稳定扩散的提示技巧
内容提要
本文介绍了使用Stable Diffusion生成图片的关键技巧，包括构建有效提示的方法和参数对输出结果的影响。提示应具体明确，包括主题、媒介、艺术风格、著名艺术家等关键词。还可以使用因子和关键词混合等方法强调某些关键词。最后，需要通过实践来不断尝试和改进。
延伸解读
模型选择对提示效果的影响
文章指出，不同模型对提示的理解不同，例如“Anything”模型擅长生成日式动漫风格，而“Realistic Vision”模型则输出照片级写实图像。因此，编写提示时需考虑模型特性，同一提示在不同模型下可能产生截然不同的结果。此外，模型的基础版本（如SD 1.5与SDXL 1.0）可能影响兼容性和提示解析，选择时需留意。
参数设置与提示的协同作用
除了提示，采样方法和步骤数也影响生成质量。文章建议大多数采样器使用20到40步以平衡质量与速度。步骤数越多，结果通常越准确，但效果取决于采样器。提示在每一步引导U-net将噪声细化为图像，因此提示的明确性至关重要。参数与提示需协同调整，才能达到理想效果。
强调关键词的语法与效果
文章介绍了通过因子和括号调整关键词权重的具体语法，如(keyword: factor)可精确控制权重，而圆括号和方括号分别以1.1和0.9的倍数增减权重。例如，(keyword)等效于(keyword: 1.1)，[keyword]等效于(keyword: 0.9)。这些方法能帮助模型更关注或忽略特定元素，但需注意过度强调可能导致其他元素被忽略。
负提示的通用模板与局限性
负提示用于描述不应出现在图像中的内容，如低质量、水印、畸形等。文章提供了一个可复用的通用负提示模板，并指出某些模型（如SD 2.0或SD XL）对负提示依赖较低。使用负提示能有效避免常见缺陷，但并非所有模型都同样敏感，需根据模型调整。
Q&A
如何构建有效的Stable Diffusion提示？
有效的提示应具体明确，包括主题、媒介、艺术风格和著名艺术家等关键词。
Stable Diffusion生成图片时，哪些参数会影响输出结果？
影响输出的参数包括模型、采样方法和步骤数，步骤数越多，结果越准确。
什么是负提示，如何使用它？
负提示用于描述不应出现在图像中的内容，可以帮助提高生成图像的质量。
如何通过关键词强调来改善生成的图像？
可以使用因子和括号来强调关键词，从而影响生成图像的特定元素。
在Stable Diffusion中，如何选择合适的模型？
选择模型时应考虑其风格特性，例如“Anything”模型适合生成日本动漫风格，而“Realistic Vision”模型适合生成照片真实感图像。
生成图像的实践有什么重要性？
实践是掌握Stable Diffusion生成图片的关键，需不断尝试和改进以获得更好的结果。
