企业官网建设流程全解析

这类标题一看就是冲着“AI绘画怎么用才能不浪费时间和算力”来的。很多人试过AI绘画，但生成十张图可能只有一两张能用，其他都成了废片。这篇文章不聊那些虚的，直接告诉你从模型选择、提示词写法到参数调整，怎么一步步把出图成功率拉高。

我一般会先看一个工具或模型能不能稳定输出，而不是功能列表有多长。下面按实际测试顺序拆解，重点放在“怎么判断一张图会不会废掉”以及“怎么提前避免”。

1. 先搞清楚“废片”到底指什么，才能对症下药

很多人说“废片”，其实可能指三种完全不同的情况：

1.1 第一种：画面崩坏，人物畸形或物体扭曲

这是最典型的废片。常见于生成人物时手部多指、脸部扭曲，或物体结构不合理。原因往往不是模型能力不够，而是提示词冲突或采样步数（steps）设置不当。

比如你写“一个女孩，左手拿书，右手举杯”，如果模型在低步数下还没理解清楚左右手关系，就可能生成畸形。我建议新手先把采样步数拉到25-30，确保模型有足够时间推理细节，再根据速度需求逐步下调。

1.2 第二种：风格偏离，和预期效果完全不搭

你想要赛博朋克，结果出来小清新风。这种“废片”问题出在提示词权重和模型选择上。每个模型都有自己擅长的风格，用错了模型，提示词写得再细也白搭。

先确认你用的模型是否匹配目标风格。比如写实人像、二次元插画、建筑概念图，对应的专用模型差异很大。不要用一个通用模型去覆盖所有场景。

1.3 第三种：细节粗糙，放大后没法看

生成小图看着还行，一放大就发现细节模糊、纹理重复。这和分辨率、高清修复（highres fix）参数直接相关。低分辨率下模型很难生成精细细节。

如果最终需要高清大图，不要直接生成高分辨率。先以512x512或768x768为基础尺寸，开启高清修复功能，用低重绘幅度（如0.3-0.5）叠加细节，这样比直接生成1024x1024更稳定。

2. 模型选择：选对基础模型，成功率先提30%

模型是地基，选错了后面怎么调参数都事倍功半。我一般从三个维度判断模型是否适合当前任务：

2.1 看模型训练数据和风格标签

下载模型时，除了看效果图，一定要看发布页面的训练数据说明。如果模型是用特定风格（如动漫、照片、建筑草图）训练的，它在对应领域会更稳定。

新手最容易犯的错是盲目追求“万能模型”。实际上，专用模型在特定场景下出图质量更高、更少崩坏。比如画二次元角色，就选纯动漫数据集训练的模型；需要真实感场景，就找基于照片数据训练的模型。

2.2 测试模型的基础兼容性

下载新模型后，不要一上来就挑战复杂场景。先用简单提示词测试基础能力：

• 生成单个人物：1girl, solo, full body
• 生成简单物体：a red apple on a wooden table
• 生成风景：landscape, mountain, river, sunny

如果简单提示词都出问题（比如人物缺胳膊少腿），这个模型本身可能就有缺陷，不建议花时间调试复杂参数。

2.3 确认模型支持的推理步数和采样器

有些模型对采样器（DPM、Euler、DDIM等）很敏感。官方发布页面通常会推荐适合的采样器和步数范围。

我习惯先按推荐设置跑一次，再微调。如果推荐用Euler a，步数20-30，就不要一开始尝试DPM++ 2M Karras这种高阶采样器。稳定性比细微的质量差异更重要。

3. 提示词工程：写对提示词，告别随机抽卡

提示词是控制生成方向的核心，但很多人把它当成许愿池，写一堆矛盾或模糊的要求。

3.1 主体描述要具体，避免抽象词

不要写“一个漂亮的女孩”，要写“棕色长发，蓝色眼睛，穿着白色连衣裙的女孩”。模型需要具体特征来构建图像。

对象越明确，模型越不容易自由发挥导致崩坏。如果画面中有多个主体，用逗号分隔，并考虑用括号加强权重：(1girl:1.2), (1cat:0.8)表示女孩更重要。

3.2 负面提示词不能省，但要精准

负面提示词（negative prompt）不是越多越好。堆砌不相关的负面词反而可能干扰生成。

我常用的负面提示词核心组合：

• 画面质量类：low quality, worst quality, blurry
• 人体结构类：bad hands, extra fingers, malformed limbs
• 风格保护类：3d, cartoon, anime（如果你要写实风格）

