【AI绘图】四、stable difusion提示词如何写？

最新推荐文章于 2025-03-03 23:00:00 发布
最新推荐文章于 2025-03-03 23:00:00 发布
阅读量2k 收藏
点赞数
分类专栏： stable difusion教学 文章标签： 人工智能 ai
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_31711799/article/details/131034808
版权

上一篇：【AI绘图】三、stable diffussion操作界面介绍以及如何使用

如何写好提示词？

写出一份比较好的提示词是文生图技术的关键。但是，写出一份好的prompt并不容易，下面针对“如何写好提示词”这个问题，从提示词构成、调整规则，来介绍下如何优化输入提示词。跑 AI 的过程就像抽卡，抽出一堆卡，选出你审美范畴里觉得好看的。

1.提示词各式优化

第一段：画质 tag，画风 tag

第二段：画面主体，主体强调，主体细节概括（主体可以是人、事、物、景）画面核心内容

第三段：画面场景细节，或人物细节，embedding tag。画面细节内容

举个例子：(具体场景还是要灵活应用，多尝试，找到合适自己的节奏和风格）

第一段：masterpiece, best quality, 4k, ( Pixar - style :1.4)

第二段：1boy,(Cute,handsome,wearing outdoor sportswear :0.7), 3D,(Face close-up :1.2), (at night, surrounded by glowing plants, flowers, flying fireflies, bonfires), (Ultra detailed, aesthetic, beautiful composition, rich bright colors, volumetric soft light)

第三段：Inspired by Alice in Wonderland, magic, fairy tales. unreal Engine, octane render, cuteness render, awe inspiring, beautiful,

通用人物负面提示词
nsfw,(mutated hands and fingers:1.4), (worst quality:2), (low quality:2), (normal quality:2),bad anatomy, wrong anatomy, extra limb, missing limb, floating limbs, disconnected limbs, mutation, mutated, ugly, disgusting, blurry, amputation, tattoo,cropped, backlight, ng_deepnegative_v1_75t, EasyNegative.
效果图如下
在这里插入图片描述
在这里插入图片描述

2.Prompt 规则细节

  • ①越靠前的 Tag 权重越大。

  • ②生成图片的大小会影响 Prompt 的效果，图片越大需要的 Prompt 越多，不然 Prompt 会相互污染。

  • ③Stable-diffusion 中，可以使用括号人工修改提示词的权重，方法如下：

    • (word) - 将权重提高 1.1 倍
    • ((word)) - 将权重提高 1.21 倍（= 1.1 * 1.1）
    • [word] - 将权重降低至原先的 90.91%
    • (word:1.5) - 将权重提高 1.5 倍
    • (word:0.25) - 将权重减少为原先的 25%

  • ④Prompt 支持使用 emoji，可通过添加 emoji 达到表现效果。如“表情图标"修表情，“手图像”修手。

  • ⑤“+” ， “ AND” ， “|” 用法：“+”和“ AND ”都是用于连接短 Tag，但 AND 两端要加空格。"+“约等于” and "；“|” 为循环绘制符号（融合符号）(Prompt A: w1)|(Prompt B: w2)

以上表达适用于 WebUI，w1、w2 为权重。AI 会对 A、B 两 Prompt 进行循环绘制。可往后无限加入 Prompt。

  • ⑥tag 不一定是多么充满细节，只要模型稳定。小图+高分辨率重绘。800400 的图变成 1600800，初识小图减少崩坏概率。

  • ⑦关键词最好具有特异性，譬如 Anime(动漫)一词就相对泛化，而 JoJo 一词就能清晰地指向 JoJo 动漫的画风。措辞越不抽象越好，尽可能避免留下解释空间的措辞。

对蓝眼睛进行测试，效果如下：
正向提示词：1 cat, blue eyes,
负面提示词：nsfw,(mutated hands and fingers:1.4), (worst quality:2), (low quality:2), (normal quality:2),bad anatomy, wrong anatomy, extra limb, missing limb, floating limbs, disconnected limbs, mutation, mutated, ugly, disgusting, blurry, amputation, tattoo,cropped, backlight, ng_deepnegative_v1_75t, EasyNegative.

