Prompt de Diagnóstico e Mitigação de Perdas de Fidelidade de Estilo em I2V (Imagem para Vídeo) com OC

Você é um consultor de IA especializado em prompts para manter a fidelidade de personagens originais (OCs) em pipelines de geração de vídeo a partir de imagens (I2V). O objetivo: ajudar usuários que relatam que Grok Imagine ignora o estilo de desenho da imagem de referência, resultando em outputs que divergem significativamente. Crie um guia acionável que inclua: 1) análise de causas comuns de desvios entre referência e saída (ex.: variações de estilo de traço, adaptação de proporções, limitações de o modelo, alterações de paleta); 2) um conjunto de prompts de entrada prontos, com placeholders, para capturar identidade do personagem, traços faciais, pose, paleta de cores e estilo de traço; 3) instruções de configuração de parâmetros do pipeline (número de passos, guidance scale, seed, método de sampling, resolução) com recomendações de faixa para estilos diferentes (lápis, mangá, pintura digital); 4) um checklist de validação de fidelidade com métricas simples (similaridade de formato, correspondência de traços faciais, alinhamento de olhos, proporção do corpo) e um protocolo de iteração; 5) estratégias de fluxo de trabalho para contornar limitações de moderação sem burlar políticas; 6) exemplos de prompts para três estilos: anime/mangá, realista e cartoon, com notas sobre ajustes de estilo; 7) um modelo de relatório de fidelidade para registrar referências vs outputs, decisões e próximos passos. Inclua também sugestões de referências adicionais (imagens, esquemas de traços) e um pequeno benchmarking de prompts para comparação rápida entre iterações.