Como criar imagens realistas de pessoa sentada lendo um livro e tomando café
A maioria das ferramentas de geração de imagem falha em renderizar essa cena de forma convincente. O problema nunca é o conceito em si. Livros, xícaras e pessoas sentadas são objetos simples. O que quebra a ilusão são proporções erradas nos dedos, reflexos impossíveis na xícara, sombras que não fazem sentido com a fonte de luz, e aquela textura lisa demais que todo modelo básico aplica em superfícies orgânicas. Vou explicar o fluxo que realmente funciona, baseado no que eu tenho usado nos últimos meses para produzir imagens desse tipo para projetos comerciais. Não vou romantizar o processo. É trabalho técnico, repetitivo, e exige ajuste manual na maior parte das vezes.
pessoa sentada lendo um livro e tomando café
O prompt base que eu uso como ponto de partida é bem direto. Não adianta encher de adjetivos. Modelos como Stable Diffusion, Midjourney ou Flux respondem melhor quando você descreve composição, iluminação e textura de forma separada, em vez de jogar tudo junto num parágrafo. Aqui está a estrutura que eu monto:
Primeiro, a cena. Uma pessoa sentada em uma cadeira de madeira, postura relaxada mas natural, livro aberto sobre os joelhos ou numa mesinha ao lado. Xícara de café cerâmica branca sobre a mesa, pequenos resíduos de líquido nas bordas para dar impressão de uso. Uma fatia de bolo ou biscoito num pires pequeno, se couber na composição. Segundo, a iluminação. Luz lateral vindo de uma janela, criando sombras suaves no rosto e nas páginas do livro. Nada de luz frontal plana. Isso mata a tridimensionalidade imediatamente.
Terceiro, detalhes de textura. Página de papel amarelado com leve curvatura nas bordas, tecido da roupa com costuras visíveis, grão da madeira da mesa, vapor sutil saindo da xícara. Esses elementos são o que separam uma imagem genérica de algo que parece ter sido fotografado de verdade. Eu costumo adicionar referências de estilo no final do prompt. Palavras como photorealistic, film grain, shallow depth of field, e a especificação de uma lente como 50mm f/1.8 ajudam o modelo a escapar daquele look digital padrão.
👉 Clique no botão abaixo para saber mais sobre o assunto!
O problema que eu mais encontrei, e que ainda aparece de vez em quando, é a renderização dos dedos. Quando a pessoa segura o livro, os dedos tendem a se fundir com as páginas ou aparecer com número incorreto. Já perdi umas três horas num único prompt só corrigindo isso com inpainting. A solução prática que eu adotei foi dividir o trabalho em duas etapas. Gero a cena completa primeiro, sem me preocupar com os dedos. Depois faço um mask de seleção somente na região das mãos e livro, e rodo uma nova geração naquela área com um prompt mais específico focado em an atomical hand correctness. No Stable Diffusion com ControlNet, eu uso um sketche simples das mãos como guia. Funciona em cerca de 70% das tentativas. Nos outros 30%, eu testo diferentes seed values até encontrar uma combinação que feche.
Outro detalhe que poucos mencionam: a posição da xícara. Modelos tendem a colocar a alça virada para o lado errado ou fundindo-a com a superfície da mesa. A alça precisa ter volume próprio, não ser apenas um relevos plano colado na cerâmica. Se você notar esse erro na geração, inclua no prompt algo como visible ceramic cup handle with proper volume. Ajuda, mas não resolve 100% das vezes. Sobre os formatos e opções de geração, aqui vai o que eu considero essencial:
- Aspect ratio: 3:4 ou 4:5 funciona melhor para composições verticais de retrato. 16:9 só se o cenário precisar de mais espaço horizontal, como uma mesa comprida ou uma janela ampla ao fundo.
- Resolução: Comece com 1024x1024 mínimo. Abaixo disso, os detalhes finos como texturas de papel e tecido somem na primeira escalação.
- Sampler: DPM++ 2M Karras costuma entregar o melhor equilíbrio entre qualidade e velocidade. Se estiver com tempo, Euler a dá mais nas texturas.
- Steps: 30 a 40 passos é o suficiente para a maioria dos cenários. Mais que 50 raramente melhora o resultado e só aumenta o tempo de espera.
Se você estiver usando uma API ou serviço pago, saiba que imagens com alta complexidade de detalhes como esta — mão segurando objeto, vapor, reflexos — consomem mais credits do que prompts simples. Eu calculei que uma geração bem ajustada dessa cena custa em média o equivalente a 2 ou 3 solicitações de um prompt básico de paisagem. Vale a pena se o projeto exigir qualidade, não se for só para teste. Há uma alternativa interessante se o seu foco for variabilidade rápida: usar loRA fine-tuned com datasets de fotografia de lifestyle. Eu testei um modelo treinado em imagens de cafeterias e o resultado nos tons de pele e nas texturas de tecido foi significativamente melhor do que o checkpoint base. O custo inicial de treinamento ou download é maior, mas o ganho em tempo de ajustes manuais compensa se você for gerar muitas variações.
Não tente forçar a cena. Se o modelo não está conseguindo montar algo coerente após cinco rodadas, mude o ângulo. Uma vista de cima para baixo, por exemplo, elimina o problema das mãos quase inteiramente porque elas ficam menos visíveis. Você ganha composição e perde detalhe facial. Decida o que é mais importante para o seu caso. O arquivo final deve ser salvo em PNG ou TIFF se for usar em impressão. JPEG com compressão alta destrói as texturas de papel e tecido que você levou tempo para refinar. A diferença de tamanho de arquivo é grande, mas a qualidade visual não perde nada comparado a um JPEG mal comprimido.
Se o objetivo for publicação digital, um JPEG quality 90 com dimensão de 1920 pixels na lateral mais longa é um ponto razoável entre peso e nitidez. A imagem carrega rápido em qualquer plataforma e mantém os detalhes suficientes para leitura confortável. Cada ferramenta tem suas limitações específicas. Nenhum gerador atual produz perfeição anatômica consistentemente. Reconhecer isso desde o início evita frustração e faz você investir tempo nas correções certas em vez de repetir o mesmo prompt esperando resultado diferente.
