Stable Diffusion WebUI从入门到精通——提示词篇

AI绘画小33 2024-07-31 15:33:01 阅读 69

前言

===

第六部分:提示词(Prompt)基本概念

在使用 AI 生成图像或进行自然语言处理任务时,提示词(prompts)是关键的工具。通过正确使用提示词,用户可以引导模型生成所需的内容。本部分将介绍提示词的基本概念、语法以及不同类型提示词的标准化方法。

6.1 提示词的概念和基本逻辑

什么是提示词?

提示词是指引导 AI 模型生成特定内容的输入文本。它可以是一句话、一段话,甚至是一系列关键词,提供给模型用以理解用户的意图,从而生成相应的输出。

提示词的基本逻辑

提示词的基本逻辑在于为模型提供上下文和方向,使其能够理解用户的需求并生成相关内容。通过提供详细且明确的提示词,用户可以更好地控制生成结果的质量和准确性。

示例(图):

正向提示词:

masterpiece, best quality, ultra-detailed, illustration, 1girl, solo, outdoors, camping, night, mountains, nature, stars, moon, tent, twin ponytails, green eyes, cheerful, happy, backpack, sleeping bag, camping stove, water bottle, mountain boots, gloves, sweater, hat, flashlight, forest, rocks, river, wood, smoke, shadows, contrast, clear sky, constellations, Milky Way, peaceful, serene, quiet, tranquil, remote, secluded, adventurous, exploration, escape, independence, survival, resourcefulness, challenge, perseverance, stamina, endurance, observation, intuition, adaptability, creativity, imagination, artistry, inspiration, beauty, awe, wonder, gratitude, appreciation, relaxation, enjoyment, rejuvenation, mindfulness, awareness, connection, harmony, balance, texture, detail, realism, depth, perspective, composition, color, light, shadow, reflection, refraction, tone, contrast, foreground, middle ground, background, naturalistic, figurative, representational, impressionistic, expressionistic, abstract, innovative, experimental, unique

反向提示词:

(worst quality, low quality:1.4), (realistic, lip, nose, tooth, rouge, lipstick, eyeshadow:1.0), (dusty sunbeams:1.0),, (abs, muscular, rib:1.0), (depth of field, bokeh, blurry:1.4), (greyscale, monochrome:1.0), text, title, logo, signature,watermark,

不同的提示词分别向AI描述了画面的风格、人物的外貌、服饰的特征、场景的内容以及一些额外的修饰元素。

第七部分:提示词的分类和输入

7.1 提示词语法

提示词的语法涉及如何输入提示词以及如何组织提示词之间的关系。合理的语法可以显著提高生成效果。

输入正向提示

简单输入: 使用自然语言输入简单描述。

例如:“夕阳下的湖边,一座古老的城堡。”

An ancient castle by the lake at sunset

分段输入: 使用标点符号或关键词分段输入,强调重点部分。

例如:“夕阳下的湖边;一座古老的城堡;背景有山脉。”

sunset,lakeside,(old castle:1.1),Mountains in the background

整理和输出教程属实不易,觉得这篇教程对你有所帮助的话,可以点击👇二维码领取资料😘

在这里插入图片描述

间隔与连接

使用英文半角逗号: 逗号用于连接相同类型的描述,适用于列举多个特征。

例如:“一只金色猎犬, 草地, 阳光, 蓝天。”

a golden retriever, meadow, sunshine, blue sky

使用分号: 分号用于分隔不同类型的描述,适用于强调各部分的重要性。

例如:“一只金色猎犬;阳光明媚;蓝天白云。”

A golden retriever; sunny day; blue sky and white clouds

使用换行: 在一些高级输入中,可以使用换行分隔各段描述,使模型更清晰地理解结构。

例如:

a golden retriever``running on grass``sun exposure

7.2 内容型提示词与标准化提示词

内容型提示词

内容型提示词指的是具体描述生成内容的提示词。它们通常包含详细的情节、背景和特征,直接引导模型生成特定内容。

示例

“一个穿着红色连衣裙的小女孩,站在繁花似锦的花园中。”

A little girl in a red dress stands in a flowery garden

“一辆老式汽车停在雨后的街道上,街灯昏暗。”

An old car parked on the street after the rain with dim street lights

以下是我收集的一些具体描述的提示词,大家可以参考:

人物主体:

