Pikselipaino

Kuva näyttää pinnan. Kaikki muu — mikä on kankaan alla, mitä on lasin takana, miltä huone näyttäisi askeleen verran sivummalta — on pääteltävä. Tämän vuorokauden julkaisut tekevät kaikki juuri tätä, kukin omalla tavallaan. Yksi lukee videosta ihmisen luurangon ja kirjoittaa sen ulos animaatiotiedostoksi, jonka voi avata Blenderissä. Toinen päättelee yhdestä valokuvasta kohtauksen mitat niin, että läpinäkyvätkin esineet pysyvät kasassa. Kolmas kuvittelee samasta huoneesta kahdeksan kamerakulmaa, joita kukaan ei kuvannut.

Näissä on yhteinen kohta, jossa työkalun rehellisyys mitataan. Päättely ei ole mittaus, ja parhaat julkaisut sanovat sen ääneen: yhden näistä kortti kirjoittaa suoraan, että lähdekuvasta piilossa ollut geometria on väistämättä keksittyä. Ero on tekijälle käytännöllinen eikä filosofinen. Kun kone arvaa hyvin, saa liikeradan, mittakaavan ja kamerakulman — kaiken sen, mikä ennen vaati studion, kalibroinnin ja ryhmän. Kun se arvaa väärin, saa saman asian väärin ja vakuuttavan näköisenä. Työkalun taito on siinä, että se arvaa uskottavasti; tekijän taito on siinä, että hän tietää, milloin arvaus riittää — ja milloin pitää mennä paikan päälle mittaamaan.

Liikkeenkaappaus muutti solmugraafiin

Metan SAM 3D Body luki tähän asti ihmisvartalon yksittäisestä kuvasta. Sunnuntaina se sulautettiin ComfyUI:n ytimeen — mukana videon ajallinen tasoitus, ilmeiden ohjaus ja vienti Blenderiin kelpaavana animaationa.

Liikkeenkaappaus on ollut kallista siksi, että se on ollut mittausta. Puvut, heijastavat pallot, kalibroidut kamerat ja studio, jossa valo pysyy paikallaan — koko koneisto on olemassa, jotta ihmisen nivelet saataisiin numeroiksi riittävän tarkasti. Viime vuosina mallit ovat oppineet tekemään saman arvaamalla: verkko katsoo tavallista videota ja päättelee, missä asennossa vartalo on. Metan SAM 3D Body on tämän lajin nykyinen kärki. Se ei tyydy avainpisteisiin, vaan palauttaa yhdestä kuvasta koko vartalon kolmiulotteisena pintana — keho, kädet ja jalkaterät — käyttäen niin sanottua Momentum Human Rig -esitystä, jossa luuranko ja pinnan muoto ovat toisistaan erotettuja. Kuten muutkin SAM-perheen mallit, se ottaa vastaan vihjeitä: valmiita avainpisteitä tai maskin, joilla käyttäjä voi ohjata tulkintaa.

Sunnuntaina malli sai sen, mikä ratkaisee arjessa enemmän kuin tarkkuusluvut: paikan työpöydällä. Kijain rakentama integraatio hyväksyttiin ComfyUI:n ytimeen, joten mitään lisäsolmupakettia ei tarvita. Mukana tuli joukko käytännön varusteita, jotka kertovat mihin suuntaan lajia työnnetään. Ajallinen tasoitus vakauttaa asennon ruutujen yli, eli yksittäiskuvien mallista tuli videotyökalu. Ilmeet voi ohjata MediaPipen blendshape-arvoilla — kasvot mukaan samaan esitykseen. Asennon voi piirtää joko pintana tai vanhoina kunnon OpenPose-tikku-ukkoina, jolloin sama ajo tuottaa ohjauskuvan muille malleille. Ja tärkeimpänä: ulos saa GLB-tiedoston tai BVH-animaation, joka on testattu Blender-tuonnilla. Kameran polttovälin voi vielä päätellä erillisellä MoGe-mallilla, ja usean ihmisen kohtaukset erotellaan SAM 3.1:n videoseurannalla.

