Datawhale X 魔搭 AI夏令营第四期-AIGC方向Task2笔记

axingstudy

于 2024-08-14 14:20:00 发布

阅读量611

点赞数 10

分类专栏： AIGC学习笔记文章标签：人工智能 AIGC 笔记 python

本文链接：https://blog.csdn.net/axing0323/article/details/141189949

版权

AIGC学习笔记专栏收录该内容

2 篇文章 0 订阅

订阅专栏

baseline的流程图

Baseline代码

!pip install simple-aesthetics-predictor

!pip install -v -e data-juicer

!pip uninstall pytorch-lightning -y
!pip install peft lightning pandas torchvision

!pip install -e DiffSynth-Studio

from modelscope.msdatasets import MsDataset

ds = MsDataset.load(
    'AI-ModelScope/lowres_anime',
    subset_name='default',
    split='train',
    cache_dir="/mnt/workspace/kolors/data"
)

import json, os
from data_juicer.utils.mm_utils import SpecialTokens
from tqdm import tqdm


os.makedirs("./data/lora_dataset/train", exist_ok=True)
os.makedirs("./data/data-juicer/input", exist_ok=True)
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
    for data_id, data in enumerate(tqdm(ds)):
        image = data["image"].convert("RGB")
        image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg")
        metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]}
        f.write(json.dumps(metadata))
        f.write("\n")

data_juicer_config = """
# global parameters
project_name: 'data-process'
dataset_path: './data/data-juicer/input/metadata.jsonl'  # path to your dataset directory or file
np: 4  # number of subprocess to process your dataset

text_keys: 'text'
image_key: 'image'
image_special_token: '<__dj__image>'

export_path: './data/data-juicer/output/result.jsonl'

# process schedule
# a list of several process operators with their arguments
process:
    - image_shape_filter:
        min_width: 1024
        min_height: 1024
        any_or_all: any
    - image_aspect_ratio_filter:
        min_ratio: 0.5
        max_ratio: 2.0
        any_or_all: any
"""
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
    file.write(data_juicer_config.strip())

!dj-process --config data/data-juicer/data_juicer_config.yaml

import pandas as pd
import os, json
from PIL import Image
from tqdm import tqdm


texts, file_names = [], []
os.makedirs("./data/data-juicer/output/images", exist_ok=True)
with open("./data/data-juicer/output/result.jsonl", "r") as f:
    for line in tqdm(f):
        metadata = json.loads(line)
        texts.append(metadata["text"])
        file_names.append(metadata["image"][0])

df = pd.DataFrame({"text": texts, "file_name": file_names})
df.to_csv("./data/data-juicer/output/result.csv", index=False)

df

from transformers import CLIPProcessor, CLIPModel
import torch

model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")

images = [Image.open(img_path) for img_path in df["file_name"]]
inputs = processor(text=df["text"].tolist(), images=images, return_tensors="pt", padding=True)

outputs = model(**inputs)
logits_per_image = outputs.logits_per_image  # this is the image-text similarity score
probs = logits_per_image.softmax(dim=1)  # we can take the softmax to get the probabilities

probs

from torch.utils.data import Dataset, DataLoader

class CustomDataset(Dataset):
    def __init__(self, df, processor):
        self.texts = df["text"].tolist()
        self.images = [Image.open(img_path) for img_path in df["file_name"]]
        self.processor = processor

    def __len__(self):
        return len(self.texts)

    def __getitem__(self, idx):
        inputs = self.processor(text=self.texts[idx], images=self.images[idx], return_tensors="pt", padding=True)
        return inputs

dataset = CustomDataset(df, processor)
dataloader = DataLoader(dataset, batch_size=8)

for batch in dataloader:
    outputs = model(**batch)
    logits_per_image = outputs.logits_per_image
    probs = logits_per_image.softmax(dim=1)
    print(probs)

import torch
from diffusers import StableDiffusionPipeline

torch.manual_seed(1)
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v-1-4", torch_dtype=torch.float16)
pipe = pipe.to("cuda")

prompt = "二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒"
negative_prompt = "丑陋、变形、嘈杂、模糊、低对比度"
guidance_scale = 4
num_inference_steps = 50

image = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    guidance_scale=guidance_scale,
    num_inference_steps=num_inference_steps,
    height=1024,
    width=1024,
).images[0]

image.save("example_image.png")
image

from PIL import Image

torch.manual_seed(1)
image = pipe(
    prompt="二次元，日系动漫，演唱会的观众席，人山人海，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，舞台上衣着华丽的歌星们在唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("1.jpg")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("2.jpg")

torch.manual_seed(2)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("3.jpg")

torch.manual_seed(5)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙，对着流星许愿，闭着眼睛，十指交叉，侧面",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，扭曲的手指，多余的手指",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("4.jpg")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，一个紫色中等长度头发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("5.jpg")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("6.jpg")

torch.manual_seed(7)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色连衣裙，试衣间，心情忐忑",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("7.jpg")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色礼服，连衣裙，在台上唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("8.jpg")

import numpy as np
from PIL import Image


images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]
image = np.concatenate([
    np.concatenate(images[0:2], axis=1),
    np.concatenate(images[2:4], axis=1),
    np.concatenate(images[4:6], axis=1),
    np.concatenate(images[6:8], axis=1),
], axis=0)
image = Image.fromarray(image).resize((1024, 2048))
image