衣着:black suit,red gown,casual jeans and t-shirt,blue overalls``面部:large blue eyes, small nose, full lips, sharp jawline, thin eyebrows``发型:long hair, brown hair, straight black hair, bangs``表情:smiling, frowning, surprised, thoughtful, laughing``动作:sitting cross-legged, running, jumping, waving

场景位置:

位置:indoor, outdoor, inside a cozy room, outside in a park``地点:beach, mountain, garden, forest, city, street, library, office, cafe``细节:bench, lamp post, fountain, birds, butterflies, leaves, bookshelves, desk, chair

自然环境:

时间:day, night, midday, dusk``时段:morning, afternoon, twilight, sunset``环境:sunlight, soft light, harsh shadows, bright, dark, warm glow, cool tones``天空:blue sky, starry sky, cloudy sky, sunset sky, overcast, clear sky

其他内容:

背景元素:modern buildings, ancient ruins, flowing river, serene lake, bustling marketplace, quiet alley``天气条件:sunny, rainy, snowy, foggy, windy, stormy``情感氛围:joyful, melancholic, mysterious, peaceful, energetic, relaxed``颜色基调:vibrant colors, muted tones, pastel shades, monochromatic, bright and cheerful, dark and moody``文化元素:traditional clothing, modern attire, cultural landmarks, iconic architecture, festivals, celebrations

画面视角

距离:medium shot, close-up, distant, extreme close-up``人物:full body, upper body, headshot, three-quarter body``视角:from above, from below, view of back, side view, front view``镜头:wide angle, narrow angle, fisheye lens, telephoto lens, Canon EOS 5D Mark IV, Sony A7 lll

标准化提示词

标准化提示词是用于控制图像整体质量和风格的提示词。它们可以帮助我们确保生成的图像具有一致的画质和艺术风格。

示例

通用高画质:best quality,ultra-detailed,masterpiece,hires,8k``二次元高画质:(masterpiece:1.2), best quality,masterpiece, highres, original, extremely detailed wallpaper, perfect lighting,(extremely detailed CG: 1.2),drawing, paintbrush,``特定高分辨率:extremely detailed CG unity 8k wallpaper,unreal engine rendered``高品质标准化:{ {masterpiece}}, {best quality},{highres}, original, reflection, unreal engine, body shadow,artstationextremely detailed CG unity 8k wallpaper``画风标准化:(illustration),(painting),(sketch), anime coloring, fantasy,

7.3 结合内容型提示词和标准化提示词

通过将内容型提示词和标准化提示词结合使用,我们可以更全面地引导 AI 模型生成高质量图像。以下是一些示例:

示例

内容型提示词:

A smiling woman with blonde, long hair, wearing a white dress, stretching her arms in a sunny forest with a blue sky.

标准化提示词:

best quality,ultra-detailed,masterpiece,hires,8k,(masterpiece:1.2),best quality,masterpiece,highres,original,extremely detailed wallpaper,perfect lighting,

我们把他们结合在一起输入Stable Diffusion的正向提示词中。

第八部分:提示词权重和反向提示词

8.1 提示词权重

在使用 AI 模型生成图像时,提示词的权重和组合使用方法可以显著影响生成结果的质量和精确度。通过调整权重和使用特定的符号,可以更好地控制提示词的影响力,从而生成符合预期的高质量图像。以下是关于这些提示词及其作用的详细说明。

1. 圆括号 ( ) 的使用

基本作用

每加一层圆括号,权重变为原来的 1.1 倍。这意味着模型将更加关注被括号括起的提示词,使其在生成结果中更加突出。

示例

无权重提示词:

blue shoes

增加一层圆括号:

(blue shoes)

增加两层圆括号:

((blue shoes))

在这些示例中,“blue shoes” 的权重依次增加,使模型更关注“blue shoes”这个特征。

2. 圆括号加数字权重 (:x.x)

基本作用

使用圆括号加数字,可以直接定义提示词的权重倍数,从而更精确地控制其影响力。

示例

定义权重 1.2 倍:

(blue shoes:1.2)

定义权重 1.5 倍:

(blue shoes:1.5)

在这些示例中,“blue shoes” 的权重被明确设定为 1.2 倍或 1.5 倍,使其在生成结果中更为显著。

3. 大括号 { } 的使用

基本作用

每加一层大括号,权重变为原来的 1.05 倍。与圆括号类似,但增加幅度较小,适用于细微调整。

示例

无权重提示词:

red flower

增加一层大括号:

{red flower}

增加两层大括号:

