企业官网建设流程全解析

做图像生成这行久了，你会发现一个挺尴尬的现象：模型一代比一代强，出图速度快到几秒钟一张，但真正能直接拿去用的图却没见多。大部分时间不是花在"生成"上，而是花在"挑"上——生成二十张，挑一张勉强能看的，再花半小时修。问题的根子不在清晰度，而在两个东西：风格控制和质感精细度。前者决定你想要的调子能不能稳定复现，后者决定图放大之后是不是还站得住。Krea 2 这一代模型把这两件事往前推了一步，尤其是风格参考与结构参考的解耦、以及细节层的重建能力，让"控图"这件事第一次变得像工程而不是玄学。这篇东西写给两类人：一类是被"抽卡"折磨得没脾气、想把手上的流程稳定下来的从业者；另一类是刚上手、还没被坑够、想少走点弯路的新人。下面我把风格控制的三层结构、质感崩塌的成因、一套可复现的三段式流程，还有我踩过的那些坑，一条条拆开讲。

1. 风格控制为什么比提示词玄学更值得投入

1.1 抽卡式出图的真实成本

很多人对图像生成的理解还停留在"提示词写得好，图就好"。这话在两年前或许成立，现在基本失效了。原因很简单：模型对自然语言的理解越强，它对"风格"这种模糊描述的解释空间就越大。你写"电影感",它可能给你冷调青橙,也可能给你暖调棕黄;你写"胶片质感",它可能理解成颗粒,也可能理解成褪色。每一次生成都是一次概率采样,你实际上是在跟一个黑箱讨价还价。

我算过一笔账。假设单张出图耗时 8 秒,一次出 20 张,那就是接近 3 分钟;再加上挑图、判断、记参数的时间,一个"满意结果"的平均成本在 15 分钟以上。如果一天要出 30 张可用图,光生成环节就吃掉七八个小时。真正压垮人的不是算力,是注意力——你必须在几十张里反复比对微妙的差异,这种活儿干两小时就废了。

所以风格控制的核心价值,不是"让图更好看",而是把不可控的采样变成可控的映射。当你有一个稳定的风格锚点,出图数量可以从 20 张降到 4 张,挑图时间从 10 分钟降到 1 分钟,参数还能复用。这才是效率的分水岭,跟审美关系不大。

1.2 风格的三层结构:构图语言、材质语言、光影语言

想把风格控住,先得知道风格是由什么构成的。我的经验是把它拆成三层,拆开之后你会发现,大部分"风格不像"的问题,其实是其中某一层没对上。

构图语言指画面怎么组织:主体占多大比例、视线往哪引、留白多少、有没有前景遮挡、透视是广角还是长焦压缩。这一层决定了图的"骨架",也是最容易被参考图带偏的一层——很多人拿一张好图当参考,结果生成出来的构图跟参考图几乎一样,风格却完全不是那么回事,就是因为只学到了骨架没学到皮肉。

材质语言指表面看起来是什么做的:皮肤是哑光还是油润、布料是棉麻还是丝绸、金属是拉丝还是镜面、石头是粗粝还是打磨过。这一层是"质感精细度"的主战场,也是最容易出现"塑料感"的地方。

光影语言指光从哪来、软硬如何、有没有环境光溢出、高光形状是什么样。这一层最容易被忽略,但它对"风格像不像"的贡献可能占一半。同一张脸,硬光打出来是硬汉片,柔光打出来是护肤品广告,材质完全没变。

理解了这三层,你在给参考图的时候就有判断依据了:我到底是想复刻它的构图,还是它的材质,还是它的光?三者需求不同,处理方式完全不同。Krea 2 把风格参考和结构参考拆成两条独立的控制链路,本质上就是让你能分别指定"学骨架"和"学皮肉",这在实操里省了非常多事。

1.3 Krea 2 在控制链路上的关键变化

说几个我实际用下来感受最明显的地方。第一是风格参考与结构参考的解耦。早期做风格迁移,要么用 IP-Adapter 类的方案,把参考图的整体特征一股脑灌进去,结果构图也被带跑;要么用 ControlNet 控结构,但风格还是靠提示词硬凑。Krea 2 把这两件事分开之后,你可以拿一张画面很普通但质感极好的图当风格源,同时用另一张构图讲究的图当结构源,两边互不干扰。这个变化听起来小,实际工作流里等于把"找参考图"的难度砍掉了一大半——你不再需要找一张"构图和质感都完美"的图,而是各找各的。