主体框架工作流

环境准备和依赖安装：
- 使用pip命令安装所需的Python库，包括simple-aesthetics-predictor、data-juicer、pytorch-lightning、peft、lightning、pandas、torchvision和DiffSynth-Studio。
数据集加载：
- 从modelscope.msdatasets加载名为AI-ModelScope/lowres_anime的数据集，并指定子集和分割类型。
数据预处理：
- 创建保存图片和元数据的目录。
- 遍历数据集，将图片保存为JPEG格式，并生成包含文本和图片路径的元数据文件。
配置数据处理：
- 定义data_juicer的配置文件，包括项目名称、数据集路径、进程数、文本和图片键、特殊标记以及导出路径。
- 写入配置文件并使用dj-process命令行工具处理数据。
数据处理结果分析：
- 读取处理后的数据，提取文本和文件名，并将它们保存到CSV文件中。
模型加载和推理：
- 加载CLIP模型和处理器，对图片和文本进行编码，获取图像-文本相似度得分。
自定义数据集和数据加载器：
- 定义自定义数据集类CustomDataset，用于封装处理后的图片和文本数据。
- 创建数据加载器DataLoader，用于批量加载数据。
模型训练/推理循环：
- 遍历数据加载器中的批次，进行模型推理，获取每个批次的图像-文本相似度得分。
生成图像：
- 使用Stable Diffusion模型根据给定的提示生成图像，并保存到文件。
图像拼接：

将生成的多张图像拼接成一张长图，并调整大小。

逐行代码解释

安装所需的Python包

!pip install simple-aesthetics-predictor
!pip install -v -e data-juicer
!pip uninstall pytorch-lightning -y
!pip install peft lightning pandas torchvision
!pip install -e DiffSynth-Studio

simple-aesthetics-predictor：安装一个简单的美学预测器。
data-juicer：安装数据处理工具包，使用可编辑模式安装（-e）。
卸载已有的pytorch-lightning版本。
安装peft（参数高效微调）、lightning（新的PyTorch Lightning库）、pandas（数据处理）和torchvision（计算机视觉工具包）。
安装DiffSynth-Studio，DiffSynth-Studio是一个开源的扩散引擎，专为实现图片和视频的风格转换而设计。

加载数据集

from modelscope.msdatasets import MsDataset

ds = MsDataset.load(
    'AI-ModelScope/lowres_anime',
    subset_name='default',
    split='train',
    cache_dir="/mnt/workspace/kolors/data"
)

从modelscope.msdatasets导入MsDataset类。
使用MsDataset.load方法加载名为'AI-ModelScope/lowres_anime'的数据集，指定使用默认子集（'default'），数据划分为训练集（'train'），并将数据缓存到指定目录。

准备数据处理

import json, os
from data_juicer.utils.mm_utils import SpecialTokens
from tqdm import tqdm

导入必要的库：json（处理JSON数据）、os（文件系统操作）、tqdm（进度条显示）。
从data_juicer的工具模块中导入SpecialTokens（用于处理特殊标记）。

os.makedirs("./data/lora_dataset/train", exist_ok=True)
os.makedirs("./data/data-juicer/input", exist_ok=True)

创建用于存储训练图像和输入元数据的目录，如果目录已存在则不报错。

处理并保存图像和元数据

with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
    for data_id, data in enumerate(tqdm(ds)):
        image = data["image"].convert("RGB")
        image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg")
        metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]}
        f.write(json.dumps(metadata))
        f.write("\n")

打开一个名为metadata.jsonl的文件，用于写入每个图像的元数据。
遍历数据集中的每一条数据：
- 将图像转换为RGB格式。
- 将图像保存到指定目录，文件名为数据的索引。
- 创建元数据字典，包含文本描述"二次元"和图像路径。
- 将元数据以JSON格式写入文件，每条记录占一行。

配置data_juicer

data_juicer_config = """
# global parameters
project_name: 'data-process'
dataset_path: './data/data-juicer/input/metadata.jsonl'  # path to your dataset directory or file
np: 4  # number of subprocess to process your dataset

text_keys: 'text'
image_key: 'image'
image_special_token: '<__dj__image>'

export_path: './data/data-juicer/output/result.jsonl'