{ {red flower}}

在这些示例中,“red flower” 的权重依次增加,使其在生成结果中稍微突出。

4. 中括号 [ ] 的使用

基本作用

每加一层中括号,权重变为原来的 0.9 倍。使用中括号可以减弱提示词的影响力,使其在生成结果中不那么显著。

示例

无权重提示词:

black hair

增加一层中括号:

[black hair]

增加两层中括号:

[[black hair]]

在这些示例中,“black hair” 的权重依次减小,使其在生成结果中不那么突出。

但过大或过小的权重值反而会使图片失真或出现混乱,所以我们需要设置调节一个适当的权重值。

5. 混合提示词

基本作用

混合两个描述同一对象的提示词,将生成包含混合特征的对象。

示例

混合提示词:

white/red flower

在这个示例中,模型将生成红白混合的花。

6. 多特征对象生成

基本作用

连续生成多个不同特征的对象,可以通过中括号实现。

示例

多特征对象:

[white/red/blue] flower,

在这个示例中,模型将生成具有白色、红色和蓝色特征的花。

7. 采样阶段生成特定对象

基本作用

通过在提示词中定义采样进程的阶段,可以控制生成对象的出现时机。

示例

特定阶段生成对象:

(white flower:grass:0.8)

在这个示例中,模型将在采样进程的 80% 前生成白花,80% 后生成草。

8.2 反向提示词(Negative Prompts)

反向提示词是指引导模型避免生成包含特定元素或风格的描述性文本。通过使用反向提示词,可以排除不需要的细节或元素,从而提高生成结果的相关性和精确度。

反向提示词的概念

反向提示词用于告知模型哪些内容不应出现在生成结果中。这在避免生成误导性或不相关的内容时非常有用。

设置反向提示词的方法

在反向提示词(Negative Prompts)输入框内输入。

标准化反向提示

虽然反向提示词可以是没有的,但为了确保生成结果的一致性和高质量,通常会基于标准化的考虑加入一些固定的反向提示词。这些反向提示词帮助排除常见的生成错误或不需要的元素。

常见的固定反向提示词

以下是一些常用的标准化反向提示词,这些提示词可以帮助提高生成结果的质量和一致性:

质量和细节:low quality、blurry、low resolution、pixelated``风格和艺术效果:cartoonish、abstract、unrealistic、sketch``不需要的元素:text、watermark、logo、signature``其他常见问题:distorted、deformed、artifacts、noise

示例

这是一组生成人物的标准化反向提示词:

NSFW, (worst quality:2), (low quality:2), (normal quality:2), lowres,normal quality,((monochrome)), ((grayscale)), skin spots, acnes,skin blemishes, age spot, (ugly:1.331), (duplicate:1.331),(morbid:1.21),(mutilated:1.21), (tranny:1.331), mutated hands,(poorly drawn hands:1.5), blurry, (bad anatomy:1.21), (badproportions:1.331), extra limbs, (disfigured:1.331), (missingarms:1.331),(extra legs:1.331), (fused fingers:1.61051),(too many fingers:1.61051), (unclear eyes:1.331), lowers, bad hands,missing fingers, extra digit,bad hands, missing fingers, (((extraarms and legs)))

第九部分:WebUI的参数设置

在使用 Stable Diffusion WebUI 生成图像时,理解并合理设置各项参数是确保生成结果符合预期的关键。以下是对各个参数的详细解释及其设置方法。

9.1 参数设置界面介绍

采样方法 (Sampler)

在使用 Stable Diffusion WebUI 生成图像时,选择适当的采样方法 (Sampler) 可以显著影响生成结果的质量和特性。不同的采样方法有各自的优缺点,适用于不同的场景和需求。以下是常见采样方法的详细说明:

DPM++ 系列(改进算法)

DPM++ 2M

描述:一种高效的采样方法,适用于大多数生成任务。

特点:平衡生成速度和图像质量,适用范围广泛。

DPM++ SDE

描述:扩展的随机微分方程 (SDE) 版本。

特点:适用于需要高精度和细节的生成任务。

DPM++ 2M SDE

描述:结合 2M 和 SDE 优势的版本。

特点:提供更高的细节和稳定性。

DPM++ 2M SDE Heun

描述:使用 Heun 方法改进的 2M SDE 版本。

特点:在保留细节的同时,提升生成的稳定性。

DPM++ 2S a

描述:2 阶的改进版本,适用于需要高精度的场景。

特点:在高精度生成任务中表现优异。

DPM++ 3M SDE

描述:3 阶的 SDE 版本。

特点:提供最好的细节和精度,适用于复杂的生成任务。

其他采样方法

Euler a(适合插画风格)