第二是风格强度的连续可调。不是简单的开或关,而是有一个权重区间。我实测下来,权重在 0.4 到 0.7 之间是最舒服的:低于 0.4,风格几乎不起作用,模型还是会按提示词的默认审美走;高于 0.8,参考图的瑕疵会被一起搬过来,比如原图的脏点、过曝、奇怪的颜色偏移。这个区间不是绝对的,跟参考图的干净程度强相关,下面会细说。

第三是细节层的重建。这是"质感精细度"最直接的体现。老模型的通病是:低分辨率阶段定下的东西,放大之后只是把模糊放大成更大的模糊。Krea 2 在放大环节会重新推断高频细节,皮肤纹理、织物纤维、金属划痕这些在低分辨率阶段根本不存在的信息,会在精修阶段被"补"出来。这个能力有好处也有风险——补得准是加分,补错了就是灾难,后面会讲怎么控制。

注意:风格参考的权重不是越高越好。很多人习惯性拉到 0.9,觉得"学得越像越好",实际上这个区间最容易把参考图的噪声、压缩痕迹、色偏一起继承过来,后期修起来比重画还费劲。

2. 质感精细度到底由什么决定

2.1 塑料感的三个来源

"塑料感"这个词在圈子里被用烂了,但很少有人把它拆开说。我的观察是,它至少有三个独立来源,对症下药才有效。

第一个来源是高频细节缺失。真实世界的表面几乎不存在完全均匀的区域:皮肤有毛孔和细纹,墙面有颗粒和色差,布料有纤维走向。AI 在低分辨率阶段会把这些东西统一"抹平",剩下大片色块。放大时如果只是插值,抹平的区域就变成了光滑的塑料面。解决方法不是加"细节"这种词,而是要么在提示词里明确材质(比如"可见的皮肤纹理""织物经纬"),要么在精修阶段用局部重绘把细节补回去。

第二个来源是光影逻辑断裂。塑料感强的图,往往高光和阴影对不上:光源明明在左上,右下却有莫名其妙的高光;物体边缘没有环境光溢出,看起来像贴上去的。这是模型对"全局光照一致性"理解不足导致的。处理办法是减少画面里的光源数量,把"多光源戏剧化打光"改成"单主光加环境反射",一致性会好很多。

第三个来源是噪声分布过于均匀。真实照片的噪声是有结构的:暗部噪点多、亮部噪点少,而且噪点跟材质相关。AI 生成的图有时候会均匀撒一层"颗粒",看起来像加了滤镜而不是像照片。这个在后期可以用带亮度蒙版的颗粒叠加来救,但在生成阶段,降低 CFG 或者换采样器往往更省事。

2.2 有效信息密度:分辨率不是万能钥匙

新手最容易犯的错,是把"清晰"等同于"分辨率高"。我见过有人直接生成 4K,结果细节反而更假——因为模型在超高分辨率下,每一块区域分到的"注意力"变少了,它只能靠重复纹理填充,于是就出现了那种一眼假的重复砖墙、重复树叶。

真正决定观感的是有效信息密度,也就是单位面积里有多少"有意义的差异"。一张 1024 的图,如果皮肤、头发、布料各自有清晰的材质区分,看起来会比一张 4K 但到处是均匀色块的图更"高级"。所以我的做法一直是分级生成:低分辨率定构图和光影,中分辨率定材质,高分辨率只做局部精修,不做整体放大。整体放大的收益在 2 倍以内最明显,超过 2 倍基本都是靠猜。

具体数值上,我的习惯是:草图阶段 768 到 1024,定型阶段 1024 到 1280,精修阶段按需局部放大到 1536 或 2048。再往上,除非是印刷级需求,否则性价比极低。这个区间不是拍脑袋定的,是因为多数模型在 1024 附近训练样本最密集,超过这个尺度,它对细节的"想象力"会迅速下降。

