Como fazer uma imagem de um closet que realmente funcione
A maioria das pessoas tenta gerar uma imagem de um closet usando ferramentas de IA e espera que o resultado saia pronto na primeira tentativa. Isso raramente acontece. O problema não é a ferramenta, é a forma como você descreve o espaço. Closet tem proporções específicas, iluminação interna, profundidade de prateleiras, portinhas que se abrem — coisas que parecem óbvias mas que a maioria dos prompts ignora completamente. Eu comecei a trabalhar com geração de imagens para projetos de interiores há uns cinco anos, mais por necessidade do que por escolha. Num projeto real de cozinha e área de despensa, precisei de uma imagem de um closet para apresentar ao cliente num prazo de 48 horas. O resultado das primeiras rodadas estava completamente fora de escala: as roupas pareciam brinquedos, as prateleiras tinham 1,5 metro de altura cada uma, e o piso refletia luz de dentro de gavetas que não existiam. Passei três horas ajustando prompt, temperatura e seed até algo aceitável sair da tela.
imagem de um closet: o método que eu uso
Em vez de pedir "uma imagem de um closet bonito", eu estruturo o prompt em camadas. Primeiro a geometria: dimensões aproximadas do cômodo, tipo de iluminação (pendentes, fitas LED embutidas, spots), material do piso e das paredes. Depois os elementos funcionais: altura das barras de pendurar, profundidade das prateleiras, presença ou não de gavetas e caixas organizadoras. Por fim o estilo visual: realista, renderizado, fotografia arquitectónica ou ilustrativo. Quanto mais específico você for nesses três eixos, menor a variância nos resultados. Uma coisa que pouca gente considera é a perspectiva. Closet é um espaço estreito e profundo, o que gera linhas de fuga pronunciadas. Se você não especificar o ângulo da câmera no prompt — olho de peixe, perspetiva a olho nu, vista aérea — a IA tende a escolher uma lente muito ampla que distorce as proporções. Eu costumo exigir "lente de 35mm, olho humano" no prompt, e isso já corta uns 60% das tentativas falhadas.
Também é importante controlar a densidade visual. Um closet muito organizado com pouca roupa gera imagens monótonas que parecem renders de vazio. Por outro lado, exagerar nos detalhes faz a IA alucinar objetos que não existem — um relógio na prateleira, um espelho sem estrutura. Eu equilibro colocando cerca de 40% da superfície visível ocupada por elementos, deixando o resto com materiais texturizados como madeira ou tecido.
Por que as imagens de closet falham tanto na prática
O principal problema é que a IA não entende física de mobiliário. Ela sabe que uma "barraca de roupa" existe porque viu milhares de imagens, mas não sabe que uma barra de ferro com 1,8 metro de comprimento precisa de suporte nas pontas. O resultado são vestidos suspensos no ar, como se estivessem colados à prateleira de cima. Eu resolvi isso adicionando ao prompt referências concretas de hardware: "cabides de madeira com ganchos metálicos, barra de aço escovado com parafusos visíveis, suportes de prateleira em L". Detalhes técnicos forçam a rede a ancorar os objetos em estruturas plausíveis. Outro problema crónico é a iluminação interna. Closet não tem janelas, então a luz vem de fontes artificiais embutidas. Quando você não especifica isso, a IA coloca luz natural vindo de algum lado imaginário, e as sombras ficam contraditórias — luz pela esquerda, sombra pela direita, reflexo no teto. Eu sempre incluo "iluminação difusa de fita LED sob prateleiras, sem fontes de luz natural, sombras suaves dirigidas para baixo" e o resultado melhora drasticamente.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Download e ferramentas recomendadas
Para geração rápida, eu uso Stable Diffusion com modelos checkpoint voltados para arquitetura e interiores, como o Realistic Vision ou o DreamShaper, combinados com ControlNet para manter a geometria do espaço. O ControlNet com mapa de profundidade é essencial — você desenha um esboço simples das prateleiras e barras, e o modelo respeita as posições mesmo quando o prompt é ambíguo. Isso elimina uns 80% das alucinações geométricas que acontecem quando se confia só no texto. Se você quer uma opção mais simples e rápida, o Midjourney com parâmetros de aspect ratio bem definidos e referência de imagem de um closet existente funciona razoavelmente bem. O comando de --cref (character reference) pode ser adaptado para referência de estilo de interior, pegando uma foto real de um closet e usando como base visual enquanto o prompt altera os detalhes. O processo leva entre 10 a 20 minutos por lote de quatro variações, contra 45 minutos a uma hora no fluxo com Stable Diffusion e ControlNet.
Eu tenho um script básico em Python que automatiza o loop de geração com Stable Diffusion, variando seed e negative prompt a cada iteração até encontrar uma imagem que atenda aos critérios de qualidade. O script salva as melhores 3 de cada rodada e descarta o resto. Com esse fluxo, consigo obter uma imagem de um closet utilizável em cerca de 15 minutos após a configuração inicial, que leva uns 30 minutos para ajustar os parâmetros da primeira vez.
Quando a imagem de IA não resolve
Existe um cenário em que nenhuma ferramenta de geração vai entregar o resultado certo: quando você precisa de precisão dimensional exata, como para um projeto de marcenaria ou para approval de cliente que vai comparar a imagem com o espaço real. Nesses casos, o fluxo correto é gerar a imagem conceitual primeiro para validar estética e composição, e depois levar as medidas e referências para um software de modelagem 3D como SketchUp ou Blender, onde as proporções são reais. Imagem de um closet gerada por IA serve como referência visual e material de apresentação, não como planta técnica. Também vale notar que o custo de geração em escala pode ser alto se você precisar de muitas variações. Cada teste no Stable Diffusion consome GPU time, e rodar múltiplas iterações com ControlNet ativo dobra ou triplica o tempo. Se o orçamento de computação é limitado, o Midjourney ou o Firefly são alternativas mais baratas, ainda que com menos controle fino sobre a geometria.
O que eu recomendo na maioria dos casos é um fluxo híbrido: uma rodada rápida no Midjourney para explorar ideias visuais, seguida de uma iteração mais controlada no Stable Diffusion com ControlNet para refinar o que funcionou. Assim você economiza tempo nas fases criativas e só gasta esforço computacional quando já sabe o caminho certo.