描述:经典的欧拉方法。

特点:简单且快速,适用于初步测试和快速生成。

Euler(适合插画风格)****

描述:标准欧拉方法。

特点:生成速度快,适用于简单场景。

LMS

描述:LMS (Laplacian Pyramid Sampling) 方法。

特点:在保持细节的同时,提供平滑的图像过渡。

Heun

描述:Heun 方法,改进的欧拉方法。

特点:在生成速度和图像质量之间找到良好平衡。

DPM2

描述:Denoising Diffusion Probabilistic Model 的标准版本。

特点:适用于大多数生成任务,提供高质量图像。

DPM2 a

描述:改进的 DPM2 版本。

特点:在保留细节和生成速度之间找到平衡。

DPM fast

描述:优化的快速 DPM 方法。

特点:显著提升生成速度,适用于快速生成需求。

DPM adaptive

描述:自适应的 DPM 方法。

特点:根据生成过程动态调整参数,提升生成效果。

Restart

描述:基于重新启动技术的采样方法。

特点:通过多次重新启动提高生成稳定性。

DDIM

描述:Denoising Diffusion Implicit Models。

特点:在速度和质量之间找到良好平衡,适用于大多数生成任务。

PLMS

描述:Piecewise Linear Multistep。

特点:提供平滑的过渡效果,适用于需要细腻过渡的场景。

UniPC

描述:通用预测校正采样方法。

特点:在多种场景下提供一致的生成效果。

LCM

描述:Latent Constraint Model。

特点:结合约束条件生成特定特征的图像。

通过理解和选择适当的采样方法,可以根据具体需求生成高质量的图像。建议根据实际任务和预期效果尝试不同的采样方法,以找到最合适的选项。

Schedule type

在使用 Stable Diffusion WebUI 生成图像时,Schedule Type(调度类型)用于控制采样过程中各步长的调度方式。选择合适的 Schedule Type 可以进一步优化生成过程和结果。以下是常见调度类型的详细说明:

自动 (Automatic)

描述:系统自动选择最优的调度类型。

特点:适用于大多数情况,系统根据实际情况调整以优化结果。

Uniform

描述:统一调度。

特点:在整个采样过程中使用统一的步长,适用于需要稳定一致生成过程的场景。

Karras

描述:使用 Karras 方法进行调度。

特点:优化了噪声调度过程,适用于需要高质量细节的图像生成。

Exponential

描述:指数调度。

特点:步长随着采样过程呈指数变化,适用于需要较大动态范围的生成过程。

Polyexponential

描述:多项式指数调度。

特点:结合了多项式和指数调度的优点,提供更灵活的调度方式,适用于复杂的生成任务。

SGM Uniform

描述:使用 SGM 方法的统一调度。

特点:结合 SGM 方法和统一步长调度,适用于需要平衡速度和质量的生成任务。


尽管在过去的版本中 Schedule Type 和 Sampler 是捆绑在一起的,但在当前版本中用户可以独立选择调度类型,从而更加灵活地优化生成过程和结果。很多模型说明中都会提示如何使用采样方法调度类型****的组合使用,我们完全可以按照模型说明书上的要求来选择。

示例组合使用

**采样方法 (Sampler):DPM++ 2M,**调度类型 (Schedule Type):Automatic

描述:系统自动选择最优调度方式,适用于大多数场景。

适用场景:初次使用或不确定具体需求时。

**采样方法 (Sampler):Euler a,**调度类型 (Schedule Type):Karras

描述:使用 Karras 方法优化噪声调度,适用于高质量图像生成。

适用场景:需要生成高细节图像时。

采样方法 (Sampler):DDIM,调度类型 (Schedule Type):Exponential

描述:步长随采样过程呈指数变化,适用于动态范围较大的生成任务。

适用场景:需要生成具有丰富动态范围的图像时。

采样方法 (Sampler):PLMS,调度类型 (Schedule Type):Polyexponential

描述:结合多项式和指数调度的优点,适用于复杂生成任务。

适用场景:生成复杂场景或需要灵活调度的任务。

通过结合使用采样方法和调度类型,可以进一步优化图像生成的过程和结果。根据具体的任务需求选择合适的组合,可以显著提高生成效率和图像质量。

迭代步数 (Steps)