BVH on tässä listassa se rivi, jonka kohdalla animaattori pysähtyy. Se on liikkeenkaappauksen arkinen vaihtoformaatti, jota jokainen 3D-ohjelma osaa lukea, ja sen ilmestyminen ulostulovalikkoon tarkoittaa, ettei tulos jää demovideoksi vaan siirtyy hahmon luurankoon. Käytännössä: puhelimella kuvattu tanssi, urheilusuoritus tai arkinen kävely muuttuu raakadataksi, jonka päälle animaattori rakentaa. Vertailukohta on numeron 008 klassikkoartikkelin Segment Anything — sama Metan ajatus promptattavasta yleismallista, nyt vartalon geometriassa. Varaukset ovat lajille tuttuja: päättely on päättelyä, väljä vaatetus ja peittyvät raajat tuottavat virheitä, ja BVH-vienti kaipaa lähes aina siivousta ennen tuotantoa. Mutta hinta on nyt yksi videotiedosto ja yksi työnkulku, ja se on eri suuruusluokka kuin studio.

Lähteet: ComfyUI Wiki (23.8.2026), integraatio-PR #14370, Comfy-Org-painot, Metan alkuperäismalli, GitHub

Geometria palasi pikseleihin

Googlen, ETH Zürichin ja Tübingenin yhteistyömalli PointDiT päättelee yhdestä valokuvasta kohtauksen kolmiulotteiset mitat — ilman autoenkooderia ja ilman hybridiverkkoja. Kuusi tarkistuspistettä ilmestyi tänään Apache-lisenssillä.

Kun kone katsoo valokuvaa ja kertoo, kuinka kaukana mikin kohta on, syntyy niin sanottu pistekartta: jokaista pikseliä vastaa piste kolmiulotteisessa avaruudessa kameran koordinaatistossa. Se on hyödyllisempi kuin pelkkä syvyyskartta, koska siitä saa mittasuhteet ilman tietoa kameran kalibroinnista — kuvasta tulee suoraan rekonstruktio. Tämän tehtävän parhaat mallit ovat viime vuodet olleet monimutkaisia rakennelmia: latentteja, autoenkoodereita, hybridiverkkoja ja huolellisesti viritettyjä tappiofunktioita päällekkäin. Tänään Hugging Faceen ilmestynyt PointDiT väittää, ettei mitään tuosta tarvita.

Malli on riisuttu diffuusiotransformeri, joka työskentelee suoraan pikseliavaruudessa: se kohinanpoistaa pistekartan paloja sellaisenaan, ehtona esikoulutetun DINOv3-näkömallin kuvatokenit. Ei autoenkooderia, ei erillistä geometriapäätä. Yksinkertaisuudesta huolimatta — tai kirjoittajien mukaan juuri sen ansiosta — tulos ohittaa monimutkaisemmat latenttipohjaiset diffuusiomallit, ja erityisesti kahdessa kohdassa: geometrian reunat ovat terävämpiä, ja malli pitää pintansa monitulkintaisissa paikoissa, joista tyypillisin on läpinäkyvä esine. Lasipurkki on koneelle vaikea juuri siksi, että sen läpi näkyy väärä vastaus. Tekijäjoukko on painava — Google, ETH Zürich, Tübingenin yliopisto, Microsoft ja TUM, mukana Marc Pollefeys ja Andreas Geiger — ja työ on hyväksytty ICML 2026 -konferenssiin.

Tänään ilmestyivät painot: kuusi tarkistuspistettä kolmessa koossa, 256 ja 512 pikselin tarkkuuksina, Apache 2.0 -lisenssillä ja koodi Googlen tutkimusrepossa. Lisenssirivi on tässä yhtä tärkeä kuin mittaustulokset: eilinen numero kirjasi, kuinka usein geometriamallien painot jäävät tutkimuskäyttöön vaikka koodi olisi vapaata. Tekijälle pistekartta on se välivaihe, josta moni asia lähtee — kohtauksen syvyysmaski kompositointiin, mittakaava kolmiulotteiselle työlle, pohja splat- tai verkkorekonstruktiolle. Ja menetelmällisesti PointDiT jatkaa juonta, jonka numero 005 kirjasi: latenttiavaruutta, kuvamallien itsestäänselvyyttä, kyseenalaistetaan nyt molemmista päistä. Eilisen numeron DC-Gen puristi latentin pienemmäksi; PointDiT jättää sen kokonaan väliin.

Lähteet: PointDiT (Hugging Face), projektisivu, arXiv 2607.02515, GitHub, Hugging Face API (image-to-3d, 48 h 24.8.)

Yhdestä valokuvasta kahdeksan kameraa

Tänä aamuna julkaistu työnkulku pyytää MiniMax H3:a leikkaamaan saman huoneen kahdeksaan kamera-asetelmaan yhdellä ajolla — ja kokoaa niistä kontaktiarkin. Julkaisussa ei ole painoja lainkaan, vain JSON-tiedosto.

