o alcance de tarefas criativas que o Firefly pode realizar, potencialmente simplificando fluxos de trabalho para produtores de conteúdo.

   Pontos a acompanhar: A Adobe relata que "Create Storyboard" e "Create Brand Kit" estão entre os recursos do Firefly mais utilizados, sugerindo demanda por ferramentas criativas integradas; a adoção das ferramentas de áudio sinalizará se os usuários adotam esses recursos em taxas similares.

3. 3

   Estudo do MIT: imagens de IA são rastreáveis às fontes de treinamento

   O que aconteceu: Pesquisadores do Laboratório de Ciência da Computação e Inteligência Artificial do MIT descobriram que modelos de IA generativa treinados em grandes conjuntos de dados não podem ser confiávelmente rastreados até imagens individuais em seus dados de treinamento — um fenômeno que chamam de "decaimento de atribuição". Quanto mais dados um modelo é treinado, mais difícil se torna vincular uma imagem gerada a uma fonte específica, mesmo que todo o corpo de trabalho de um artista particular fosse removido do conjunto de treinamento. Por que é importante: Esta descoberta complica a execução de direitos autorais. Empresas de IA como MidJourney, OpenAI e Microsoft treinaram modelos em livros, artigos, fotos e outros trabalhos frequentemente sem permissão do autor, provocando processos da Disney, NBCUniversal, DreamWorks e The New York Times. O autor principal do estudo, Zheng Dai (um ex-pesquisador do MIT), observa que a incapacidade de estabelecer links de atribuição pode forçar uma reconsideração da lei de propriedade intelectual e da política de uso justo — "o link de atribuição simplesmente desaparece" — tornando mais difícil provar infração na corte.

   Fique atento: As implicações legais. Os casos de direitos autorais em andamento provavelmente dependerão de se os tribunais aceitam que o decaimento de atribuição é uma propriedade fundamental dos modelos generativos em grande escala, potencialmente reformulando como as reivindicações de propriedade intelectual são avaliadas contra as práticas de treinamento de IA.

4. 4

   Imagens geradas por IA muitas vezes não deixam rastro até os dados de treinamento—estudo conclui

   O que aconteceu: Um estudo que examinou imagens geradas por IA descobriu que muitas não podem ser confiavelmente rastreadas até suas fontes originais de dados de treinamento, mesmo quando pesquisadores tentam uma análise detalhada dos resultados gerados. Por que importa: A descoberta levanta questões sobre atribuição e responsabilidade na geração de imagens por IA. Se imagens geradas não puderem ser vinculadas a fontes de treinamento específicas, fica mais difícil identificar violações de direitos autorais, verificar consentimento dos criadores originais ou estabelecer uma cadeia clara de responsabilidade pelo conteúdo que os sistemas de IA produzem.

   O que acompanhar: As implicações para desenvolvedores de IA e plataformas que usam geração de imagens—eles podem enfrentar pressão legal e ética para melhorar mecanismos de rastreabilidade ou implementar novas salvaguardas que conectem o conteúdo gerado às suas origens de treinamento.

5. 5

   Desenvolvedor cria pagedMark para remover marcas d'água de IA de imagens geradas automaticamente

   O que aconteceu: Um desenvolvedor criou pagedMark, uma ferramenta projetada para remover marcadores de proveniência de IA—tanto rótulos visíveis quanto marcas d'água incorporadas em pixels invisíveis—de imagens e vídeos gerados por ferramentas de IA. A ferramenta regenera imagens para eliminar marcas invisíveis enquanto tenta preservar a similaridade visual, e atualmente suporta marcas d'água do ChatGPT, gpt-image API, Z-Image Turbo e Nano Banana para imagens, além de marcas visíveis e metadados do Sora, Veo, Seedance, Hailuo e Kling para vídeo. Por que é importante: Conteúdo gerado por IA cada vez mais carrega metadados e sinais incorporados (como marcas d'água SynthID) que identificam sua origem. Para criadores que trabalham com seu próprio material gerado por IA, essas marcas podem complicar o fluxo de trabalho—métodos simples de remoção como capturas de tela não eliminam marcadores em nível de pixel. pagedMark aborda isso regenerando o conteúdo afetado, embora os usuários devam estar cientes de que o resultado pode diferir do original (rostos, texto e pequenos detalhes podem se deslocar).

   O que acompanhar: A ferramenta foi testada em Macs Apple Silicon com 8 GB e 16 GB de memória, com processamento consciente de memória integrado para lidar com limitações de recursos em máquinas com especificações inferiores.

6. 6

   Engenheiro treina IA de geração de imagens em microcontrolador com apenas 264KB de RAM

   O que aconteceu: Um desenvolvedor treinou um modelo de difusão (um tipo de IA generativa de imagens) em um microcontrolador Shrike lite com apenas 264KB de SRAM, gerando imagens de 32×32 pixels. O dispositivo inclui um FPGA integrado (um chip reconfigurável), que o desenvolvedor utilizou para construir dois motores MAC INT8 paralelos com acumulação de 16 bits para acelerar os cálculos. Por que importa: Executar modelos de IA em hardware com memória extremamente limitada demonstra que a geração de imagens—tipicamente uma tarefa computacionalmente intensiva—pode funcionar em dispositivos embarcados. Isso pode abrir portas para inferência de IA em dispositivos edge (sensores, hardware IoT) onde fazer download de modelos para servidores em nuvem é impraticável ou indesejável.

   O que observar: Os aceleradores paralelos na verdade pioraram o desempenho (~220 segundos por imagem) comparado à versão apenas com CPU (~70 segundos por imagem), devido a gargalos de memória causados por operações intensivas de entrada e saída—um lembrete de que a velocidade do hardware isoladamente não garante ganhos end-to-end quando a largura de banda da memória é o fator limitante. A qualidade das imagens foi degradada pela quantização e limites de memória, embora alguns resultados fossem utilizáveis.