Guia para colorizar capítulos de webtoon em massa

Por que a colorização em massa muda tudo para editores

Quando começamos a colorizar capítulos de webtoon para publicação, a primeira coisa que aprendemos foi que ferramentas de colorização de imagem única são essencialmente inúteis para trabalho de produção. Um capítulo típico de webtoon tem de 40 a 80 páginas. Colorizá-las uma por uma — mesmo com uma ferramenta de IA rápida — produz cores inconsistentes em cada página. O cabelo de um personagem pode ser castanho-avermelhado na página 12 e castanho-escuro na 13. Os fundos mudam de tom entre painéis. O resultado parece colorido por um artista diferente em cada página.

A colorização em massa não é apenas questão de velocidade. Trata-se de tratar um capítulo inteiro como uma única unidade de trabalho, da mesma forma que um artista faria. Quando um colorista humano trabalha em um capítulo, ele estabelece uma paleta na primeira página e a mantém. Ele vê as transições de cena e preserva o clima. Ele não esquece de que cor eram as paredes três páginas atrás. Qualquer ferramenta de colorização de nível de produção precisa replicar essa continuidade, e isso só é possível quando a ferramenta processa o capítulo completo de uma vez.

Essa é a razão principal pela qual construímos o Watashi Colorizer como um pipeline em massa desde o início. Não como uma ferramenta de imagem única com modo em lote adicionado depois, mas como um sistema projetado desde a base para entender capítulos como sequências conectadas de arte.

O desafio de engenharia: consistência de cor entre páginas

O problema mais difícil na colorização em massa não é a velocidade de processamento — é a consistência. Modelos de IA processam imagens em lotes de tamanho fixo, e quaisquer dois lotes produzirão interpretações de cor ligeiramente diferentes do mesmo conteúdo. Se uma cena começa no final da página 30 e continua no início da 31, e essas duas páginas caem em lotes diferentes, você obtém uma costura de cor visível bem no meio da ação.

Nossa solução foi a divisão em imagens virtuais. Em vez de enviar páginas inteiras para a IA, escaneamos cada página em busca de divisores de painéis pretos — as faixas horizontais completamente pretas que separam cenas no formato webtoon. Dividimos as páginas em faixas de arte individuais nesses divisores, e depois reagrupamos as faixas por continuidade de cena através dos limites de página. O final da página 30 e o início da página 31 acabam no mesmo lote de IA, para que o modelo os veja e colorize juntos.

Isso exigiu meses de ajuste. A detecção de divisores precisa distinguir separadores de painéis completamente pretos de conteúdo artístico escuro como sombras, cabelo e cenas noturnas. Escaneamos cada linha de cada imagem, classificando pixels com um limiar RGB de 15 — só conta o que é quase completamente preto. Qualquer coisa com textura visível, mesmo valores de escala de cinza sutis de 10-30 por canal, é reconhecida como arte e deixada intacta.

De imagens individuais a capítulos completos: construindo o pipeline

O pipeline completo funciona em quatro etapas. Primeiro, cada imagem enviada é escaneada e dividida em imagens virtuais nos vazios pretos detectados. Segundo, essas imagens virtuais são agrupadas em lotes baseados na continuidade de cena, respeitando uma proporção máxima para que a IA receba resolução suficiente. Terceiro, cada lote é montado em uma única imagem alta, enviado à IA, e o resultado colorizado é cortado de volta. Quarto, todas as faixas colorizadas são compostas de volta em seus canvas originais nas dimensões originais exatas.

A etapa de agrupamento é onde reside a maior complexidade. Avaliamos cada limite entre imagens virtuais adjacentes escaneando linhas completamente pretas — não calculando a média de escuridão dos pixels, mas contando linhas onde 95% ou mais dos pixels são completamente pretos. Se um limite recebe pontuação alta, é um lugar seguro para dividir lotes. Se recebe pontuação baixa, há arte cruzando o limite e mantemos essas imagens juntas. Essa avaliação baseada em linhas captura detalhes que a média de pixels perde, como uma única linha de diálogo sobre fundo preto.

Requisitos de produção que moldaram nossa abordagem

Vários requisitos de produção conduziram as decisões arquiteturais. A saída deve ter exatamente as dimensões originais — editores precisam de arquivos que se integrem diretamente em fluxos de trabalho existentes como substituições diretas. As cores dos personagens devem ser controláveis no nível hexadecimal, porque editores têm guias de estilo estabelecidos. A ferramenta deve lidar com formatos de mangá, manhwa, manhua e webtoon sem configuração manual, porque uma equipe de produção não deveria precisar ajustar configurações por série.

Também aprendemos que a compressão importa em escala. Uma única página PNG de 2000×8000 pixels pode ter mais de 10MB. Multiplique por 60 páginas e você está movendo 600MB pelo pipeline para um único capítulo. A auto-compressão na ingestão — recodificar PNGs superdimensionados como JPEG q92 sem alterar as dimensões — reduz isso para menos de 100MB preservando toda a qualidade visual por pixel.

Esses não são recursos em que você pensa ao colorizar uma única imagem de teste. São os requisitos que surgem depois do seu centésimo capítulo, quando a eficiência do pipeline e a consistência da saída se tornam a diferença entre uma ferramenta útil e um brinquedo.

O que aprendemos publicando capítulos colorizados

Depois de colorizar milhares de páginas em dezenas de séries, a lição mais importante é que consistência supera qualidade máxima. Um capítulo onde cada página é boa é muito mais publicável do que um onde cinco páginas são impressionantes e o resto é visivelmente diferente. Paletas de personagens, aprendizado de contexto e agrupamento por cena servem a um único objetivo: fazer o capítulo inteiro parecer colorido por um mesmo artista.

A segunda lição é que a edição não é opcional. Não importa quão boa a IA se torne, alguns painéis precisam de ajuste manual. A cor dos olhos de um personagem pode desviar. O clima de um fundo pode não combinar com o roteiro. Nosso modo de edição permite dar instruções em linguagem natural para corrigir painéis específicos sem reprocessar o capítulo inteiro, porque em produção, a capacidade de fazer correções direcionadas é tão importante quanto a qualidade inicial da colorização.