如前所述，由于插画与 AI/3d 在“世界逻辑”方面存在区别，所以需要在画概念稿时就设计好逻辑的合理性。例如，在 p2 的原稿中，左边的翅膀与右边的飞行器颜色和质感是一致的，正因如此，它会被识别成一个物体。所以后来我把左翅膀去掉了，类似这样的情况会导致一部分修改时间的产生。

很多人存在一个误解，以为 Ai 对电脑配置的要求不高，这其实是错误的。拥有一台配置高的电脑主要体现在两个方面：

显存：显存决定了你出图的精度「分辨率上限」

显卡性能方面，性能会对出图速度产生影响。好性能的显卡两三小时就能产出成果，而差性能的显卡可能需要两三天才能完成。

以下是显卡AI跑图性能性价比表 / 提供制表人：

案例5-《Q版形象3D转化实验》

注意，概念稿原图是 21 年为 blg 设计的队员形象，如今队员已离队。此次 Ai 转换属于个人作品实验，并非官方版本。

本次实验解决了一些问题

1-还原人物设定中预想的布料与塑胶质感

p1：针织毛衣，皮裤，皮带，玩具狗

光泽卫衣是皮质的，卫裤是棉质的，背包是皮质的，眼镜是塑料的

经验表明，AI 出图具有很高的随机性。要让 sd 做出具有指定质感的内容，需要从以下四个方向进行把控：一是多模型转换；二是精准识别 TAg；三是参数调控；四是贴图指向辅助。

2.Q版人物的识别

符合工作流应用的 IP 形象，细节上需要精致，然而不能写实。我们不想看到“大头娃娃”这种情况。这就需要借助 lora 模型来生成“卡通效果”，这里用到了作者 mr 木人制作的「」lora。

3-分辨率的影响

如果你的参数和 tag 等都没有问题，然而出图却很糟糕，那么可以试着调节分辨率。在某些模型里，较小的分辨率适合用于生成。而另外一些模型，需要很高的分辨率才能展现出其效果，这或许与作者在训练模型时所使用的源素材的尺寸有关。在本次制作里，lora 模型对于 1200 及以上的分辨率所产出的图，其影响会变弱。因此，在第一次生成时，我将尺寸调低，先生成出卡通效果；而在第二次生成时，我把尺寸调高，更换了模型，以深化卡通效果的细节。这个过程对参数、数据以及设计的逻辑性是一个很大的考验。

4-贴图指向辅助

如果你在 SD 图生图时，使用关键词去描述物体的质感。然而生成的效果并不理想。那么或许可以尝试【贴图指向辅助】这种方法。

这与在 3D 中的工作逻辑有一定相似之处，不过使用概念图进行操作会更为直观。例如：倘若我希望左边人物的背带呈现皮革质感，那么就能够找到对应的材质贴图，将其填入背带选区，这就如同给了 AI 一个更为具体的 tag 提示词，接着再让 AI 进行下一步的“融合”操作，它就会将其融入到整个画面之中。

二.SD的功能介绍

你是否会有这样的困扰呢？打开 SD 之后，看着那些数都数不清的按钮，就仿佛在看天书一样，感觉自己像是陷入了一头乱麻之中，完全不知道该从何处下手。

我建议先从以下这些关键词开始着手，按照优先级去反复进行跑图，尝试得出各个参数对于出图效果的权重。

AI 模型相关方面的了解，包括 Tag 标签以及其功能性；电脑配置方面，特别是显卡；还有分辨率设置；采样器效果；重绘幅度；提示词系数；-lora-局部重绘；seed；WD1.4 标签器。

AI 的工作流应用需要通过实验来进行验证。仅仅依靠想象或者以为某事如此，很容易遇到挫折。大体的实验流程如下：先有概念稿，然后进行参数对照，挑选出合适的模型，让 AI 生成内容，将模型进行互融转换，进行出图后期合成，接着再次让 AI 进行反推，最后进行调试等。

