大家好，我是畫畫的小強

我們在運用AI繪畫 Stable Diffusion 這一功能強大的AI繪圖工具時，我們往往會發現自己對提示詞的使用還不夠充分。在這種情形下，我們應當如何調整自己的策略，以便更加精確、全面地塑造出理想的人物形象呢？舉例來說，假設我們輸入的是：

a girl in dress walks down a country road,vision,front view,audience oriented,

圖片效果總是不盡人意

我們批量四個之后，除去背對的圖片，我們可以看到其余三個的面部非常的奇怪

該如何快速處理呢？

原因分析

首先我們要了解臉部崩壞的原因

為什么在使用Stable Diffusion生成全身圖像時，臉部細節往往不夠精細？

1. 問題一：圖像分辨率和細節處理 在生成全身圖像的過程中，模型會將計算資源集中于整個身體的描繪，包括服裝、姿勢和背景等要素。臉部通常僅占整個圖像的一小部分，相對地，分配給臉部細節處理的資源就顯得有限。這導致在最終生成的全身圖像中，臉部的細節可能不如半身圖像那樣清晰。

2. 問題二：訓練數據的偏差效應 如果您的數據集中包含了大量高清的半身像而非全身像，Stable Diffusion模型可能會傾向于專注于處理這些半身像。由于全身像包含更多的圖像元素和更高的維度，模型在繪制時需要投入更多的計算能力。因此，它在半身像的處理上可能會更有優勢。

3. 問題三：生成算法的局限性 當前的生成算法在處理尺寸不同的對象時，可能存在一些限制。例如，臉部區域是一個復雜且細節豐富的部分，而當算法處理全身圖像時，可能難以保持對臉部細節質量的關注。

4. 問題四：計算資源的限制 要生成一個特定尺寸的圖像（如320x240像素），模型需要進行一系列運算，包括模板提取、特征表示、搜索和匹配等。這些都需要計算資源，并且在有限的資源下，對圖像不同部分的優化可能會增加計算成本。因此，對于全身圖像，可能對臉部細節質量有所優化，或者簡化了處理流程。

解決策略

1. 利用更高分辨率圖像進行訓練 通過使用更高分辨率的圖像來進行訓練，模型可以學習更多細節，這對提升生成照片中臉部的細節是有益的。但是更高的分辨率會導致人物拉長畸形，大大降低了質量

2. 在生成全身圖像時采用引導技術 在生成全身圖像時，嘗試應用引導技術（如注意力機制），這樣可以讓模型更加專注于臉部區域，從而提高對臉部細節的關注。

我們可以看到即使使用了prompt之后，Stable Diffusion似乎聽不懂一樣只是對面部加了一個渲染，但并沒有達到預期的效果

局部重繪

我們可以直接點擊這里到局部重繪，在選擇重繪內容之后，如下：

提示詞都不用變化，只需要把負面詞加上即可

(worst quality, low quality:1.4),monochrome,zombie,bad_prompt_version2-neg,easynegative (1),(worst quality, low quality:1.4),(depth of field, blurry:1.2),(greyscale, monochrome:1.1),3D face,cropped,lowres,text,(nsfw:1.3),(worst quality:2),(low quality:2),(normal quality:2),normal quality,((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),(bad proportions:1.331),extra limbs,(disfigured:1.331),(missing arms: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,(((extra arms and legs))),

4. 調整參數設置 通過增加迭代次數或采用不同的采樣方法，可以提高生成圖像的質量，其中包括臉部細節。

感興趣的小伙伴，贈送全套AIGC學習資料，包含AI繪畫、AI人工智能等前沿科技教程和軟件工具，具體看這里。

采樣器

在探討Stable Diffusion的核心技術中，采樣器扮演著至關重要的角色。本文將深入分析幾種主要的采樣器，以及它們各自的特點和應用場景，為讀者提供更全面的了解。首先，我們來看Euler采樣器。這是一個基礎而簡潔的工具，它采用歐拉方法來進行迭代操作。歐拉方法本質上是一種高效的數值積分技術，專門用于求解非線性常微分方程。當應用于圖像生成時，Euler采樣器通過迭代去噪，可以有效地去除圖像中的噪聲。盡管速度快，Euler采樣器也可能導致一些圖像細節受損，因為過度的去噪可能會丟失一些微妙的邊緣信息。

接下來是Euler a采樣器，作為Euler的改進版，它增加了額外的參數用于控制去噪過程。這些參數的引入使得用戶能夠在去噪過程中擁有更多的自主權，從而有望獲得更高的圖像質量。這種改進帶來了一系列潛在的優勢：如更平滑的采樣體驗、更精細的噪聲控制以及更優的整體圖像效果。轉向Heun采樣器，它的設計理念源自Heun方法，這是一種結合了Euler和Midpoint方法的創新技術。Heun方法同樣基于數值積分原理，專注于求解常微分方程，并在Stable Diffusion中用于迭代去噪過程。相較于Euler，Heun采樣器展現出更加平滑細膩的采樣過程，同時提供更為卓越的圖像質量。

DPM2采樣器則是一種基于物理模型的工具。它采用了“去噪擴散概率模型”（DPM）技術，這一模型能夠在去噪過程中優化控制噪聲水平，進而生成更高質量的圖像。DPM2的強大之處在于它可以精確調整噪聲水平，避免了傳統去噪方法中常見的“過噪”問題。

DPM2 a是DPM2采樣器的又一次重大升級，它繼承了Euler a的特性，并引入了更多的參數來進一步控制去噪流程。這些新參數允許用戶對去噪過程進行精細的控制，有助于提升最終圖像的質量。

