大家好，今天来学习图生图的基本概念。

AI的第一次大规模破圈，应该就是各大平台短视频中出现的AI绘画特效。只需用手机对着镜头自拍，就能实时生成二次元风格的画面。这类视频普遍拥有不错的流量，例如这种、这种，甚至包括一些“翻车”案例——比如把嘟嘟唇画成M唇，或者把小狗画成人脸。大家有没有想过，这些效果是如何实现的？

这就不得不提到Stable Diffusion这项AI绘画技术。它于2022年8月被免费开源，供公众使用。它的诞生不同于以往的AI绘画应用，比如短视频平台的AI滤镜、美图秀秀的AI美化功能，或某些封闭式AI绘图程序。Stable Diffusion能在秒级时间内生成一张高质量图像，实现将一张照片用完全不同的绘画风格重新表达——这种技术，在SD中被称为“图生图”。借助图生图，我们不仅可以把二次元人物转为写实风格，也能把真人照片转化为二次元、油画、机甲等多样化风格。

接下来进入正式学习阶段，分为两个主要板块：

一、图生图原理

本板块分为两个小节：一是图生图的基本概念解析，帮助大家理解其运行逻辑；二是图片如何传递信息——即输入图片对最终输出的影响，以及如何正确输入图片、调整参数。

1. 基本概念解析

图生图和文生图一样，也依赖正向提示词与反向提示词。文字提供语义信息，而图片则提供视觉结构信息。经过上节课的学习，大家已了解文生图的基础逻辑：文字会影响生成结果，但无法完全控制其随机性。例如，使用相同提示词“白色裙子”，不同迭代步数下生成的图像仍存在模糊、不可控的偏差。

这种信息解读偏差在日常生活中也很常见。比如玩“你画我猜”时，即使画得再认真，他人也常误解原意。再如甲方提出设计需求，设计师却难以准确还原预期效果——这本质上是语言传递信息时产生的失真。

如何解决这个问题？最直接的方式，是提供参考图。例如，想要一张五彩斑斓、富有设计感的海报，直接给设计师一张符合预期的样图，比口头描述更高效、更直观。图生图正是基于这一逻辑：我们提供一张目标效果的参考图，AI便以此为基础进行重绘与风格迁移。

举例来说，名画《亨利·怀特夫人》中，人物身着白色长裙，背景为灰棕色，配有红色沙发。若仅用文字提示“白蓝色长裙、华贵长裙、红色沙发、灰棕色背景”，文生图生成的结果虽有相似元素，但与原作差异明显，可能需反复尝试数十次甚至上百次才能接近目标。而采用图生图，则可直接导入原图，经去噪与像素级重绘处理——AI识别每个区域的颜色与结构（如白色衣料、红色沙发、棕灰色背景），再按指定风格进行重构，最终生成高度贴近原图结构、但风格已转变为二次元的新图像。

2. 操作方法

图生图操作可归纳为三个基本步骤：导入图片、编写提示词、调整参数。

我们以“将真人照片转为二次元风格”为例，实地操作一次：

  1. 导入图片：打开Stable Diffusion，进入图生图界面。界面中央有一个方框，用于上传参考图。有两种导入方式：双击方框选择文件，或直接拖拽图片至该区域。
  2. 编写提示词：以最简提示词“a boy”为例。
  3. 调整参数：
    • 重绘幅度（Denoising Strength）：控制输出与原图的偏离程度。数值越高，风格变化越大。真人转二次元建议设置为0.6–0.8，此处设为0.7。
    • 尺寸：保持与原图一致。本例为600×800，故宽度设为600、高度设为800。
    • 采样方法与步数：选用Euler a或DPM++ 2M Karras，步数设为30。
    • 提示词引导系数（CFG Scale）：设为7即可。
    • 质量增强提示词：可在正向提示词中加入“masterpiece, best quality, high resolution”等通用优质前缀；反向提示词中加入“low quality, bad anatomy, deformed hands, blurry”等常见负面项。

点击生成后，可以看到：即使只输入简单提示词“a boy”，AI仍能较好还原姿态、服装颜色、背包及背景等关键信息。但当前参数与提示词较为基础，仍有较大优化空间——这就引出下一板块：参数与提示词的技术解析。

二、参数与提示词技术解析

1. 提示词书写要点

回顾刚才的生成结果，人物整体相似，但细节缺失明显：棕色帽子、墨镜均未呈现。这说明图生图对提示词精度有更高要求——需基于画面内容，精准描述关键视觉元素。