理论上来说,控制生成图像的迭代次数,步数越多,生成的图像细节越丰富,但生成时间也越长。但实际上,当采样步数高于20后,整个画面质量的提升并不明显。

建议值:10-40 步,根据实际需求调整。

高分辨率修复 (Hires. fix)

启用/禁用: 启用高分辨率修复,可以生成更高质量的图像。

Refiner: 进一步优化高分辨率修复效果。

宽度和高度 (Width & Height)

设置生成图像的分辨率。宽度和高度的值应符合所需的图像尺寸。

分辨率设置越高,生成的图像细节越多,但对显卡性能(显存)的要求也越高,并且出图的速度会变慢。如果你选择了超过你显卡能承受的分辨率极限,生图时候会报错。默认分辨率是512x512 像素。

即使你显卡性能(显存)足够强大,也不是分辨率设置的越高越好,过高的分辨率会导致图片内容中生成多余的内容,比如多人、多手、多脚。(这是因为大部分模型在训练时候的图库分辨率普遍不会过高,所以过高分辨率的设置会让AI误以为你是需要拼接多张图片)

如果你需要生成高分辨率的图片,可以采用正常分辨率来成图后用高分辨率修复(Hires.fix)功能来进行放大。

提示词引导系数 (CFG Scale)

控制提示词对生成图像的引导程度。值越大,模型越倾向于严格遵循提示词,但过高的值可能导致图像失真。

建议值:7-12,根据提示词的复杂程度调整。

随机数种子 (Seed)

设置生成图像的随机数种子,使用相同的种子可以生成相同的图像。-1则每次生成不同的图像。

可以手动输入特定的种子值,或点击骰子图标随机生成一个种子值,点击绿色的按钮则显示上一次成图结果的种子值。

批次设置 (Batch)

总批次数 (Total Batch Count): 设置生成图像的总批次数量。(你可以让电脑连续循环生成图片。)

单批数量 (Batch Size): 设置每批次生成的图像数量。(每次生成图像数量越高,对显卡性能显存的要求越高。)

其他高级选项

ADetailer: 启用细节优化器,进一步提升图像细节,也就是老版本中的_面部修复_。这是一个重要的功能,之后我们会出专门一期教程重点讲一下。

Tiled Diffusion: 启用瓦片扩散模式,用于大分辨率图像生成。

DemoFusion: 启用 DemoFusion 功能,提升生成效果。

Tiled VAE: 启用瓦片 VAE 模式,优化大分辨率图像的生成质量。

Dynamic Thresholding (CFG Scale Fix): 动态调整 CFG Scale 参数,提高生成的稳定性。

ControlNet: 启用 ControlNet 功能,用于更精确的控制和优化。

LoRA Block Weight: 设置 LoRA 模型的权重,调整生成风格。

Segment Anything: 启用 Segment Anything 功能,用于图像分割。

实例设置

示例 1:生成高分辨率的自然风景图

采样方法 (Sampler): DPM++ 2M

迭代步数 (Steps): 31

高分辨率修复 (Hires. fix): 启用,

宽度和高度 (Width & Height): 832x1216

提示词引导系数 (CFG Scale): 1.3

随机数种子 (Seed): 1951118719

总批次数 (Total Batch Count): 1

单批数量 (Batch Size): 1

启用细节优化器 (ADetailer): 启用

指数调度(Schedule type):Automatic

![](https://img-blog.csdnimg.cn/img_convert/ccceccb599755bd27a539eae5c73c942.jpeg)

示例 2:生成多样化的人物肖像

采样方法 (Sampler): DPM++ 2M

迭代步数 (Steps): 40

高分辨率修复 (Hires. fix): 禁用

宽度和高度 (Width & Height): 832x1216

提示词引导系数 (CFG Scale): 3.5

随机数种子 (Seed): 539398002

总批次数 (Total Batch Count): 1

单批数量 (Batch Size): 1

启用细节优化器 (ADetailer): 启用

指数调度(Schedule type):Automatic

第十部分:写提示词的捷径

生成高质量图像时,编写有效的提示词是至关重要的一步。以下是三种常见的写提示词的方法:翻译法、工具法和抄作业。通过这些方法,用户可以编写出更准确和详细的提示词,从而提升图像生成的效果。

10.1 捷径一:翻译法

方法概述

翻译法是将自然语言的描述转换成AI模型能够理解的提示词。这个方法适合初学者,因为它不需要特别的技术背景,只需要将想要表达的内容用简洁明了的语言描述出来。

操作步骤

描述图像内容:用自然语言详细描述你想要生成的图像。

示例:“一个穿着白色连衣裙的金发女孩,站在阳光明媚的花园里,微笑着伸展双臂。”