DPM fast是DPM系列的另一快速響應選項。它通過降低去噪迭代次數并簡化過程的方式，犧牲了一定的圖像質量以換取生成速度的提升。盡管如此，DPM fast仍然保留了許多吸引人的特點，包括快速的生成效率和更短的處理時間。

DPM adaptive是DPM2采樣器的自適應變體。它具備動態調整采樣策略的能力，能夠根據圖像的復雜度實時調整采樣參數。這樣做的目的是為了平衡高生成速度和高質量輸出之間的關系，確保生成的圖像既快又好。

Restart采樣器是一種利用重啟技術的新型采樣器。當圖像質量開始出現下降趨勢時，Restart采樣器會重新開始整個去噪過程，以恢復圖像的原有質量，防止其進一步惡化。

DDIM采樣器基于迭代去噪技術，使用“去噪擴散迭代模型”（DDIM）。這項技術能夠生成非常高質量的圖像，但由于它的迭代特性，生成速度相對較慢。

PLMS采樣器是DDIM采樣器的改良版，它采用了“預條件的Legendre多項式去噪”（PLMS）技術。這種方法不僅能提供更好的圖像質量，還能在生成速度上略勝一籌，與DDIM形成鮮明對比。

UniPC采樣器基于統一概率耦合，采用“統一概率耦合”技術實現高質量圖像輸出。UniPC雖然在圖像質量方面表現出色，但其復雜性和迭代特性導致了較慢的生成速度。

LCM采樣器則基于拉普拉斯耦合模型，運用“拉普拉斯耦合模型”技術。LCM同樣能夠產出非常高品質的圖像，但由于其結構的復雜性及迭代特性，生成速度也相應受到影響。

DPM++ 2M采樣器是DPM2的進一步改進版，它引入了許多額外的去噪步驟和參數，旨在提升圖像質量。特別值得一提的是，DPM++ 2M在去噪概率模型方面做出了重要的更新。

DPM++ SDE采樣器是DPM2的基于隨機微分方程（SDE）的改進版本。SDE技術的引入為圖像生成提供了更加穩定和高質的結果。

DPM++ 2M SDE采樣器是DPM++ 2M與DPM++ SDE結合的產物。它融合了兩種技術的優勢，為用戶帶來了更佳的圖像質量。

DPM++ 2M SDE Heun采樣器是DPM++ 2M SDE的進一步升級，它使用Heun方法進行迭代，結合了去噪擴散概率模型和Heun方法的共同優點。

DPM++ 2S a采樣器是DPM++ 2M的最新版本，它增加了額外參數來精細控制去噪過程。這些新增的控制參數允許用戶在去噪過程中擁有更多選擇，有望獲得更加精細和高質量的圖像。

最后，我們來看看DPM++ 3M SDE采樣器。它是DPM++ 2M SDE采樣器的第三代進化版，引入了更多的去噪步驟和參數以追求更高的圖像質量。DPM++ 3M SDE的目標是在保持前兩代產品優點的同時，進一步提升性能和圖像質量，為用戶提供更加流暢和精細的圖像生成過程。

總結

在當今這個視覺至上的時代，無論是藝術創作、廣告宣傳還是社交媒體分享，高質量的圖像都是吸引觀眾、傳遞信息的關鍵。通過上述介紹的解決策略和技術改進方法，我們不僅能夠藝術地掌控人物形象，還能更好地運用Stable Diffusion采樣器，這是圖像生成領域的一大進步。藝術地掌控人物形象，不僅需要我們有獨到的審美眼光，還需要我們掌握相關的技術手段。從化妝造型、服飾搭配到光影效果、后期處理，每一個環節都至關重要。通過上述介紹，我們了解到如何通過細節的調整，讓人物形象更加立體、生動。

而Stable Diffusion采樣器的運用，則是圖像生成技術的又一次飛躍。它通過算法模擬出自然、逼真的圖像效果，大大提高了圖像生成的質量和效率。通過上述介紹，我們了解到如何通過調整參數、優化算法，讓Stable Diffusion采樣器更好地為我們服務。

感興趣的小伙伴，贈送全套AIGC學習資料，包含AI繪畫、AI人工智能等前沿科技教程和軟件工具，具體看這里。

AIGC技術的未來發展前景廣闊，隨著人工智能技術的不斷發展，AIGC技術也將不斷提高。未來，AIGC技術將在游戲和計算領域得到更廣泛的應用，使游戲和計算系統具有更高效、更智能、更靈活的特性。同時，AIGC技術也將與人工智能技術緊密結合，在更多的領域得到廣泛應用，對程序員來說影響至關重要。未來，AIGC技術將繼續得到提高，同時也將與人工智能技術緊密結合，在更多的領域得到廣泛應用。
?

一、AIGC所有方向的學習路線

AIGC所有方向的技術點做的整理，形成各個領域的知識點匯總，它的用處就在于，你可以按照下面的知識點去找對應的學習資源，保證自己學得較為全面。

二、AIGC必備工具

工具都幫大家整理好了，安裝就可直接上手！

三、最新AIGC學習筆記

當我學到一定基礎，有自己的理解能力的時候，會去閱讀一些前輩整理的書籍或者手寫的筆記資料，這些筆記詳細記載了他們對一些技術點的理解，這些理解是比較獨到，可以學到不一樣的思路。

四、AIGC視頻教程合集

觀看全面零基礎學習視頻，看視頻學習是最快捷也是最有效果的方式，跟著視頻中老師的思路，從基礎到深入，還是很容易入門的。

五、實戰案例

紙上得來終覺淺，要學會跟著視頻一起敲，要動手實操，才能將自己的所學運用到實際當中去，這時候可以搞點實戰案例來學習。

若有侵權，請聯系刪除