2.3 采样参数与质感的对应关系

参数这块,我整理了一张自己常用的对照表,不同目标下的取值差异挺大的。这里说的都是常见实践下的经验值,具体还要看你用的模型版本和采样器。

几个关键点的逻辑解释一下。CFG 不是越高越好,高 CFG 会让模型更"听话",但代价是色彩过饱和、边缘出现硬边、材质变得生硬。我一般把 CFG 控制在 5 到 7 之间,超过 8 基本就是在牺牲质感换服从度。

降噪强度决定"改多少"。局部重绘时,降噪 0.5 意味着保留一半原始信息,这个值太低会让新内容融不进去,太高会把周围结构一起改掉。我的经验是先用 0.55 试一次,看边界有没有明显的"接缝",有就往下调 0.05,一直调到接缝消失为止。

步数和质感不是线性关系。20 步到 30 步的提升很明显,30 步到 50 步基本没差别,50 步以上纯属浪费算力。有些采样器在 25 步左右就收敛了,多加步数只会让画面变得更"平"。

3. 一套可复现的三段式实操流程

3.1 参考图筛选:什么样的图才配当风格锚

这一步的权重比很多人想象的高。我见过太多人随便找张网图当参考,然后抱怨"风格控制不准"。参考图的质量直接决定了上限,筛选标准我总结了四条。

第一条,参考图必须干净。没有明显噪点、没有过度锐化、没有奇怪的色偏。如果参考图本身有压缩块效应,模型会把它当成"风格特征"学过去。这一点在 Krea 2 上尤其明显,因为它的细节重建能力更强,连瑕疵都会重建得更清楚。

第二条,参考图的光照要单一。一张图里有三四个光源,模型很难判断哪个是主导,结果就是学了个四不像。我优先选自然光或者单主光的图,一致性最好。

第三条,参考图的材质要明确且集中。如果一张图里同时有金属、皮肤、布料、玻璃,每种材质占的比例都不大,模型学到的就是"混合平均",反而不如一张只有皮肤和布料的图来得准。想控材质,就一张图对应一种主材质。

第四条,参考图的构图尽量普通。这点反直觉,但很关键。如果你用一张构图极其讲究的图当风格源,即使结构参考是另一张,风格链路也会把它的构图倾向带过来。我一般专门准备一批"构图平庸但质感极好"的图当风格库,用起来非常顺手。

3.2 三段式生成:定型、重绘、放大

我把整个流程拆成三段,每段的目标单一,这样出问题时容易定位。

第一段是定型。目标只有一个:确定构图、主体位置、光影方向。这一段不看细节,甚至允许画面有点糊。参数上用中等步数、稍高 CFG,提示词只写主体和场景,不写材质形容词。我一般一次出 4 到 6 张,挑一张结构最对的,其余的存着当备选。

第二段是材质重绘。拿着定型的图,用较低降噪做整体重绘,这时候才把材质描述加进去。降噪控制在 0.35 到 0.5 之间,目的是"改表面不改结构"。这一段最容易出问题的地方是降噪给高了,结构一改,前面定型的功夫全白费。我的做法是每次只调 0.05,边调边看。

第三段是局部精修加放大。只对关键区域做重绘:脸部、手部、产品主体、文字区域。这些地方是最容易被放大后暴露问题的。局部重绘的时候,蒙版要比目标区域稍微大一圈,留出融合空间,不然边界会有明显的"补丁感"。

这三段之间不是必须严格串行,有时候第二段的效果已经够用,就可以跳过第三段的整体部分,只做局部。但只要涉及"放大后要能用",局部精修这一步基本省不掉。

3.3 参数配置与实操记录

拿一次具体的测试来说。目标是生成一张有人物、有织物、有金属配件的静物场景图,风格参考用一张质感细腻的室内自然光照片。

第一轮,结构定型:分辨率 1024,步数 26,CFG 6,风格权重 0.55,结构权重 0.7。出来 6 张,其中 2 张构图可用,选了主体偏左、留白在右的那张。这一轮的问题是有张图里主体的手部结构明显不对,但没有关系,这个阶段不修手。