# process schedule
# a list of several process operators with their arguments
process:
    - image_shape_filter:
        min_width: 1024
        min_height: 1024
        any_or_all: any
    - image_aspect_ratio_filter:
        min_ratio: 0.5
        max_ratio: 2.0
        any_or_all: any
"""
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
    file.write(data_juicer_config.strip())

定义data_juicer的配置，内容包括：
- 全局参数，如项目名称、数据集路径、并行处理的子进程数量等。
- 指定文本和图像的键，以及特殊的图像标记。
- 输出路径。
- 处理流程，包括图像尺寸过滤（最小宽度和高度为1024）和图像长宽比过滤（比例在0.5到2.0之间）。
将配置写入data_juicer_config.yaml文件。

运行data_juicer处理数据

!dj-process --config data/data-juicer/data_juicer_config.yaml

使用data_juicer的命令行工具，根据配置文件处理数据集。

读取处理后的数据并创建DataFrame

import pandas as pd
import os, json
from PIL import Image
from tqdm import tqdm

texts, file_names = [], []
os.makedirs("./data/data-juicer/output/images", exist_ok=True)
with open("./data/data-juicer/output/result.jsonl", "r") as f:
    for line in tqdm(f):
        metadata = json.loads(line)
        texts.append(metadata["text"])
        file_names.append(metadata["image"][0])

df = pd.DataFrame({"text": texts, "file_name": file_names})
df.to_csv("./data/data-juicer/output/result.csv", index=False)

df

导入必要的库：pandas（数据处理）、os、json、PIL.Image（图像处理）和tqdm。
创建用于存储图像的输出目录。
打开处理后的结果文件result.jsonl，逐行读取：
- 解析每行的JSON数据，提取文本和图像路径，分别存储到列表中。
使用pandas创建一个包含文本和图像文件名的DataFrame。
将DataFrame保存为CSV文件。
显示DataFrame的内容。

使用CLIP模型计算图像和文本的相似度

from transformers import CLIPProcessor, CLIPModel
import torch

model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")

images = [Image.open(img_path) for img_path in df["file_name"]]
inputs = processor(text=df["text"].tolist(), images=images, return_tensors="pt", padding=True)

outputs = model(**inputs)
logits_per_image = outputs.logits_per_image  # this is the image-text similarity score
probs = logits_per_image.softmax(dim=1)  # we can take the softmax to get the probabilities

probs

从transformers库中导入CLIPProcessor和CLIPModel，以及torch。
加载预训练的CLIP模型和处理器。
打开DataFrame中所有的图像文件。
使用处理器将文本和图像进行预处理，返回PyTorch张量，并进行适当的填充。
将预处理后的数据输入模型，获得输出。
提取每个图像与文本的相似度分数（logits_per_image）。
对相似度分数应用softmax，得到概率分布。
显示计算得到的概率。

定义自定义数据集和数据加载器

from torch.utils.data import Dataset, DataLoader

class CustomDataset(Dataset):
    def __init__(self, df, processor):
        self.texts = df["text"].tolist()
        self.images = [Image.open(img_path) for img_path in df["file_name"]]
        self.processor = processor

    def __len__(self):
        return len(self.texts)

    def __getitem__(self, idx):
        inputs = self.processor(text=self.texts[idx], images=self.images[idx], return_tensors="pt", padding=True)
        return inputs

dataset = CustomDataset(df, processor)
dataloader = DataLoader(dataset, batch_size=8)

for batch in dataloader:
    outputs = model(**batch)
    logits_per_image = outputs.logits_per_image
    probs = logits_per_image.softmax(dim=1)
    print(probs)

从torch.utils.data中导入Dataset和DataLoader。
定义CustomDataset类：
- 在初始化时，存储文本列表、打开的图像列表和处理器。
- 实现__len__方法，返回数据集的大小。
- 实现__getitem__方法，对指定索引的数据进行处理，并返回处理后的输入。
创建数据集和数据加载器，设置批次大小为8。
遍历数据加载器中的每个批次：
- 将批次数据输入模型，计算相似度分数和概率，并打印结果。

使用Stable Diffusion生成图像

import torch
from diffusers import StableDiffusionPipeline

torch.manual_seed(1)
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v-1-4", torch_dtype=torch.float16)
pipe = pipe.to("cuda")

prompt = "二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒"
negative_prompt = "丑陋、变形、嘈杂、模糊、低对比度"
guidance_scale = 4
num_inference_steps = 50

image = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    guidance_scale=guidance_scale,
    num_inference_steps=num_inference_steps,
    height=1024,
    width=1024,
).images[0]

image.save("example_image.png")
image

导入torch和StableDiffusionPipeline。
设置随机种子为1，确保生成的图像可重复。
加载预训练的Stable Diffusion模型，并将其移动到GPU上，设置为半精度浮点数以节省显存。
定义正向和负向提示词，以及指导尺度和推理步数。
使用提示词生成图像，指定图像的高度和宽度为1024像素。
保存生成的图像为example_image.png，并显示图像。