在这里插入图片描述
效果是提示的影响主键增大，建议不要超过1.5倍

3.小技巧分享

1）如果你在C站或者哩卟看到喜欢的图，想了解别人是如何设置，如下操作可以查看
C站的示例：

在这里插入图片描述
哩卟示例：
在这里插入图片描述

2)如果是网上找的图片，则可以利用stable difusion自带的功能对图片进行分析，如下所示
以这张图片为例：

在这里插入图片描述

在这里插入图片描述

好了

四）Stable Diffussion使用教程：图生图
jimson_zhu的博客
09-09 1001
我们可以看到，SD的界面第二项就是图生图了，与文生图一样的是此模式下也可以输入正面提示词和负面提示词，然后提示词下面就是图片加载框，即我们选择拿来图生图的地方，右面的话不必多说，也是图片输出结果框。然后点击生成，结果生成了Q版的图片结果（虽然质量不是太理想，后面我们学习高清修复、ControlNet和Lora等知识模块的时候再来提高图片质量）。经过上面的例子，我们对图生图有了初步的认识，后面我们还会继续结合ControlNet、Lora等模块对图生图、文生图进行进一步的讲解。这一篇来说说图生图。
大白话讲透AI画图：Stable Diffusion
AA1213888的博客
07-31 1520
AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。感兴趣的小伙伴，赠送全套AIGC学习资料和安装工具，包含AI绘画、AI人工智能等前沿科技教程，模型插件，具体看下方。
Stable Diffusion常用提示词（Prompt）
培根芝士的专栏
04-27 6191
Stable Diffusion常用提示词
Stable Diffusion教程：提示词（模型、插件、安装包可分享）
bagell的博客
04-22 3654
文章提到的模型、插件、安装包都可分享，需要的小伙伴文末领取！你可能没写过提示词，但是一定听说过“提示词”这几个字，也大概能知道它的重要性。没听说过也没关系，下面我就带你认识认识。提示词就是我们给AI模型下发的指令。提示词写对了，AI才能输出相应的结果，提示词写的越好，AI输出的内容质量越高、越贴近你的需求。这有点像程序代码，代码逻辑写对了，程序才能正常运行，代码写的越好，程序运行时发生的问题越少、才能解决用户的问题。
究竟什么是AI提示词？深入解析与实战应用
码上飞扬的博客
03-03 2582
AI提示词（AI Prompt）是指用户输入给AI模型的文本指令或问题，用于引导模型生成特定的输出。它是用户与AI模型之间的“对话起点”，通过提示词，用户可以明确告诉模型自己需要什么样的信息或内容。提示词的核心在于“引导”，它决定了模型生成文本的方向、风格和内容。从技术角度来看，提示词是自然语言处理（NLP）中“输入-输出”模式的关键部分。无论是生成式AI模型（如GPT-3、ChatGPT）还是任务型AI模型（如问答系统、翻译工具），提示词都是模型生成响应的基础。
这份 Stable diffusion 提示词攻略，记得收好了！
m0_58477260的博客
06-28 1178
大家好，今天给大家分享的是关于 Stable diffusion 提示词的基础和进阶语法，为什么有必要了解这个呢？首先是提示词对出图效果影响很大，了解提示词的用法有助于我们写出更优秀的提示词；其次就是我们可能会去C站拷贝别人的提示词，虽然直接拷贝过来也能得到不错的效果，但这样只会“知其然，不知其所以然”，所以如果你想好好掌握SD，这一关还是有必要闯的！
AI自循环：用AI给AI写提示词
擦鸡鼻涕的博客
05-05 612
💡人类铸造了工具，但工具也反过来塑造人的思考。有了AI，人类再去做一件事情，该如何思考和计划？
超详细的AI提示词（prompt）撰写方法，看这一篇就够了！（附详细的案例）
2301_80239908的博客
10-29 1万+
即：角色+指令+上下文+输入问题+约束+例子+输出格式 。基本结构中的元素并不是所有都是必须的，一般最简单的情况会包含角色，指令，上下文，输出格式等。**
Stable Diffusion之提示词指南(三)
Anumbrella
09-01 1583
在上一篇的文章中，我们讲解了Stable Diffusion提示词的高级用法，对于一些高级属性有了了解。如果有不记得的，可以再去看看———。今天我们讲解一下负提示词。
在Stable Diffusion中驱动Tesla P40
m0_60659514的博客
08-06 1488
