Når generativ AI fungerer – og hvorfor det ofte ikke gjør det

En teknisk erfaring fra arkitekturvisualisering

Generativ AI har på kort tid blitt et nytt verktøy i mange kreative arbeidsprosesser, også innen visualisering og eiendom. Muligheten til å tilføre stemning, lys og sesong uttrykk til ferdige visualiseringer er åpenbart attraktiv.

Samtidig opplever mange det samme:

Bildene blir gradvis mykere, mister detaljpresisjon og får et uttrykk som oppleves mindre fotografisk - selv når endringene er små og kontrollert.

Basert på egne tester hos Maestro Media har vi gjort noen konkrete observasjoner som forklarer hvorfor dette skjer, og hvordan det i stor grad kan begrenses.

Dobbel degenerering: Når kvalitetstapet eskalerer

Maestro Media AS - Generativ AI testing

I vårt arbeid brukte vi generativ image-to-image for å legge vinterstemning og julebelysning på en ferdig arkitekturvisualisering. Arbeidsflyten var i utgangspunktet forsiktig:

• lav påvirkningsgrad

• ingen geometri-endringer

• ett steg for vinter, ett for lys

Likevel opplevde vi et markant tap av billedskarphet for hvert steg.

Årsaken viste seg ikke å være selve motivendringen - men kombinasjonen av regenerering og automatisk resampling.

De fleste generative bildemodeller:

• tolker bildet i et internt latent rom

• jobber på oppløsninger som er delbare på faste blokker

• og returnerer bildet i denne “native” oppløsningen, ikke originalen

Når et bilde først regenereres og deretter brukes som input på nytt, oppstår dobbel degenerering:

1. Bildet regenereres (tap av mikrokontrast)

2. Bildet resamples (tap av høyfrekvent detalj)

3. Prosessen gjentas

Resultatet er et raskt og uforholdsmessig kvalitetstap, selv ved ellers konservativ bruk.

Et avgjørende grep: Forhånds-resampling

Det avgjørende gjennombruddet i testene kom da vi endret én variabel:

Originalbildet ble forhånds-resamplet til samme oppløsning som modellen uansett returnerte.

I vårt tilfelle:

• original: 1920 × 1280

• forhånds-resamplet: 2528 × 1696

Deretter ble samme samlede prompt kjørt i én generativ pass.

Resultatet var tydelig:

Verktøy vi brukte

For å være helt konkret bestod arbeidsflyten av tre ledd:

Maestro Media AS - Generativ AI testing

1. GPT-5.2

   Brukt til å utvikle og raffinere presise prompts, med tydelige begrensninger på geometri, lys, materialer og bildekvalitet.

   
   

2. NanoBanana Pro

   Brukt til selve image-to-image-genereringen: vinterstemning, belysning og sesonguttrykk.

   
   

3. Adobe Firefly

   Brukt i etterkant til mindre, lokale justeringer og finpuss – ikke til å regenerere hele bildet på nytt.

Denne kombinasjonen gjorde det mulig å skille klart mellom generativ transformasjon og kontrollert etterbehandling.

Hva dette betyr i praksis

Maestro Media AS - Generativ AI testing

Disse erfaringene peker på et viktig prinsipp:

Generativ AI er ikke tapsfri.

Men mye av kvalitetstapet skyldes hvordan vi mater verktøyene, ikke nødvendigvis kreativiteten i promptene.

Ved å:

• tilpasse originalmaterialet til modellens tekniske forutsetninger

• redusere antall generative steg

• samle endringer i én pass

• og bruke etter-verktøy som Firefly kun til lokale justeringer

… kan AI brukes langt mer presist, også i fagområder med høye krav til kvalitet.

Maestro Media AS - 3D visualisering

En nøktern konklusjon

Maestro Media AS - 3D modellering

Generativ AI er et effektivt verktøy for stemning, lys og sesonguttrykk i arkitekturvisualisering. Men det er ikke nøytralt, og det er ikke tapsfritt.

AI er generativ men også, i teknisk forstand, degenerativ.

Forskjellen mellom et svakt og et godt resultat ligger sjelden i hype eller kreativitet alene, men i forståelsen av hvordan bildene faktisk behandles under panseret - og i å bruke riktig verktøy til riktig del av prosessen.

Hos Maestro Media bruker vi AI som et supplement, ikke en snarvei - med samme krav til kontroll, presisjon og faglig ansvar som i resten av arbeidet vårt.

Skrevet av Stian Andreassen @maestromedia. SEO tilpasset av GPT 5.2