生成更多图像并保存

from PIL import Image

torch.manual_seed(1)
image = pipe(
    prompt="二次元，日系动漫，演唱会的观众席，人山人海，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，舞台上衣着华丽的歌星们在唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("1.jpg")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("2.jpg")

torch.manual_seed(2)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("3.jpg")

torch.manual_seed(5)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙，对着流星许愿，闭着眼睛，十指交叉，侧面",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，扭曲的手指，多余的手指",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("4.jpg")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，一个紫色中等长度头发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("5.jpg")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("6.jpg")

torch.manual_seed(7)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色连衣裙，试衣间，心情忐忑",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("7.jpg")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色礼服，连衣裙，在台上唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("8.jpg")

使用不同的随机种子和提示词，生成多张图像，并分别保存为1.jpg至8.jpg。

拼接生成的图像

import numpy as np
from PIL import Image

images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]
image = np.concatenate([
    np.concatenate(images[0:2], axis=1),
    np.concatenate(images[2:4], axis=1),
    np.concatenate(images[4:6], axis=1),
    np.concatenate(images[6:8], axis=1),
], axis=0)
image = Image.fromarray(image).resize((1024, 2048))
image

导入numpy和PIL.Image。
打开之前生成的8张图像，将其转换为numpy数组。
将图像按照行和列拼接，形成一个大的图像网格：
- 每行拼接两张图像，共四行。
将拼接后的图像调整大小为1024x2048像素。
显示最终的拼接图像。

利用AI生成剧本（以kimi为例）

提示词1：你是一个古风漫画家，我们现在要做一个古风仙侠漫，现在要写一个故事简介
提示词2：根据故事简介，写一个故事大纲
提示词3：展开第四章：修仙大会，并把漫画具体的场景描绘出来
提示词4：

你是一个文生图专家，我们现在要做一个实战项目，就是要根据刚才展开的修仙大会内容编排一个文生图，
由8张场景图片生成，你需要输出每张图片的生图提示词
生图提示词要求
1、风格为古风
2、根据场景确定是使用全身还是上半身
3、人物描述
4、场景描述
5、做啥事情

例子：
古风，水墨画，一个黑色长发少女，坐在教室里，盯着黑板，深思，上半身，红色长裙
修仙大会的提示词（AI生成）

AI生成的提示词微调后整理如下：

编号	场景	正向提示词	负向提示词
1	大会前夕	古风，水墨画，市集繁华，一个笑容甜美的少女（笑笑），背影转头，穿梭在人群中，好奇地打量着各种摊位，全身，身着简单朴素的布衣。	丑陋，变形，嘈杂，模糊，低对比度
2	报名处的混乱	古风，水墨画，报名处人潮汹涌，一个表情轻松的少女（笑笑）站在人群中，用幽默化解紧张气氛，上半身，身着带有些许修仙特色的服饰。	丑陋，变形，嘈杂，模糊，低对比度
3	大会开幕式	古风，水墨画，宏伟的主会场，一个少女（笑笑）和其他修仙者一起，仰头观看开幕式，全身，身着节日盛装。	丑陋，变形，嘈杂，模糊，低对比度
4	比武大会	古风，水墨画，比武台上，一个少女（笑笑）正在进行灵力控制比赛，全身，身着便于活动的修仙服饰，脸上带着自信的微笑。	丑陋，变形，嘈杂，模糊，低对比度
5	夜晚的庆祝	古风，水墨画，夜市灯火通明，一个少女（笑笑）和她的队友们围坐一桌，品尝美食，享受烟火表演，上半身，身着轻便的夜行衣。	丑陋，变形，嘈杂，模糊，低对比度
6	意外的挑战	古风，水墨画，夜市角落，一个少女（笑笑）面对神秘人物，准备接受挑战，全身，身着带有一些神秘符号的服饰，表情认真。	丑陋，变形，嘈杂，模糊，低对比度
7	智慧的较量	古风，水墨画，僻静角落，一个少女（笑笑）和神秘人物进行灵力与智慧的较量，上半身，身着代表智慧的服饰，手中拿着棋子或类似道具。	丑陋，变形，嘈杂，模糊，低对比度
8	大会的落幕	古风，水墨画，主会场，一个少女（笑笑）和她的队友们站在领奖台上，接受“最具潜力新人奖”，全身，身着带有荣誉象征的服饰，脸上洋溢着喜悦和自豪。	丑陋，变形，嘈杂，模糊，低对比度