干貨|一文學會AI繪畫(建議收藏)

AI繪畫的操作很簡單,把畫面描述清楚,后面加入參數即可。

常用參數合集(建議收藏)??

下面是常用參數介紹

1.【寬高比】 --ar

【使用說明】

aspect的縮寫,如?--ar 3:4。需要注意的是,不同模型有不同的比例要求。在沒有寫提示詞設置參數的情況下,系統默認比例為1:1。數值必須是整數,使用 225:100,而不是 2.25:1。

【常用尺寸】

1:1,默認的寬高比,常用于頭像、產品、廣告等。

5:4,常見的打印比例。

3:2,多用于印刷、攝影。

16:9,“寬屏幕”,高清電視和視頻的標準寬高比。

9:16,“豎屏幕”,智能手機垂直方向的標準寬高比。

4:3,曾經電視和計算機顯示器的標準寬高比。

21:9,“電影寬屏幕”,一些電影院和電視制作公司使用的寬高比。

2.【剔除】 --no

【使用說明】

字面意思,即排除畫面中不要的元素,如:

--no red--no human--no text。

比如畫面里不想要汽車,輸入 --no car 就沒再生成汽車了。

3.【版本】 --v

【使用說明】

version的縮寫。如:--v 5。目前的模型有MJ version 1-5NiJi version4、5。如果沒有在提示詞尾綴加版本,則默認版本為MJ模型的 --v 4。

*也可在「settings」中設置版本,但系統會優先執行「提示詞」中的參數,而不是「設置」中的參數。

MJ模型?比較全面。

1~5代表版本推出的先后順序,算力有限的1~3版本偏抽象,越往后的版本4、5寫實效果更佳,細節更豐富。

NiJi模型?則更適合制作二次元的動漫和插畫風格。

niji 5模型下還有3個不同的風格化等級:可愛風[--style cute]3D效果的表現力[--style expressive]景色[--style scenic]。使用方法,如:--niji 5 --style cute。

4.【質量】 --q

【使用說明】

quality的縮寫,即畫面細節的多少,寫法?--q 1,取值范圍:0.25-2((注:0.25等的0不用寫)。數值越高,質量越高,細節越多,但出圖速度也越慢。

質量數值越高,細節越多,畫面層次越豐富。在不添加參數的情況下,默認值為1。

但并不是所有的圖片都是質量越高越好,不同風格的畫面有不同的需求,

比如低數值的適用于比較寫意、抽象的畫面;

高數值的適用于建筑、商業產品等復雜度高的畫面。

v4、v5沒有q2是因為質量已經很高了,所以不需要再加。

5.【停止】 -- stop

【使用說明】

在生圖過程中中止進程,如--stop 80,即在圖片生成到80%的時候中止,如此便會得到一個相對模糊的效果,取值范圍為 10-100。

6.【參考圖權重】 --iw

【使用說明】

image weight的縮寫, 僅用于「以圖生圖」/「墊圖」時,參考圖與提示詞的權重設置。iw值越高,即墊的圖的權重越高,生成的圖片就越接近原圖;iw值越低,生成的圖片就越接近提示詞。iw的默認值為1,取值范圍:0.5-2。

【不同iw值的效果】

第一張為參考圖,可以看到,iw值越高與參考圖就越接近,反之則偏向描述詞。

7.【風格化】 --s

【使用說明】

--stylize 或簡寫--s,「風格化」顧名思義,即 藝術風格程度。風格化的值越高,生成的圖片越具藝術性,與提示詞的相關性也就更弱;反之,值越低,則生成的圖片越接近描述詞,藝術性程度也就越低。v4、5的默認值為100。

【不同版本的取值范圍】

除了可以在提示詞尾綴加--s 之外,還可以在「settings」中設置。需要注意的是,系統會優先執行「提示詞」中的參數,而不是「設置」中的參數。

8.【圖片隨機性】 --c

【使用說明】

chaos的縮寫,也叫「混亂值」,即圖片的隨機性,數值越高,隨機性越大,圖片越天馬行空。默認--c值為0,取值范圍 0-100。如果你腦子里對圖片描述還沒有想法,不妨讓AI替你放飛一下。

9.【種子參數】 --seed

【使用說明】

「種子」可以理解為一張圖片的DNA。因為AI生圖具有巨大的隨機性,即使是用相同的提示詞都會生成不同的圖片。這時候,seed值就起到了重要作用。

當你找到一張滿意的圖,你想要延續它的特征,就用相同的種子去控制它的結果。

在 V4 及之后的模型版本中,指定種子參數可以生成非常相似,甚至幾乎相同的圖片。模型在隨機性的基礎上,對結果有了更精準的控制,可以實現重復生成。

seed值是一個編號,生成的4張圖的seed值都是一樣的。取值范圍:0-4294967295,取整數。需要注意的是,只有初始生成的圖片所生成的seed值才有效果。

【seed的獲取方法】

工具:AI藝術家,不需要MJ發送郵件就能獲取seed

如果你想要生成同一人物的一個系列,可以用seed值,并更改提示詞的人物表情、動作、場景。

10.【重復貼圖】 --tile

【使用說明】

直接在提示詞尾綴輸入 --tile。適用于重復平鋪的圖像,如面料、壁紙、紋理等,生成的圖上下左右無縫銜接。

11.【提示詞權重分割】 ::

【使用說明】

主要用于避免AI對一些組合詞的理解偏差,如hot dog、milk tea、sea food等,使用::后,AI就可以分別考慮提示詞中的內容。如 hot dog在AI的理解是 熱狗腸,但實際我想要一只很熱的狗狗。所以為了得到精準的圖片,可以用:: 對詞組進行分割并設置權重,即hot:: dog。

還可以對分解的組合詞設置權重,如 hot::2 dog,hot權重是dog的2倍。

當然,權重也可以是負數,如::-.5,負權重的作用是減少不想要的元素,作用相當于--no ,但所有權重的總和必須是正數。如 用red::-.5 降低郁金香花田紅色出現概率,相當于--no red。

需要注意的是,::作為參數跟其他參數一樣,是放在提示詞尾綴,但不需要加--;寫法上需要注意的是,權重值后面需要加「空格」,如 hot::2 dog。


百聞不如一練!學完記得多練多用!希望文章對您有用!

當你無心種花,便會長滿雜草!

關注 我 ,與君共勉。

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 230,578評論 6 544
  • 序言:濱河連續發生了三起死亡事件,死亡現場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發現死者居然都...
    沈念sama閱讀 99,701評論 3 429
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 178,691評論 0 383
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 63,974評論 1 318
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 72,694評論 6 413
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上,一...
    開封第一講書人閱讀 56,026評論 1 329
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 44,015評論 3 450
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 43,193評論 0 290
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當地人在樹林里發現了一具尸體,經...
    沈念sama閱讀 49,719評論 1 336
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 41,442評論 3 360
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 43,668評論 1 374
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 39,151評論 5 365
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發生泄漏。R本人自食惡果不足惜,卻給世界環境...
    茶點故事閱讀 44,846評論 3 351
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 35,255評論 0 28
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 36,592評論 1 295
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 52,394評論 3 400
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 48,635評論 2 380

推薦閱讀更多精彩內容