# Generowanie obrazu i wideo

EN: **Image and video generation** · id `imagegen`

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Język, obraz, audio](https://aiatlasgraph.com/t/modalities.md) › Generowanie obrazu i wideo

## Description

- PL: Synteza i edycja treści wizualnej.
- EN: Synthesising and editing visual content.

## In one sentence

- PL: To tworzenie nowych obrazów i filmów przez program na podstawie opisu słownego albo innego obrazu.
- EN: This is software creating new images and videos from a written description or another image.

## Problem it solves

- PL: Przygotowanie ilustracji, zdjęcia produktu czy krótkiego filmu wymaga sprzętu, umiejętności i czasu, których często brakuje.
- EN: Making an illustration, a product photo or a short clip needs equipment, skill and time that people often lack.

## What it does

- PL: Z poznanych przykładów uczy się powiązań opisu z wyglądem, a następnie tworzy lub zmienia obraz i kolejne klatki filmu.
- EN: It learns links between descriptions and appearance from examples, then creates or edits images and successive video frames.

## Everyday example

- PL: Opisujesz kota w kapeluszu na tle gór o zachodzie słońca i dostajesz różne ilustracje do wyboru.
- EN: You describe a cat in a hat against mountains at sunset and receive different illustrations to choose from.

## This concerns you if you…

- PL: potrzebujesz grafik, a nie umiesz rysować
- PL: tworzysz treści wizualne do sieci lub prezentacji
- PL: chcesz rozpoznawać obrazy wygenerowane przez model
- EN: need graphics but cannot draw
- EN: make visual content for the web or presentations
- EN: want to recognise model-generated images

## Keywords

latent diffusion · flow matching · Stable Diffusion · SDXL · FLUX.1 · ControlNet · DreamBooth · classifier-free guidance · FID · spatiotemporal attention

## How it works

- PL: Model uczy rozkład wizualnych struktur warunkowany tekstem, obrazem lub innym sygnałem. Odszumianie, przepływ albo predykcja tokenów tworzy reprezentację, którą dekoder przekształca w piksele lub sekwencję klatek.
- EN: The model learns visual-structure distributions conditioned on text, images or other signals. Denoising, flows or token prediction create representations decoded into pixels or frame sequences.

## Limits

- PL: Zgodność z opisem, spójność i realizm są osobnymi kryteriami. Nieobecne kombinacje mogą powodować artefakty, a wiarygodny obraz nie potwierdza istnienia przedstawionego zdarzenia.
- EN: Prompt adherence, consistency and realism are separate criteria. Unseen combinations can cause artifacts, and plausible images do not prove the depicted event occurred.

## Key terms

- PL: **warunkowanie**: Wprowadzenie sygnału sterującego rozkładem generowanych wyników.
- PL: **latent**: Ukryta reprezentacja obrazu przetwarzana przed dekodowaniem do pikseli.
- EN: **conditioning**: Supplying a signal that guides the generated-output distribution.
- EN: **latent**: A hidden image representation processed before decoding into pixels.

## Know first

- [Rodziny modeli generatywnych (Generative model families)](https://aiatlasgraph.com/t/generative.md)
- [Reprezentacje i embeddingi (Representation learning)](https://aiatlasgraph.com/t/representations.md)

## Examples

- PL: Text-to-image · image-to-image · video

## Subtopics (5 direct, 5 in total)

- [Edycja obrazu poleceniem i podmiana fragmentów (inpainting) (Instruction-based image editing and inpainting)](https://aiatlasgraph.com/t/imageediting.md): Changing an existing image according to a text instruction, regenerating a masked region (inpainting), or extending the image beyond its original frame (outpainting). Contemporary models can combine generation and editing, but preserving object identity across repeated edits still depends on the model and task.
- [Generowanie obrazów z opisu tekstowego (Text-to-image generation)](https://aiatlasgraph.com/t/texttoimage.md): Creating an image from a text description. Many contemporary systems use latent diffusion or transformers trained with flow-based objectives. Evaluation includes prompt adherence and image quality; some tools expose settings such as guidance scale, negative prompts or a random seed.
- [Generowanie wideo z tekstu i obrazu (Text-to-video and image-to-video generation)](https://aiatlasgraph.com/t/videogen.md): Creating clips from text descriptions or animating an image while trying to preserve motion and appearance across frames. Many contemporary systems use latent diffusion models and transformers that process space and time; some also generate synchronised audio.
- [Personalizacja: nauczenie modelu konkretnej osoby, rzeczy lub stylu (Personalisation: teaching a model a specific subject or style)](https://aiatlasgraph.com/t/subjectpersonalization.md): Teaching a pretrained image model a new person, object or style from a few photos so it can be invoked with a special word in prompts. Methods: full fine-tuning (DreamBooth), a new word embedding (Textual Inversion), lightweight LoRA weights.
- [Sterowanie kompozycją: poza, kontury, głębia, obraz wzorcowy (Controllable generation: pose, edges, depth, reference image)](https://aiatlasgraph.com/t/controllablegen.md): Guiding generation with signals beyond text: edge maps, depth maps, pose skeletons, segmentation or a reference image. A common approach uses additional adapters or conditioning networks attached to a frozen base model; some conditions can be combined.

## Related topics

Untyped, symmetric "see also" links.

- [Dyfuzja w przestrzeni ukrytej (Stable Diffusion) (Latent diffusion (Stable Diffusion))](https://aiatlasgraph.com/t/latentdiffusion.md)
- [Generatywne modele świata dla agentów i robotów (Generative world models for agents and robotics)](https://aiatlasgraph.com/t/worldfoundation.md)
- [LoRA (Low-rank adaptation)](https://aiatlasgraph.com/t/lora.md)
- [Modele dyfuzyjne (Diffusion models)](https://aiatlasgraph.com/t/diffusion.md)
- [Znaki wodne i pochodzenie treści AI (AI content watermarking and provenance)](https://aiatlasgraph.com/t/contentprovenance.md)

## Sources

- [Hugging Face · Audio Course](<https://huggingface.co/learn/audio-course/en/chapter0/introduction>) `audio` · reference: Dane audio, klasyfikacja, ASR, TTS i modele mowy.
- [Stanford CS231n · Computer Vision (2026)](<https://cs231n.stanford.edu/>) `vision` · reference: Sieci neuronowe i rozumienie obrazów.
- [Stanford CS336 · Language Modeling from Scratch (2025)](<https://cs336.stanford.edu/spring2025/>) `cs336` · reference: Budowa modeli, dane, trening, systemy, inferencja i post-training.
- [Text-to-Image (Hugging Face Tasks)](<https://huggingface.co/tasks/text-to-image>) `hf-task-text-to-image` · by Hugging Face

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/imagegen · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30