图生图技巧 #

┌─────────────────────────────────────────────────────────────┐
│                    图生图流程                                │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  输入                        处理                      输出  │
│                                                             │
│  ┌──────────┐            ┌──────────┐            ┌──────────┐│
│  │ 参考图像  │ ─────────→ │ AI 模型  │ ─────────→ │ 新图像   ││
│  │ 文本描述  │            │ 条件生成  │            │          ││
│  └──────────┘            └──────────┘            └──────────┘│
│                                                             │
│  保留：构图、结构、部分特征                                  │
│  改变：风格、细节、部分内容                                  │
│                                                             │
└─────────────────────────────────────────────────────────────┘

图生图核心原理：

1. 图像编码
   ┌──────────┐     ┌──────────┐
   │ 参考图像  │ ──→ │ VAE 编码  │ ──→ 潜空间表示
   └──────────┘     └──────────┘

2. 添加噪声
   ┌──────────┐     ┌──────────┐
   │ 潜空间   │ ──→ │ 添加噪声  │ ──→ 部分噪声化
   │ 表示     │     │ (denoise)│
   └──────────┘     └──────────┘

3. 条件采样
   ┌──────────┐     ┌──────────┐
   │ 部分噪声 │ ──→ │ KSampler │ ──→ 新的潜空间
   │ + 提示词 │     │          │
   └──────────┘     └──────────┘

4. 图像解码
   ┌──────────┐     ┌──────────┐
   │ 新潜空间 │ ──→ │ VAE 解码  │ ──→ 新图像
   └──────────┘     └──────────┘

┌─────────────────────────────────────────────────────────────┐
│                    图生图工作流                              │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  ┌─────────────┐                                           │
│  │ Load        │                                           │
│  │ Checkpoint  │───────────────────────────────┐           │
│  └─────────────┘                               │           │
│                                                ▼           │
│  ┌─────────────┐     ┌─────────────┐     ┌─────────────┐   │
│  │ Load Image  │     │ CLIP Text   │     │             │   │
│  │             │────→│ Encode (+)  │────→│  KSampler   │   │
│  └──────┬──────┘     └─────────────┘     │             │   │
│         │                                  │             │   │
│         ▼               ┌─────────────┐   │             │   │
│  ┌─────────────┐        │ CLIP Text   │   │             │   │
│  │ VAE Encode  │        │ Encode (-)  │──→│             │   │
│  │             │        └─────────────┘   │             │   │
│  └──────┬──────┘                          │             │   │
│         │                                 │             │   │
│         └────────────────────────────────→│             │   │
│                                           └──────┬──────┘   │
│                                                  │          │
│                                                  ▼          │
│                                           ┌─────────────┐   │
│                                           │ VAE Decode  │   │
│                                           └──────┬──────┘   │
│                                                  │          │
│                                                  ▼          │
│                                           ┌─────────────┐   │
│                                           │ Save Image  │   │
│                                           └─────────────┘   │
│                                                             │
└─────────────────────────────────────────────────────────────┘

1. Load Image
┌─────────────────────────────┐
│ image: 选择参考图像          │
│                             │
│ 输出：                      │
│ ├── IMAGE → VAE Encode      │
│ └── MASK (可选)             │
└─────────────────────────────┘

2. VAE Encode
┌─────────────────────────────┐
│ pixels: IMAGE               │
│ vae: VAE                    │
│                             │
│ 输出：LATENT                │
│ → KSampler (latent_image)   │
└─────────────────────────────┘

3. KSampler (关键参数)
┌─────────────────────────────┐
│ ...                         │
│ denoise: 0.3-0.8 ← 关键！   │
│ ...                         │
└─────────────────────────────┘

Denoise（去噪强度）：

值范围：0.0 - 1.0

含义：
├── 0.0 - 完全保留原图
├── 0.3 - 轻微变化
├── 0.5 - 中等变化
├── 0.7 - 较大变化
├── 0.9 - 几乎重新生成
└── 1.0 - 完全重新生成（等同于文生图）

效果对比：
┌─────────────────────────────────────────────────────────────┐
│  denoise: 0.3    denoise: 0.5    denoise: 0.7              │
│  ┌─────────┐    ┌─────────┐    ┌─────────┐                 │
│  │ 轻微变化 │    │ 中等变化 │    │ 较大变化 │                 │
│  │ 保留细节 │    │ 部分改变 │    │ 大幅改变 │                 │
│  │ 风格调整 │    │ 风格转换 │    │ 内容重构 │                 │
│  └─────────┘    └─────────┘    └─────────┘                 │
└─────────────────────────────────────────────────────────────┘

应用场景与推荐值：

风格迁移：
├── denoise: 0.5-0.7
├── 保留构图，改变风格
└── 示例：照片 → 油画风格

细节增强：
├── denoise: 0.3-0.5
├── 保留主体，增强细节
└── 示例：草图 → 完整图像

内容修改：
├── denoise: 0.6-0.8
├── 部分内容改变
└── 示例：更换背景、添加元素

变体生成：
├── denoise: 0.4-0.6
├── 相似但不同的版本
└── 示例：同一场景的不同表现

完全重绘：
├── denoise: 0.9-1.0
├── 仅保留大致构图
└── 示例：基于构图的全新创作

风格迁移工作流：

目标：将照片转换为艺术风格

参数设置：
├── denoise: 0.5-0.7
├── 提示词：描述目标风格
└── 负面词：排除原风格

示例：
原图：风景照片
提示词："oil painting style, impressionist,
         brushstrokes, vibrant colors"
denoise: 0.6