第二轮,材质重绘:分辨率 1152,步数 32,CFG 5,风格权重提到 0.65,降噪 0.42。这一步的效果提升非常明显,织物的经纬感出来了,金属表面从"色块"变成了"有拉丝方向的面"。但同时出现了一个新问题:背景的墙面出现了一种奇怪的均匀颗粒,像是加了噪点滤镜。判断是降噪偏低加上风格权重偏高,把参考图的某些纹理特征放大了。把风格权重降到 0.58,重跑一次,颗粒消失。

第三轮,局部精修:只处理手部和金属配件。手部蒙版范围扩大 15%,降噪 0.58,步数 34,CFG 5.5。第一遍出来手指数量对了但关节位置偏软,第二遍把降噪提到 0.62,关节结构清晰了,但边缘和袖口有点脱节,于是回到 0.56 再修一次边界,最终融合得比较自然。

第四轮,放大:整体放大 1.5 倍,降噪 0.25,CFG 4。这一轮基本没动结构,主要是让皮肤纹理和金属划痕变得可辨。放大后检查了三个地方:眼睛、指甲边缘、金属高光转折处。这三处是最容易露馅的。

整个流程下来,从开始到可用成品大约 40 分钟,其中生成只占 10 分钟,剩下都是判断和微调。这个时间分配很正常,别指望生成环节能省掉判断的成本。

3.4 局部重绘的边界处理

局部重绘最容易翻车的地方不是内容本身,是边界。常见症状有三种:补丁边缘有一圈明显的色差;新内容和原图的光影方向不一致;接缝处的纹理突然断开。

第一种的成因通常是蒙版太贴边,模型没有足够的上下文来判断颜色过渡。解决办法很简单,蒙版往外扩 10% 到 20%,让模型手里有"参考色"。

第二种是提示词里没写清光源方向。局部重绘时模型只能看到蒙版内的内容,它不知道全局光从哪来。所以每次局部重绘,提示词里都要重复一遍光照条件,比如"左上主光、柔和阴影"。这一步很多人省,结果就是补上去的东西像贴纸。

第三种是材质的方向性问题,尤其在织物和毛发上明显。处理办法是在蒙版边缘做羽化,让过渡区足够宽,同时把降噪稍微提高一点,让模型有空间去"接"纹理走向。羽化半径我一般设成蒙版短边的 8% 到 12%,这个范围比较通用。

提示:局部重绘之前,先把整张图复制一份存底。改坏了能退回去,比重跑一遍省时间。这个习惯救过我很多次。

4. 问题排查实录:风格漂移与质感崩塌

4.1 风格漂移的六种症状与对策

风格漂移是最常见的问题,但它的表现有好几种,对策完全不同。我把遇到过的整理成一张速查表。

这张表里最值得说的是第一条和第四条,因为它们看起来是矛盾的——一边说颜色会偏,一边说细节会脏,其实两者同源:都是参考图的信息"过量注入"。权重是总闸门,但更根本的解决办法是先把参考图处理干净。我现在习惯在把图丢进去之前,先做一次轻度降噪和色阶归一化,效果比在后面调参数好得多。

4.2 质感崩塌的典型场景

有几个场景是质感崩塌的高发区,基本每次都会遇到,提前知道能省很多时间。

第一个是大面积纯色区域。比如纯色背景、大面积天空、单色墙面。这些区域没有纹理可以抓,模型只能靠噪声填充,放大后就是一块死板的色块。处理办法是在提示词里给它一个"轻微微观结构",比如"细微的墙面颗粒""空气中有极淡的雾感",让模型有东西可抓。但别写太重,写重了会变成脏。

第二个是毛发和织物。这两类东西的特点是"有方向但不规则",模型很容易生成出规律的条纹或者糊成一团。毛发的问题一般出在分辨率不够,单独对头发区域做一次高分辨率局部重绘就能解决大半。织物的问题更多是提示词太笼统,"布料"这个词信息量太低,得具体到"粗纺羊毛""平纹棉""带绒感的针织"。