以下是在实验中，关于SD的常用功能介绍

1.模型的作用

1.定义画面风格（画风）

2.模型会限制画面里出现的内容

我们能够运用多个模型去推导内容。比如在模型 A 中生成百分之三十，在模型 B 中生成百分之七十，最后将它们进行合成。

可以利用 VAE 来提升模型的效果，这种材质增强就如同给游戏添加光追效果一样。

可以利用合适的 lora 来弥补模型的不足，比如增加特定的脸、服饰、物品或风格等内容，就像给游戏加 mod 一样。

5.模型的下载：

2.Tags编写知识

1.标准三段术式：前缀+主体+背景（+后缀）

前缀是强调图片质量的词汇，用于凸显图片的画风，也是图像整体光效的词汇。

主体即图画着重凸显的部分，可为人物、建筑或景物等。对于角色而言，通常包含面部、头发、身体、衣着以及姿态等方面的描写。

背景是对周围环境的描写。后缀通常与效果器相似，其作用是对场景进行丰富。

2.权重控制

基础的权重是通过控制在咒语中的位置来实现的。靠前的词汇会更受重视。权重控制可以利用对加括号（如 ( :1.5 )）来加强权重，括号后添加 ":1.5"就是给词条赋予权重，数字就是权重大小，数字越大权重越大，默认是 1，通常在 0 到 2 之间。也可以通过 {} 来加强权重，用 [] 来减弱权重。 ()为对其中内容权重乘以1.1，[]为对其中内容除以1.1

权重溢出指的是权重溢出现象。其表现为权重被设置得过大，使得原本的修饰词摆脱了词条的束缚，进而溢出到其他元素里，最终致使画面崩坏。

3.tag词库准确性

我们提及过 AI 世界的概念。核实 Tag 的准确性时可以对照查看。有时自己直接通过翻译写的词汇可能无法被识别。

4.限制还是释放?

tag 越精细，就会对画面的限制越大，同时 AI 自由发挥的空间就会越小。精简 tag（尤其是负面的 tag），就能够释放 AI 的想象力。

5.tag反推

CLIP 反推提示词-侧重于对图像的描述，生成句子 。

反推提示词 -侧重于对图像内容的识别，生成tag。

我个人更倾向于使用第三种，即 wd1.4 标签器。我觉得它在图片 Tag 的识别方面更为精准，能够通过阈值来掌控生成 Tag 的长短，还可以更换反推模型，以此改变提示词的变量与优先级。（由于它对显存占用较大，使用完后记得点击卸载反推模型。）

3.Lora的作用

1.类似游戏里的mod，目的是更精准的控制效果

注意 LoRA 强度会对画面效果产生影响。在 lora 中同样会有权重溢出现象，一般情况下 lora 的权重不会超过 1，并且可以在 C 站找到 lora 模型作者的推荐数值。

三.案例实操过程

在这次分享中，就以封面图为案例拆分讲解创作过程。

用SD把概念稿生成可控3D效果过程图

步骤1.概念图调整

根据模型风格的要求，我们需先在概念图上进行调整，让它契合 AI 及模型内容的生成逻辑。

在本次案例当中，我所使用的模型是【和】，而 VAE 是【vae-ft-mse--ema-】。

在前期图生图生成过程中，有过三次概念图调整。

概念图 1（原图）：SD 图生图会依据图案或结构线的分割来辨认物体，清晰的线稿以及底色会对效果产生直接影响。概念图 1 具备线稿清晰且结构合理的条件。至于是否需要铺色，这取决于你使用文生图+还是图生图模式来制作。在图生图模式下，建议铺一个底色，这样便于你控制生成图的颜色。改变概念图颜色能够控制画面颜色，这种方式比在 SD 软件中通过关键词调整要快很多。

概念图 2 ：在生成概念图 1 的过程中，SD 对小电视底部的星球存在识别困难，所以将其调整为概念图 2 的效果。具体来说，增加了服装的阴影，添加了蓝色背景，扩展了底部星球并进行了填色，还在关键词中添加了【，】等对背景的描述引导。再次进行生成后，小电视的立体感和空间感得到了提升，但星球的效果仍然不明显。

概念图 3 是对概念图 2 进行优化修改得到的。首先调整了内容 1，即加深了背景环境的深度，让主体更加突出。然后在花瓣中搜索“月球素材”，并进行【贴图指向辅助】，在概念图星球区域内贴上月球质感材质，以此对 AI 进行更具象的引导。对小电视的头部颜色进行调整，将其修改为渐变效果。这种颜色过渡能够指引 AI 对画面的灯光效果，效果可参照完成图。