如果生成特定主题，再追加针对性的负面词。比如画食物时加rotten, burnt，画建筑时加collapsed, crumbling。

3.3 注意提示词冲突和优先级

同时要求“夜晚”和“阳光明媚”会让模型困惑。如果确实需要混合元素（如“雨中的阳光”），需要用权重控制：sunlight:0.3, rain:1.2。

长提示词中，越靠前的词权重越高。把核心要求放在前面，细节描述放在后面。如果需要调整权重，可以用(word:weight)格式，权重1.0是默认，1.2表示加强，0.8表示减弱。

4. 参数调整：理解每个参数的作用，不再盲目拉滑块

参数设置是精细活，调对了能大幅降低废片率。下面是最影响成片质量的几个参数：

4.1 采样步数（Steps）：质量和速度的平衡

步数太低，细节没时间生成；步数太高，速度慢且可能过度锐化。

我的经验范围：

• 测试阶段：15-20步，快速验证构图和基本元素
• 正式生成：25-35步，保证细节质量
• 超高精度需求：40-50步（通常配合其他优化手段）

不要无脑拉满步数。超过模型训练时的步数范围可能产生不可预测的结果。

4.2 引导尺度（CFG Scale）：创意和服从的权衡

CFG Scale控制模型服从提示词的程度。值太低则创意有余但偏离要求，值太高则画面僵硬、色彩过度饱和。

安全范围：7-12之间

• 想要更多创意：5-7
• 平衡模式：7-9
• 严格服从提示词：10-12
• 超过12风险很大，容易出现artifacts

4.3 种子（Seed）和随机性控制

用固定种子可以复现相同结果，但完全固定种子会失去多样性。

我一般这样用种子：

• 测试阶段：种子-1（完全随机），快速探索可能性
• 找到满意构图后：固定种子，微调其他参数
• 批量生成相似图：固定种子，小幅改变提示词权重

如果固定种子后画面总有小问题，可以尝试“种子进化”（小幅改变种子值如+1）而不是死磕一个种子。

5. 分辨率与高清修复：要清晰度也要稳定性

直接生成高分辨率图像是废片的主要来源之一，因为模型可能无法保持整体一致性。

5.1 基础分辨率选择

根据模型训练尺寸选择基础分辨率。大多数模型基于512x512或768x768训练，在这个范围内最稳定。

如果你的目标尺寸是1024x1024：

• 先以512x512或768x768生成
• 然后使用高清修复（Highres fix）或额外放大算法
• 重绘幅度（denoising strength）设0.3-0.5，太高会改变原图内容

5.2 宽高比与构图安全

非正方形宽高比（如16:9、9:16）更容易出现主体畸形，因为模型训练数据多为正方形。

应对方法：

• 提示词中明确主体位置：full body, centered composition
• 使用负面提示词排除问题：cropped, cut off
• 先生成正方形再裁剪，或分区域生成后拼接

5.3 后期放大策略

如果需要印刷级大图，不要依赖单次生成。

我的工作流：

1. 基础生成：512x512或768x768
2. 高清修复：2倍放大，重绘0.35-0.45
3. 最终放大：使用ESRGAN、Real-ESRGAN等专用放大算法，不改变内容只增加像素