将原显卡移到下面的PCIE插槽（因P500的主板没有板载显示接口），在上面的PCIE插槽插上P40，用单独电源给其供电，在主板系统风扇接口插上P40的散热风扇，短接电源20或24口主板插头中的绿线和任意黑线，启动电源，再按主机开机键，进入BOIS（最好升级到最新的BOIS），在Adcancedk 中找到Above 4G选项，选择Enabled，同时在Startup中的CSM Configuration选项，选择Disabled（当然在安装Win10时，系统分区类型应设为GPT）。
「新手向」超简单超详细！云端部署Stable Diffusion教程
2201_75603320的博客
02-23 4343
我们在本地部署时,很多人会遇到部署难、显卡算力不足、显存外溢、做图慢等问题，实在是心有余而力不足......但是没有关系，阿里云为我们提供了低代码、易上手、不吃本地配置且操作便捷的部署方案。废话不多说，直接开启我们的云端部署之旅！第一步：登录/注册 (右上角)登录/注册后须按照要求进行第二步：函数计算FC的开通鼠标移动至----
Ai提示词不会写，看这一篇就够了！（附：套用模板）
qkh1234567的博客
10-24 2万+
如果你已探索过豆包Ai、Kimi、智谱清言等生成式AI工具，那么你对“prompt”（提示词）这一核心概念一定有自己的认知和理解。这里所谓的提示词，其实就是人和AI交互时的输入，是连接你与AI创意源泉的桥梁，“prompt”不仅是触发无限想象的钥匙，更是塑造AI输出内容品质的灵魂所在。它可以是一个问题，也可以是一段描述性的指示，生成式AI可以根据你的指示或者问题，输出你期望的内容。本文就结合小编在使用这些工具时的体验和感悟，和大家聊聊如何写好提示词，以便更好地提升我们和AI交互的效率。一。
Stable Diffusion之提示词指南(一)
Anumbrella
08-18 2486
Prompt(提示词)就是我们给AI模型下发的指令，也就是指用户输入的文本或图像信息。目的是指导模型生成我们想要的艺术作品。直白一点来说它就是我们告诉AI我们要画什么，要画成什么的一种“指令”，提示词包含的内容是非常广泛的，它可能包括作品主题、画风、形象特点以及一些具体包含的元素等。这有点类似像程序代码，代码逻辑写对了，程序才能正常运行，代码写的越好。
Stable Diffusion提示词总结
weixin_43665351的博客
06-21 6637
提示词，prompt，AIGC，Stable Diffusion
AI提示词（Prompt）从入门到精通，非常详细，收藏这一篇就够了！！！
热门推荐
m0_48891301的博客
09-19 6万+
Prompt 本质上是一种注入式指令，它"指挥"AI 按照你预设的思路去思考问题、输出内容。熟练编写 Prompt，你就能充分利用 AI 的能力为你解决问题。
Stable Diffusion初体验——提示词指南
Trb201013的博客
12-02 1268
Stable Diffusion是一种深度学习模型，它能够根据提示词生成高质量的图像。在Stable Diffusion模型中，提示词起着至关重要的作用，因为它们为模型提供了关于所需输出的指导。本文将探讨Stable Diffusion关于提示词的原理，包括提示词的选择、处理和影响模型输出的因素。通过深入了解这些原理，我们可以更好地利用Stable Diffusion模型生成令人惊叹的图像，并探索其在各个领域的应用潜力。
Stable Diffusion：一文搞懂提示词
2401_84830464的博客
07-01 1482
杰出的画作展现了艺术家们独特的想象力、生动的表达力和精湛的技艺。如今AI绘画工具似乎已解决了技艺的问题，创作出理想的画作似乎应该是一件轻而易举的事。 但是，AI绘画工具只是机器，如何让它正确地绘制出我们想要的画作呢？这就是本文要讲的内容 —— AI绘画中非常重要，但容易被轻视的能力：提示引导（Prompting），即让机器懂你！我将结合实操测试和一些文献，让大家一文搞懂Stable Diffusion（下文简称SD）的提示引导。
statble difusion
最新发布
03-25