Kuvaussuunnittelun vanha työvaihe on peittokuvaus eli coverage: sama kohtaus kuvataan useasta asetelmasta, jotta leikkaajalla on mistä valita. Tänä aamuna Hugging Faceen ilmestynyt H3 Cinematic Multishot Coverage tekee tämän yhdestä valokuvasta. Työnkulku antaa lähdekuvan MiniMax H3 -videomallille semanttisena referenssinä, nimeää yhden pysyvän kohteen — tietyn ihmisen, esineen tai kiintopisteen — ja pyytää mallia tekemään kahdeksan aitoa leikkausta kahdeksan paikallaan olevan kameran välillä. Kunkin oton vakaasta keskikohdasta poimitaan yksi ruutu, ruudut tallennetaan erikseen ja niistä ommellaan 4×2-kontaktiarkki.

Kiinnostavinta on, mitä julkaisu ei sisällä. Ei painoja, ei LoRAa, ei omia solmuja — pelkkä JSON-tiedosto, joka käyttää vain ComfyUI:n mukana tulevia perussolmuja. Kaikki äly on kehotteen rakenteessa ja ajoituksessa: 124 ruudun mitta, kaksi kiinteää kehotelohkoa ja yksi kenttä, jota käyttäjän kuuluu muokata. Tämä on uudenlainen julkaisumuoto, jonka lehti on nähnyt kasvavan koko elokuun ajan: kun perusmallit ovat riittävän hyviä, arvo siirtyy siihen, kuka osaa kysyä niiltä oikein. Tekijän oma esimerkkiteksti kuvaa hyvin työn luonnetta — kohde nimetään pitkällä listalla säilytettäviä asioita: asento, ilme, katse, vaatetus, huoneen geometria, materiaalit, valo ja varjot.

Kortti on myös harvinaisen suora rajoituksistaan. Siinä sanotaan, että lähdekuvassa piilossa ollut geometria on väistämättä pääteltyä — tuoli, jonka takapuolta ei näy, on mallin arvaus, ei havainto. Tämä on sama varaus, jonka eilisen numeron Puffin-World-uutinen teki tutkimuksen puolella, mutta nyt kirjoitettuna käyttöohjeeseen. Käytännön arvo on esituotannossa: lokaatiokuvasta saa saman päivän aikana kahdeksan kuvakulmaa keskusteltavaksi ohjaajan kanssa, ilman että kukaan matkustaa paikan päälle. Lopullisen kuvauksen se ei korvaa — mutta kontaktiarkki on aina ollut keskusteluväline, ei lopputuote.

Lähteet: H3 Cinematic Multishot Coverage, MiniMax H3, Hugging Face API (image-to-video, 48 h 24.8.)

Kasvonvaihto: alan käytetyin ja kiistellyin lisäosa

BFS-sarja on kerännyt yli 129 000 latausta, toimii jokaisen suositun kuvamallin päällä ja sai eilen videoversionsa. Se on myös työkalu, jonka kohdalla kysymys luvasta ei ole muodollisuus. Tässä katsotaan molempia.

Sarjan yhdestoista osa käsittelee työkalua, jonka nimeä harva mainitsee portfoliossaan mutta jota moni käyttää viikoittain. BFS — Best Face Swap on LoRA-perhe, joka vaihtaa kuvassa kasvot, pään tai koko henkilön toisesta viitekuvasta niin, että ihonsävy, valo ja asento sopivat kohteeseen. Perhe on kasvanut vuoden mittaan versio versiolta ja kattaa nyt käytännössä koko kentän suosituimmat pohjat: Qwen-Image-Editin kaksi sukupolvea, FLUX.2 kleinin neljän ja yhdeksän miljardin koot sekä Krea 2:n. Lisenssi on MIT, työnkulut tulevat mukana, ja jokaiselle versiolle on oma laukaisukehotteensa.

Käytännön reitit. Ensimmäinen ja arkisin: jatkuvuuskorjaus. Ryhmäkuvassa yksi räpäyttää silmiään, mainoskuvassa mallin ilme on väärä kolmessa otoksessa kymmenestä — pään vaihto omasta paremmasta otoksesta on halvempi kuin uusintakuvaus. Toinen: stunt- ja sijaisnäyttelijätyö, jossa vaarallisen kohtauksen tekee toinen ihminen ja kasvot palautetaan jälkikäteen; tämä on elokuva-alan vakiintunut käyttötapa, joka aiemmin vaati efektitalon. Kolmas: hahmojen jatkuvuus generoidussa aineistossa — sama kasvo kymmenessä eri kuvassa on edelleen kuvatekoälyn hankalimpia asioita, ja pään vaihto viitekuvasta on karkea mutta toimiva tapa pakottaa se. Neljäs, uusin: eilen ilmestynyt videoversio LTX-malleille vie saman tempun liikkuvaan kuvaan.

