Stable Diffusion 人物三视图制作教程：三种主流实现方案详解

1. 可控性较弱：基于 SD1.5 或 SDXL 的基础模型对'三视图'这一特定构图的准确理解有限，往往需要多次随机生成（抽签）才能找到符合要求的图片。
2. 视角偏差：部分模型可能无法同时呈现完美的正侧背三个角度，或者导致服装细节不一致。
3. 优化策略：如果某个视图缺失，可适当提高该视图关键词的权重，例如将 side view 调整为 (side view:1.3)。

二、实现方式二：借助三视图 LoRA 模型

为了弥补基础模型在三视图生成上的不足，社区开发了专门的 LoRA 模型。这类模型经过特定数据集微调，能显著降低生成难度。

1. 资源获取与选择

在各大模型社区平台搜索关键词'三视图'，可以找到多种风格的 LoRA。推荐使用使用量较大且维护良好的模型，例如支持 SDXL 和 SD1.5 双版本的通用型三视图 LoRA。

• 推荐模型：mw_3d 角色 ip 三视图 q 版
• 版本说明：
  • V2.0.1：基于 SDXL 1.0 底模，对动物及复杂生物支持更好。
  • V1.1：基于 SD1.5 底模，兼容性更强，推理速度更快。

2. 配置示例（以 SDXL 为例）

• 大模型：SDXL_1.0
• 触发词：mw_sanshitu, three view, full body
• 正向提示词：

  mw_sanshitu, full body, mermaid, simple background, standing, lora:mw_3d 角色 ip 三视图 q 版_2.0.1:0.9
  

• 反向提示词：

  easynegative, dark, bad hands, bad feet, worst quality, low quality, normal quality, bad artist, bad anatomy, blurry
  

• 采样器：Euler a
• 迭代步数：25
• 图片尺寸：1024x768
• CFG Scale：7

3. 视角控制技巧

虽然 LoRA 提升了成功率，但视角仍可能随机。建议在提示词中显式加入视角关键词：

mw_sanshitu, full body, front view, side view, back view, mermaid, simple background, standing

优缺点总结：

• 优点：生成速度快，三视图结构稳定，无需大量抽签。
• 缺点：主体姿势控制依然受限，若需特定动作（如奔跑、跳跃），仍需配合其他工具。

三、实现方式三：使用 ControlNet OpenPose 模型

这是目前可控性最强的方法。通过 ControlNet 插件加载 OpenPose 预处理器，可以精确指定人物的骨架姿态，从而强制模型生成指定视角的三视图。

1. 准备工作：特征图片制作

首先需要一张包含正、侧、背三个视角的人物骨架图或参考图。可以通过以下方式获取：

1. 在模型库寻找现成的三视图真人照片。
2. 使用绘图软件绘制简易骨架图。
3. 利用 ControlNet 的 Openpose 预处理器提取现有图片的姿态信息。

2. 详细操作步骤

第一步：大模型与参数设置

• 大模型：AWPortaint V1.4（或其他写实风格模型）
• 正向提示词：

  (three views of character:1.2), (three views of the same character in the same outfit:1.2), 1girl, long hair, wear school uniform, a proud and confident smile expression, studio fashion portrait, studio light, pure white background
  

• 反向提示词：

  ng_deepnegative_v1_75t, (badhandv4:1.2), (worst quality:2), (low quality:2), (normal quality:2), lowres, bad anatomy, bad hands, ((monochrome)), ((grayscale)) watermark, moles, large breast, big breast
  

• 采样器：DPM++ 2M Karras
• 迭代步数：30
• 图片尺寸：768x512
• 高分辨率修复：放大算法 Lanczos，重绘幅度 0.4，重绘采样步数 30
• Adetailer 插件：脸部模型 face_yolov8n

第二步：ControlNet 设置

启用 ControlNet 单元，配置如下：

• 控制类型：OpenPose(姿态)
• 预处理器：none（因为已上传三视图特征图，无需再次预处理）
• 模型：control_v11p_sd15_openpose
• 权重：1.0
• 结束步数：1.0

第三步：生成与调整

点击生成后，模型将严格遵循骨架图的姿态分布。若发现细节失真，可调整重绘幅度（Denoising strength）或尝试更换不同的 OpenPose 模型版本。

3. 优势分析

1. 稳定性极高：每次生成均能保证三视图结构完整，无需反复抽签。
2. 扩展性强：不仅限于三视图，可生成任意视角组合（如四分之三侧面 + 背面）。
3. 姿势精准：适合需要特定动作设计的场景。

四、方案对比与选择指南

五、常见问题与解决方案

1. 三视图中某一面模糊或缺失

• 原因：提示词权重不足或模型理解偏差。
• 解决：增加该视角关键词权重，或使用 ControlNet 强制指定骨架。

2. 服装在不同视图中不一致

• 原因：SD 模型在处理多视角时容易产生幻觉。
• 解决：使用 IP-Adapter 保持角色特征，或在 Inpaint 区域进行局部重绘修正。

3. 手部细节崩坏

• 原因：三视图导致手部位置复杂，易被遮挡。
• 解决：开启 Adetailer 插件，专门针对手部进行修复；或在反向提示词中加入 bad hands。

六、结语

Stable Diffusion 在人物三视图生成方面已经具备了相当高的实用性。提示词法适合初学者快速体验，LoRA 法适合追求效率的日常创作，而 ControlNet 法则适合对精度有严格要求的专业工作流。在实际应用中，建议结合多种方法，例如先用 ControlNet 确定骨架，再用 LoRA 增强风格，最后通过高清修复完善细节。随着 AIGC 技术的持续演进，未来在角色资产自动化生产领域将有更广阔的应用前景。