<think>好的，我现在需要回答用户关于Stable Diffusion算法或模型的问题。首先，我需要回顾已有的引用资料，确保回答准确。根据引用[1]，Stable Diffusion使用了EMA技术来稳定和提升模型性能。引用[2]提到它与GAN、VAE相比的优势，包括生成质量、稳定性和多样性，还提到工作原理部分。引用[3]提供了Hugging Face的模型链接。 接下来，我需要整理Stable Diffusion的基本概念。它属于生成模型，主要用于图像和视频生成。结合扩散模型的概念，可能涉及逐步去噪的过程。需要解释其核心思想，比如正向扩散和逆向去噪。同时要提到潜在空间的应用，这样能降低计算量。 工作原理部分，根据引用[2]，需要分步骤说明：正向扩散、逆向去噪，以及潜在空间的作用。可能还需要提到变分推断或噪声预测网络等技术细节。 在优势方面，对比GAN和VAE，强调生成质量、训练稳定性、多样性，这些都是引用[2]提到的。应用场景部分，可以包括图像生成、编辑、超分辨率等，需要具体例子。 此外，需要确保使用正确的中文术语，并按照用户要求的结构组织内容，保持清晰。注意数学公式使用$$...$$格式，例如扩散过程的公式可能涉及时间步的噪声添加，但用户提供的引用中没有具体公式，可能需要避免假设，或者简要提及而不深入数学细节。 最后，生成相关问题时要围绕Stable Diffusion的应用、优化、与其他模型的比较等方面提问。例如，如何训练、优化方法、与其他生成模型的不同等。 检查是否有遗漏的信息，比如潜在扩散模型（Latent Diffusion Model）是否是其正式名称，引用中的CompVis模型是否属于Stable Diffusion的一部分。需要确认这些细节是否正确，并正确引用来源。 现在开始组织回答，确保各部分符合用户的结构要求，正确引用，并自然融入引用标识。</think>### Stable Diffusion模型详解 Stable Diffusion是一种基于**扩散模型**（Diffusion Model）的生成模型，主要用于生成高质量的图像和视频。其核心思想是通过逐步添加和去除噪声的过程来学习数据分布，最终实现从随机噪声到目标数据的生成[^2]。 #### 核心原理 1. **正向扩散过程** 将输入图像$x_0$通过多步逐步添加高斯噪声，直到完全变为随机噪声$x_T$。数学表示为： $$x_t = \sqrt{\alpha_t} x_{t-1} + \sqrt{1-\alpha_t} \epsilon_t \quad (\epsilon_t \sim \mathcal{N}(0,I))$$ 其中$\alpha_t$控制噪声添加的速率。 2. **逆向去噪过程** 通过训练神经网络（如U-Net）预测噪声$\epsilon_\theta$，逐步从$x_T$恢复原始数据： $$x_{t-1} = \frac{1}{\sqrt{\alpha_t}} \left( x_t - \frac{1-\alpha_t}{\sqrt{1-\bar{\alpha}_t}} \epsilon_\theta(x_t,t) \right) + \sigma_t z \quad (z \sim \mathcal{N}(0,I))$$ 这里$\bar{\alpha}_t$是累积乘积系数，$\sigma_t$为方差参数。 3. **潜在空间优化** Stable Diffusion引入**潜在扩散模型**（Latent Diffusion Model），先将图像编码到低维潜在空间（如通过VAE），再在该空间进行扩散过程，大幅降低计算量[^2]。 #### 关键优势 1. **生成质量**：生成的图像细节丰富，接近真实照片[^2]。 2. **训练稳定性**：通过EMA（指数移动平均）技术平滑模型参数更新，避免训练震荡[^1]。 3. **计算效率**：潜在空间处理使模型可在消费级GPU上运行[^3]。 #### 应用场景 - **文生图**（Text-to-Image）：根据文本描述生成图像（如DALL·E竞品） - **图像修复**：补全图像缺失区域 - **超分辨率重建**：提升低分辨率图像质量 - **风格迁移**：改变图像艺术风格 ```python # Stable Diffusion核心伪代码示例 def reverse_process(x_t, t, text_embedding): # 预测噪声（融合文本条件） predicted_noise = unet(x_t, t, encoder_hidden_states=text_embedding) # 计算去噪后的x_{t-1} x_{t-1} = x_t - predicted_noise * schedule(t) return x_{t-1} ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值