Reparação de imagens · Notas de campo · GUIA PRÁTICO

Seis exemplos de reparação de mosaicos: o que a IA alterou

Um resultado nítido pode parecer convincente e ainda assim alterar o conteúdo oculto. Estes seis exemplos mostram preenchimento gerado, não a recuperação dos detalhes originais.

2026-10-31 5 min de leitura

O que estes exemplos representam

Começamos com um retrato sintético, uma foto de gato com licença aberta e uma fotografia de montanha em domínio público. Aplicamos localmente mosaico, desfoque ou retângulos opacos de forma controlada. Enviamos ao image2 somente a imagem danificada e uma instrução de edição. A referência limpa e a máscara exata ficaram neste computador para a comparação. Há seis casos exibidos, incluindo dois tamanhos de máscara diferentes sobre a mesma pessoa sintética. Eles não representam seis pessoas independentes nem uma amostra que permita estimar uma taxa geral de sucesso.

Mosaicos faciais menores e maiores

Os dois mosaicos viraram rostos completos com aparência nítida. A área menor manteve mais traços visíveis ao redor; a maior deixou mais detalhes para o modelo inventar. No experimento original com a saída bruta, o erro de pixels na área mascarada diminuiu cerca de 17,5% com a máscara menor e aumentou cerca de 1,8% com a maior. Esses números comparam o resultado com uma referência sintética conhecida; não medem preferência humana nem identidade. Também não são notas dos recortes retangulares finais mostrados na página da ferramenta.

Desfoque local e uma tarja preta nos olhos

O exemplo de desfoque gerou detalhes faciais coerentes, e a tarja preta foi substituída por olhos plausíveis. Nenhum dos resultados confirma o que estava escondido. O pedido da tarja levou cerca de 378 segundos e retornou uma imagem de 2508 × 2508 pixels a partir de uma entrada de 1024 × 1024. O pedido de desfoque levou cerca de 100 segundos e retornou uma imagem de 1254 × 1254. Redimensionamos o resultado para a grade da imagem original antes da composição. Mais pixels na saída não significam mais informação recuperada. Além disso, um teste de desfoque gaussiano local não é um teste de tremido da câmera.

Uma foto de animal e uma paisagem coberta

O exemplo do gato é útil justamente porque a imagem bruta gerada mudou demais: a geometria dos olhos, as marcas faciais e áreas fora do mosaico foram alteradas. A versão final exibida usa somente o retângulo reparado daquela saída real. Observe como o rosto inventado se encaixa no restante do pelo. Na paisagem, rochas e sombras continuam sobre o antigo retângulo preto, mas os detalhes de cada crista diferem da fonte. Uma continuação coerente pode ser útil numa imagem ilustrativa sem ser um registro fiel daquele terreno.

Por que a página preserva o restante da foto

Também enviamos ao modelo um retrato limpo com a mesma instrução de reparo. Embora não tivesse área censurada, ele foi visivelmente redesenhado: após voltar às dimensões de entrada, cerca de 40,4% dos pixels mudaram mais de oito níveis em pelo menos um canal RGB. Por isso a ferramenta pede uma seleção e copia os pixels gerados somente para dentro desses retângulos. As amostras WebP exibidas usam compressão com perdas para carregar mais rápido; o download do produto é PNG. A preservação de pixels se refere à imagem normalizada fora dos retângulos selecionados, antes da compressão da amostra para exibição.

Latência, falhas e o que ainda não sabemos

O experimento original chamou sete tipos de entrada, incluindo o controle limpo. Uma chamada com mosaico falhou após cerca de 446 segundos; a única nova tentativa funcionou em aproximadamente 148 segundos. As chamadas concluídas levaram de cerca de 100 a 378 segundos. Essa pequena amostra não permite estabelecer um percentil 95, uma taxa de disponibilidade ou o custo por imagem utilizável. Os pedidos especificaram gpt-image-2 e qualidade máxima pelo proxy configurado; não verificamos de forma independente a identidade real do serviço de processamento, a cobrança ou as práticas de retenção de dados do fornecedor.

Como avaliar seu próprio resultado

Compare primeiro a imagem inteira e depois examine as bordas e os detalhes reconhecíveis. Dê atenção especial a rostos, marcas no pelo, sombras e linhas retas. Se o trecho parecer colado, ajuste o retângulo para incluir toda a sobreposição e uma margem estreita ao redor. Gere outra versão a partir do original em vez de enviar repetidamente um rosto já gerado ao modelo. Guarde o arquivo de origem e use um original sem censura quando os fatos forem importantes. Um olho, número ou rótulo plausível não prova o que estava na imagem original.

Fontes e leituras relacionadas

A foto do gato é creditada a RobotBlanket sob CC0 no Wikimedia Commons. A imagem da montanha é creditada ao Serviço de Pesca e Vida Selvagem dos Estados Unidos como obra governamental de domínio público. O retrato é um recurso sintético existente da QuietTake. A ferramenta oferece o link de cada fonte externa abaixo da comparação. Nossa pesquisa de fluxo de trabalho também consultou a documentação da Adobe sobre edição generativa baseada em seleções, a descrição de remoção de mosaicos do RemoveAnything e os usos de melhoria de imagens em baixa resolução do Fotor. Não enviamos imagens para esses produtos nem comparamos a qualidade de inferência entre eles.

Entrada controlada com mosaico antes do processamento do modelo