Rehellisyyden nimissä. Tässä kohtaa on sanottava se, mikä muissa sarjan osissa on ollut sivuhuomautus. Kasvonvaihto on ainoa tämän lehden käsittelemä työkaluluokka, jonka väärinkäyttö on sekä yleistä että useimmissa maissa laitonta: toisen ihmisen kasvojen siirtäminen kuvaan, johon hän ei ole suostunut, on henkilökuvan luvatonta käyttöä ja seksuaalisessa yhteydessä rikos. Videoversion oma kortti alkaa eettisellä huomautuksella, ja se on julkaisulta oikea ratkaisu. Ammattikäytössä raja on selvä ja hallinnollinen: kirjallinen lupa molemmilta — siltä, jonka kasvot otetaan, ja siltä, jonka vartalolle ne asetetaan — sekä EU:ssa elokuun alusta voimassa oleva merkintävelvoite, jonka numero 009 kävi läpi. Tekniset varaukset ovat pieniä tämän rinnalla: ilmeet siirtyvät epätasaisesti, versiot vaativat syötekuvat eri järjestyksessä (kortin taulukko kannattaa lukea, sillä uudemmat odottavat vartalon ensin), ja lopputulos vaatii lähes aina käsin tehdyn värikorjauksen. Sarjan kysymys kuuluu, mitä työkalulla oikeasti tekee — tässä tapauksessa vastaukseen kuuluu myös se, mitä sillä ei tehdä.

Lähteet: BFS-Best-Face-Swap, BFS video (LTX), EU:n tekoälyasetus, 50 artikla, Hugging Face API (image-to-image, trending 24.8.)

Kuvilla ajattelu mitattiin: viikonloppuna julkaistu VBVR-Pro on koesarja, joka tutkii mallien kykyä päätellä kuvia tuottamalla — ei sanoin vaan välikuvin. Mukana tuli 19 mallia yhdeksän eri pohjan päälle, kolmesataa tehtävää ja koneellisesti tarkistettavat pisteytykset. Kiinnostavin löydös tekijälle: videogenerointi on vahvin silloin, kun tehtävä vaatii pitämään kirjaa tilan ja ajan muutoksista — ja tutkijoiden mukaan ratkaiseva osa päättelystä tapahtuu kuvien, ei sanallisen ajatusketjun, kautta. Toisin sanoen luonnostelu ei ole vain esitystapa vaan ajattelun väline, mikä ei liene kuvantekijöille uutinen.

Ohjelma vuoden mittarina: tämän vuorokauden kolmesta pääjutusta kaksi kertoo ComfyUI:sta: toinen on siihen sulautettu Metan malli, toinen pelkkä työnkulkutiedosto ilman omia painoja. Elokuun aikana ohjelmaan on ehditty tuoda natiivi tuki LTX-2.5:lle, MiniMax Music 3:lle ja SenseNova-U1.5:lle sekä uusi huomiototeutus, ja uutisvirtaa selatessa huomaa, että moni julkaisu ajoitetaan nykyään sen mukaan, milloin solmut ovat valmiit. Kun numero 005 nosti ComfyUI:n klassikoksi, perusteena oli juuri tämä: ohjelmasta on tullut se mittatikku, jolla kenttä arvioi julkaisun käyttökelpoisuutta.

Kaksi ohjaamoa samalle mallille: MiniMax H3:n ympärille on parin viikon sisällä syntynyt kaksi erilaista käyttöliittymää samaan ongelmaan — miten kertoa videomallille, mitä minäkin hetkenä tapahtuu. H3 Director on aikajanaeditori, johon raahataan kuvia, videota ja musiikkia raidoille ja kirjoitetaan kehote kohtausta kohti; MultiRef-työnkulut ketjuttavat pitkiä musiikkivideoita kahdenkymmenen paikan referenssiketjulla. Päivän kuvakulmatyönkulku on kolmas vastaus samaan kysymykseen. Videomallien käyttö on siirtymässä kehotekentästä ohjaamoon, ja se on tuttu kaari: leikkausohjelmatkin alkoivat aikoinaan komentoriveinä.