结果：保留构图，转换为油画风格

草图细化工作流：

目标：将简单草图转换为完整图像

参数设置：
├── denoise: 0.4-0.6
├── 提示词：描述目标图像
└── 保留草图结构

示例：
原图：简单线条草图
提示词："detailed illustration, full color,
         professional artwork"
denoise: 0.5

结果：保留草图结构，添加细节和颜色

图像增强工作流：

目标：提升图像质量和细节

参数设置：
├── denoise: 0.3-0.5
├── 提示词：质量标签
└── 轻微调整

示例：
原图：低质量图像
提示词："high quality, detailed, sharp,
         8k resolution"
denoise: 0.35

结果：提升细节和质量

变体生成工作流：

目标：生成相似但不同的版本

参数设置：
├── denoise: 0.4-0.6
├── 相同提示词
├── 不同种子
└── 批量生成

示例：
原图：满意的作品
提示词：保持不变
denoise: 0.5
种子：随机

结果：一系列相似变体

多次迭代技巧：

目的：渐进式修改

方法：
├── 第一次：denoise 0.5
├── 第二次：denoise 0.4
├── 第三次：denoise 0.3
└── 逐步细化

工作流：
原图 → I2I(denoise:0.5) → I2I(denoise:0.4)
    → I2I(denoise:0.3) → 最终结果

优势：
├── 更精细的控制
├── 减少意外变化
└── 渐进式优化

局部修改技巧：

方法 1：使用蒙版
├── Load Image 提供图像和蒙版
├── 仅修改蒙版区域
└── 其他区域保持不变

方法 2：使用 Inpainting
├── 专门的修复节点
├── 精确控制修改区域
└── 更好的边缘融合

工作流：
Load Image → Mask → VAE Encode (Inpaint)
          → KSampler → VAE Decode

精确强度控制：

使用 KSamplerAdvanced：
├── add_noise: 控制是否添加噪声
├── start_at_step: 开始步数
├── end_at_step: 结束步数
└── 更精细的控制

等效 denoise 计算：
denoise = (end_at_step - start_at_step) / total_steps

示例：
total_steps: 30
start_at_step: 6
end_at_step: 30
等效 denoise = (30-6)/30 = 0.8

图生图提示词策略：

1. 描述目标而非原图
   ├── 告诉 AI 你想要什么
   └── 不是描述原图有什么

2. 关注变化部分
   ├── 强调要改变的特征
   └── 弱化要保留的特征

3. 风格一致性
   ├── 确保风格描述清晰
   └── 避免风格冲突

示例：
原图：人物照片
目标：动漫风格
提示词："anime style, manga art,
         cel shading, vibrant colors,
         detailed anime character"

图生图负面提示词：

1. 排除原风格特征
   ├── 照片 → 绘画："photo, realistic, photograph"
   └── 绘画 → 照片："painting, drawing, artwork"

2. 排除不需要的变化
   ├── 保持构图："cropped, out of frame"
   ├── 保持颜色："grayscale, monochrome"
   └── 保持细节："blurry, low detail"

3. 质量控制
   ├── 通用质量负面词
   └── 特定问题负面词

提高效率的方法：

1. 合理设置分辨率
   ├── 原图尺寸影响速度
   ├── 可先缩小处理
   └── 后期放大

2. 优化采样参数
   ├── 预览用低步数
   ├── 最终用高步数
   └── 快速迭代测试

3. 批量处理
   ├── 使用 batch_size
   ├── 自动队列
   └── 脚本自动化

提高质量的方法：

1. 选择合适的 denoise
   ├── 过低：变化不够
   ├── 过高：丢失特征
   └── 需要测试找到最佳值

2. 优化提示词
   ├── 清晰描述目标
   ├── 适当的权重
   └── 有效的负面词

3. 多次迭代
   ├── 渐进式修改
   ├── 每次小变化
   └── 累积效果更好

4. 后期处理
   ├── 高清放大
   ├── 细节增强
   └── 颜色调整

症状：生成图像与原图差异过大

原因：
├── denoise 设置过高
├── 提示词与原图冲突
└── 种子影响

解决：
├── 降低 denoise 值 (0.3-0.5)
├── 调整提示词，更接近原图特征
├── 固定种子测试
└── 添加保留特征的负面词

症状：生成图像与原图几乎相同

原因：
├── denoise 设置过低
├── 提示词权重不够
└── CFG 值过低

解决：
├── 提高 denoise 值 (0.6-0.8)
├── 增强提示词权重
├── 提高 CFG 值 (8-10)
└── 使用更强的风格描述

症状：修改区域边缘不自然

原因：
├── 蒙版边缘生硬
├── denoise 不匹配
└── 缺乏过渡

解决：
├── 羽化蒙版边缘
├── 调整 denoise 值
├── 使用专门的 Inpaint 模型
└── 多次迭代融合