AI图像生成技巧：从入门到精通
使用Midjourney、DALL-E和Stable Diffusion等AI工具创建精美图像的实用技巧。
扩散模型为什么会这样表现
如今所有主流图像生成器都是扩散模型。它从纯噪声开始，逐步去除噪声，并在每一步把结果引向与提示词匹配的图像。提示词被拆分为词元（token），这些词元对去噪过程施加条件约束。由此可以得出三个实用结论。
第一，位置很重要。大多数系统给靠前的词元更大的影响力，而过长的提示词会被稀释或截断。把主体放在最前，风格紧随其后，细节描述放到末尾。
第二，模型再现的是统计模式，而不是规则。手之所以出了名地难，是因为训练照片中的手以数千种姿势出现，或被遮挡，或握着物体；模型学到的是一个模糊的平均值，而不是"五根手指"的规则。可读文字很难，是因为字母被当作形状而非符号来学习。数数会失败，是因为架构中没有任何真正在计数的机制：要三个苹果，往往会得到两个或四个。
第三，概念之间会互相渗透。在"金毛寻回犬旁边的黄金王冠"中，"黄金"一词常常把狗也染上金色。形容词会松散地附着到附近的名词上，这就是为什么措辞和语序远比新手预想的更重要。
五层结构的提示词
可靠的提示词描述五件事：主体、风格或媒介、环境、光线与氛围、技术品质。并非每次都需要全部五层，但了解这些层次后，当结果显得平庸时，你就能准确知道该补充什么。
- 改进前："一只猫，美丽，高质量，4k，杰作，惊艳" - 改进后："一只银色虎斑猫蜷缩在阳光照射的窗台上，纪实摄影风格，摆着垂蔓植物的小公寓，柔和的晨光，浅景深，85mm镜头"
第一个提示词除了模型基本会忽略的品质词之外什么也没给。第二个则指定了带属性的主体、媒介、场景、光源，以及模型有强关联的摄影术语。
负面提示词
负面提示词告诉模型该避开什么。Stable Diffusion原生支持，Midjourney使用--no（例如--no text, watermark），而DALL-E 3对写在提示词里的自然语言排除表述反应最好。有用且有针对性的负面词包括"水印""文字""多余的手指""模糊""过饱和"。
不要照搬网上流传的超长负面词清单。每个负面词都会消耗影响力，堆几十个会压平对比度，或让整张图变得平淡。只针对你在自己的输出中实际观察到的问题添加负面词。
色彩与构图词汇
模型对摄影和艺术评论的词汇反应强烈，因为这些词经常出现在构图精良的图像的说明文字中。
- 色彩："蓝色与青色的类似色调色板""橙青互补色""降低饱和度的柔和粉彩""带一点红色点缀的单色调" - 构图："三分法""引导线""留白（负空间）""居中对称构图""鸟瞰视角""荷兰角（倾斜构图）" - 光线："黄金时刻逆光""柔和漫射的阴天光""硬朗的轮廓光""烛光"
再看一个关于氛围的改进前后示例。"黑暗忧郁的森林"很模糊。"黄昏时分茂密的松林，冷蓝色的阴影色调，一盏作为视觉焦点的暖色灯笼，低垂的雾气，树际线上方的留白"则把调色板、焦点和构图都交给了模型。
能够收敛的迭代工作流
盲目重抽是在浪费额度。有纪律的循环收敛得快得多。
- 用中等长度的提示词生成一批四张。 - 诊断其中最好的一张：哪些对了，哪些错了？ - 一次只改一个变量——先是主体细节，然后是光线，再是风格。如果一次改了三处而效果变好，你什么也没学到。 - 对差一点就成功的结果使用变体（variation）工具，而不是从头重写。 - 只在最后放大。过早放大只会把缺陷固定在更高分辨率上。
从业者普遍反映，得到一张满意的成品通常需要五到十次迭代，请据此安排你的额度和耐心。
各平台优势速览
- Midjourney：默认美感和风格化最强；想要开箱即得的美感时首选。 - DALL-E 3：指令遵循和短文字渲染最佳；可通过ChatGPT进行对话式微调。 - Stable Diffusion：控制力最大——用ControlNet控制姿势和布局、LoRA微调、可在本地免费运行。 - Flux：出色的写实感和提示词遵循度，自然的皮肤质感，提供开放权重版本。
授权与商业使用
发布前请阅读条款。Midjourney在付费方案下授予商业使用权，对较大规模的公司有附加条件。DALL-E的输出在OpenAI条款下一般可以商用。Stable Diffusion和Flux取决于具体模型检查点的许可证——有些开放权重模型禁止商用。另外，包括美国在内的多个司法辖区已表明，缺乏实质性人类创作参与的纯AI生成图像可能无法获得版权保护。请保留你的提示词、草稿和编辑记录，以备日后需要证明创作来源。
需要牢记的局限
即使提示词写得完美，以下情况仍要有心理准备：复杂握持姿势的手、可读的成段文字、超过两三个的精确物体数量、"书左边的杯子"这类精确的空间指令，以及在没有专用参考功能时跨图保持角色一致。与其执着于一次完美生成，不如计划在图像编辑器中修复小瑕疵。
常见错误
- 用"8k、杰作、热门"堆砌关键词——现代模型大多会忽略。 - 每次迭代改动多个变量，导致无法判断是什么起了作用。 - 忽视宽高比，最后不得不裁掉自己的构图。 - 照搬会让整张图变闷的超长负面提示词。 - 未核实平台许可条款就进行商业发布。
掌握这个循环——结构化的提示词、每次只改一个变量的迭代、最后才放大——所有平台都会同时变得更容易驾驭。