这样分层处理，比直接生成大图稳定得多。

6. 批量生成与质量控制：建立高效流水线

单张图调好了，批量生成时又会出现新问题。关键是建立可重复的质量控制流程。

6.1 批量前的单张验证

在开批量之前，先用同一组参数生成5-10张图，检查：

• 主体一致性：主要元素是否每次都能正确呈现
• 风格稳定性：画风是否波动过大
• 失败模式：如果有废片，是随机出现还是有规律

发现规律性失败（如总是画不好手），就要返回调整提示词或模型，而不是指望批量中的运气。

6.2 批量参数设置

批量生成时，一些参数需要特别关注：

每批数量（batch count/size）：

• 根据显存设置，不要卡着极限值
• 小显存（8GB以下）：每批1-2张
• 大显存（12GB以上）：每批4-8张

随机种子策略：

• 完全随机：探索多样性，但质量不稳定
• 固定种子+提示词微调：保证基础质量，小幅变化
• 种子序列：按顺序使用一组种子，便于复现和比较

6.3 质量筛选与后期处理

不是所有生成的图都需要人工检查。可以设置自动筛选标准：

第一轮筛选（技术指标）：

• 检查图像是否完整生成（文件大小正常）
• 排除明显畸形的图像（可用简单算法检测）
• 根据色彩分布排除过度暗淡或饱和的图像

第二轮筛选（人工审核）：

• 重点检查关键细节（人物面部、手部、主体结构）
• 对比提示词符合程度
• 标记需要后期修复的图像（小问题可通过img2img修补）

7. 常见问题排查：从现象快速定位原因

遇到废片不要急着重试，先按这个顺序排查：

7.1 画面崩坏排查顺序

1. 检查提示词冲突：是否有矛盾描述？权重设置是否合理？
2. 确认CFG Scale：是否过高（>12）导致画面僵硬？
3. 调整采样步数：是否过低（<20）导致细节不足？
4. 验证模型兼容性：是否使用了模型不支持的采样器或尺寸？
5. 测试简单提示词：用极简提示词排除模型本身问题

7.2 风格偏离排查顺序

1. 确认模型选择：是否使用了风格专用的模型？
2. 检查提示词顺序：风格描述是否放在足够靠前的位置？
3. 验证负面提示词：是否排除了不想要的风格元素？
4. 参考模型示例：对比官方示例用的提示词结构

7.3 细节粗糙排查顺序

1. 基础分辨率：是否低于模型训练尺寸？
2. 高清修复设置：重绘幅度是否合适？放大算法是否匹配？
3. 采样器选择：某些采样器（如Euler）更适合细节，某些（如DPM++）更适合速度
4. 后期放大：是否跳过了专用放大步骤？

8. 进阶技巧：针对性提升特定场景成功率

不同主题需要不同的优化策略，不能一套参数走天下。

8.1 人物生成专项优化

人物是废片重灾区，需要额外注意：

面部特写保护：

• 提示词加face focus, detailed eyes, perfect face
• 负面提示词加ugly, bad face, bad eyes
• 使用面部修复插件或后期专门修复面部

手部处理：

• 提示词明确手部状态：relaxed hands, natural fingers
• 避免复杂手部姿势（握拳、特定手势）除非必要
• 考虑生成后用手部模型专门重绘手部区域

8.2 复杂场景构图控制

多主体场景容易混乱，需要更强的构图控制：

空间关系明确：

• 用foreground, background, left, right等词定位
• 指定比例关系：large tree in the center, small house on the left
• 使用区域提示词（regional prompter）分区域控制

层次感构建：

• 提示词中体现景深：depth of field, bokeh background
• 用明暗对比引导视线：bright center, dark edges
• 考虑分图层生成后合成

8.3 特定材质与光影表现

金属、玻璃、水等材质需要特殊处理：

材质关键词：

• 金属：metallic, reflective, shiny
• 玻璃：transparent, refractive, glass material
• 水：liquid, flowing, wet

光影提示词：

• 明确光源方向：light from the left, sunset lighting
• 指定光影强度：soft light, harsh shadow
• 使用环境光术语：ambient occlusion, global illumination

真正减少废片的关键不是追求每次生成都完美，而是建立可靠的生成流程和排查方法。先保证基础参数稳定，再逐步优化细节；先解决单张图的质量问题，再扩展到批量生成。

我个人的习惯是，每尝试一个新模型或新主题，都会建立对应的参数模板和检查清单。这样下次遇到类似任务时，就不用从头开始试错，直接基于已有经验微调即可。

最后提醒一点：AI绘画工具更新很快，但核心原则变化不大。掌握这些基础方法后，适应新模型新功能会容易得多。重要的是理解每个参数背后的原理，而不是死记硬背某个具体数值。