步骤2.TAG关键词反推

将概念图放置到 WD1.4 标签器里，然后进行图片 tag 的反推，从而生成【主体关键词】

在 WD1.4 界面上传图片后，接着选择反推模型 wd14--v2（个人建议使用此模型），然后将阈值调整为 0.2（因为阈值越低，生成的词条就会越多）。

然后我们将 tag 复制到翻译软件里，接着进行核查和筛选（如果英语很好的话可以省略这一步）。之后删除那些不符合画面需求的 tag，并且添加补充内容的关键词。

按照上述的 Tag 标准三段术式，即前缀+主体+背景（+后缀），来对 tag 术语进行重新排列和组成。

这里添加的前缀有：3d 、 、soft 、rim 、tic 、H.R. 、8k best 、best art 、CG ，这些前缀用于强调图片质量、凸显图片的画风或图像整体光效，(-:1 37) 也包含在其中。

我添加的负面提示词为：画面中不希望出现的内容，包括：( :2)、(low :2)、( :2)、(())、(())、skin、skin、age spot、(:1.6)

在图生图生成过程中，关键词会因画面和控制条件的改变而修改。不要习惯于将一段术语用于“通关”，要多培养对词条权重和数据敏感度的感知能力。

步骤3.参数控制

下一步我们通过调整几个图生图模式常用参数来控制画面效果。

1.缩放模式：这里推荐【比例裁剪后缩放】

迭代步数可以被理解为画面精细度的数值，不过它会占用较大的显存。由于在 30 步之后提升并不明显，所以推荐的数值为 30。

因此，在图生图重绘时，我可以根据自己的需求选择每一步适合的采样模式。

重绘尺寸相关情况如下：若你的参数和 tag 等均无问题，但出图效果很糟糕，可尝试调节分辨率。在某些模型中，较小的分辨率适合用于生成。而在另外一些模型中，需要很高的分辨率才能展现出其效果，这或许与作者在训练模型时所使用的源素材的尺寸有关。

提示词引导系数指的是图像与你的提示的匹配程度。提升这个值，图像就会更贴近你的提示（依据模型而言），不过它也会在一定程度上使图像质量降低。可以通过增加更多的采样步骤来对其进行抵消。

重绘幅度如同下笔的力度。就如同在画水彩画时，从一抹淡淡的红开始描绘一朵精致、漂亮的牡丹。因此，图生图的重绘幅度需依据每一笔的“力度”进行调整。初始阶段不建议过高，可在 0.1 至 0.3 之间。之后多次进行图生图叠加，如 0.1 + 0.2 + 0.1 等。

步骤4.多模型推导

有些模型的结构较好，而有些模型的细节较好。在 SD 图生图的过程中，首先使用模型 a 进行百分之三十的推导，然后再使用模型 b 并不断进行反推，这是一个实验过程。同时，对过程图的调整也非常重要。

步骤5.修改与合成

不同模型生成的图各有其优点。在模型 A 中，耳机的识别效果更为出色；而在模型 B 中，宇航服的效果则更好。这是因为开发者在训练不同模型时所提供的素材库类型存在差异。我们能够将他们两种模型所生成的过程图，在 ps 里借助蒙版等工具合成为一张图，既保留优点，又修改不足。接着把修改好的图放置到 SD 图生图中再次运行，持续进行生图操作，这样 AI 就能将质感更好地融合在一起。

在这一步，希望大家能够重读之前提到的【稳定】与【细节】的逻辑关系。在修改过程图并重新导入 AI 生成的环节中，需要将每一次图生图的过程在大脑中进行数值化处理，并且借助修改过程图来对数值进行控制。

步骤6.输出总结

首先，我们在 PS 里对图片进行输出。接着，在输出后的图片上进行后期调色。然后，修饰图片的细节。最后，进行排版等操作，使这些步骤成为完整的工作流。

整个图生图实验流程包含参数、模型等方面。在这个过程中，不断进行修改和生成，并且持续循环与调整，一直到我对画面感到满意为止。如前文所述，大约十分钟的时候，实际上已经达到了百分之九十的效果。如果无法看出画面存在问题，并且对结果满意，就会停留在这个阶段。其实使用 Ai 进行设计和其他工作一样，困难之处在于那百分之十的突破。

总结

我从视觉设计师的角度出发，分享了对 AIGC 工作流实验的一些个人经验，现分享给大家，欢迎大家留言探讨。这是【运用 SD 细化工具进行高效工作流】的第一篇，内容约 8500 字，然而由于篇幅限制，还有很多细节无法深入解析，不过不必担心，这些可以留到第二篇。最后，分享一张思维导图，这张思维导图是关于本篇文章在构思时的内容。它能对整体内容进行更概括性的总结。如果本篇内容对你有帮助，那就给我点赞支持一下吧。

-卡昂卡昂