提取关键要素:从描述中提取出关键要素,并转换成简洁的提示词。

示例:

blonde girl, white dress, standing in a sunny garden, smiling, stretching arms

优化提示词:根据具体需求进一步优化提示词,加入更多细节或调整顺序。

示例:

blonde girl in a white dress, standing in a sunny garden with flowers, smiling, arms outstretched

示例

自然语言描述:“一个美丽的湖泊,周围环绕着茂密的森林,天空中有几朵白云。”

转化为提示词:

beautiful lake, surrounded by dense forest, few white clouds in the sky我们

我们安装的WebUI版本中也自带了翻译功能,我们完全可以直接输入中文,然后选择我们需要的单词或词组。

10.2 捷径二:工具法

方法概述

工具法是使用在线工具或平台来生成和优化提示词。这些工具可以帮助用户快速生成符合标准的提示词,并提供一些建议和模板。

操作步骤

选择工具:选择一个适合的在线工具或平台,例如 Prompt Generator、promptomania、Atoolbox、dawnmark等。

输入基本描述:在工具中输入你对图像的基本描述。

示例:在 Prompt Generator 中输入 “a girl in a dress” 作为基本描述。

生成提示词:使用工具生成提示词,并根据需要进行修改和优化。

示例:工具生成的提示词可能是:

a girl in a flowing white dress, standing in a field of flowers, with a bright blue sky above

应用提示词:将生成的提示词应用到图像生成过程中,并根据生成结果进行微调。

10.3 捷径二:抄袭法

方法概述

抄袭法是参考现有的提示词样本,借鉴其他用户生成的优秀提示词,结合自己的需求进行修改和优化。这种方法可以快速提高提示词的质量,适合需要快速上手的用户。

操作步骤

查找样本:在社区、论坛或提示词库中查找相关的提示词样本。

示例:在CIVITAI、Openart、Arthub等网站上找到模型或者照片,直接Copy对应图像上的参数和提示词信息,加以借鉴。甚至也可以直接将图片下载下来,然后倒入到你的WebUI中的PNG图片信息板块中,所有的提示词信息和生成参数都尽收眼底。

分析样本:分析样本提示词的结构和内容,了解哪些元素和描述对生成高质量图像有效,筛选出对自己有用的提示词。

示例:找到一个样本提示词:

a serene landscape with a calm lake, surrounded by mountains and forests, with a clear blue sky

修改和优化:根据自己的需求,修改和优化样本提示词,确保描述符合自己的生成目标。

示例:如果你的目标是生成一个有日出场景的图像,可以修改为:

a serene landscape with a calm lake, surrounded by mountains and forests, with a sunrise sky

无论是内容部分的提示词还是标准化部分的提示词,只要是对你有用的提示词,可以都抄下来。

提示词

Stable Diffusion 最强提示词手册

Stable Diffusion介绍OpenArt介绍提示词(Prompt) 工程介绍

在这里插入图片描述

第一章、提示词格式

提问引导示例单词的顺序

在这里插入图片描述

有需要的朋友,可以点击下方卡片免费领取!

第二章、修饰词(Modifiers)

Photography/摄影Art Mediums/艺术媒介Artists/艺术家Illustration/插图Emotions/情感Aesthetics/美学

在这里插入图片描述

在这里插入图片描述

第三章、 Magic words(咒语)

Highly detailed/高细节Professional/专业Vivid Colors/鲜艳的颜色Bokeh/背景虚化Sketch vs Painting/素描 vs 绘画

在这里插入图片描述

第四章、Stable Diffusion参数

Resolution/分辨率CFC/提词相关性Step count/步数Seed/种子Sampler/采样反向提示词(Prompt)

在这里插入图片描述

第5章 img2img(图生图),in/outpainting(扩展/重绘)

将草图转化为专业艺术作品风格转换lmg2lmg 变体Img2lmg+多个AI问题lmg2lmg 低强度变体重绘扩展/裁剪

第6章 重要提示

词语的顺序和词语本身一样重要不要忘记常规工具反向提示词(Prompt)

第7章 OpenArt展示

提示词 (Prompt)案例展示

篇幅有限,这里就不一一展示了,有需要的朋友可以点击下方的卡片进行领取!

在这里插入图片描述



声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。