第三个是金属和玻璃。这两类材质的质感完全依赖反射和高光的准确性,而模型对"反射什么"经常判断错误。金属表面反射的应该是环境,但模型有时候会反射出一个不存在的窗户。处理办法是降低画面复杂度,减少环境中的干扰元素,同时在提示词里明确"反射环境为柔和的天光"这类描述。

第四个是皮肤。皮肤的塑料感几乎全部来自"过度平滑"。有意思的是,加"皮肤纹理""毛孔"这些词的效果有限,更有效的是降低 CFG 并且减少"完美""精致"这类形容词。因为模型对"精致"的理解就是磨皮。

4.3 高难度元素的处理:手、文字、织物、金属

手部问题老生常谈,但我想说一个不太一样的思路:不要试图一次生成对手。手在画面里占的面积小,模型分到的注意力少,指望它一次画对是赌博。更靠谱的做法是先让整体构图成立,然后单独对手部做高分辨率局部重绘,蒙版范围覆盖整只手加手腕,给足上下文。重绘时提示词写清楚手指的姿态("手指自然弯曲,拇指在外侧"),比写"完美的手"有用得多。

文字是另一个坑。图像模型对文字的处理一直是弱项,能生成"看起来像字"的东西但经不起看。如果图里必须有文字,我的建议是生成阶段只留出空白区域,文字用后期软件叠上去。硬要模型生成的话,把文字区域单独切出来做局部重绘,并且把字号放大、字数压到三四个,成功率会高一些。

织物和金属前面说过,补充一点:这两类材质的质感在中分辨率阶段就定型了,等到高分辨率再修,成本会翻倍。所以中期重绘那一步千万别跳过,该给的降噪要给够。

5. 一些不太写在文档里的经验

5.1 提示词的写法:形容词是毒药

这句话可能有点绝对,但我确实这么认为。形容词在图像生成里的作用是"调整概率分布",而不是"精确描述"。你写"唯美",模型不知道你要的是哪种唯美,它只会往训练数据里"唯美"标签的均值靠,结果就是那种一眼 AI 的糖水片。

更有效的写法是用名词和关系代替形容词。不写"质感细腻的皮肤",写"皮肤表面可见细密毛孔,鼻翼两侧有轻微油光";不写"高级的金属",写"拉丝不锈钢,表面有平行细纹,反射出柔和的灰白天光"。前者是让模型猜,后者是给它具体的目标。

另一个技巧是控制信息密度。提示词不是越长越好,超过一定长度之后,后面的词会被前面的稀释。我的习惯是把最重要的三到五个特征放在最前面,次要的往后放,总长度控制在一个合理区间。写完之后自己读一遍,如果读起来像产品说明书,那大概率模型也理解不了。

还有一点,负面提示词的作用被高估了。很多人往里塞几十个词,实际上大部分不起作用,反而会干扰。我一般只留三到五个真正高频出现的问题项,比如"模糊""多余的手指""文字水印",其余的靠正面描述解决。

5.2 批量一致性与工程化

如果你要出的不是一张图,而是一组风格统一的图,那整个思路要变。单张图可以靠微调碰运气,一组图必须靠固定变量。

核心做法是锁定除内容之外的所有变量:种子固定、采样器固定、步数固定、CFG 固定、风格参考图固定,只改描述主体的那部分提示词。这样出来的图,风格一致性会好非常多。我试过用这个方法出一组十几张的产品图,风格统一度基本能达到人工修图的水准。

另一个经验是建立自己的素材库。风格参考图、结构参考图、常用的局部蒙版、验证过的参数组合,分类存好。这件事前期费时间,但用起来效率提升是数量级的。我现在手上有一套按材质分类的风格库,皮肤、金属、织物、木材、石材各十几张,用的时候直接调,不用每次现找。

最后说一个心态上的事。这类工具的能力边界一直在变,今天验证有效的参数,下个版本可能就不适用了。所以比起记参数,更值得记的是判断方法:怎么看出这张图是光影错了还是材质错了,怎么判断问题出在参考图还是提示词。参数会过时,判断力不会。我在实际使用中最大的体会就是这个——工具越强,人的判断越值钱,因为工具能给你的选项变多了,选错的成本也变高了。