Stable Diffusion 提示词高阶用法实战指南

Stable Diffusion 提示词高阶用法实战指南

刚接触 Stable Diffusion 时，经常遇到输入详细描述但生成效果不佳的情况。提示词（prompt）的使用技巧是决定生成质量的关键因素。

新手常见问题分析

1. 描述模糊导致效果不稳定：使用'一个漂亮的女孩'等泛化提示词，每次生成的差异很大
2. 细节控制不足：无法精确控制服装、姿势、背景等具体元素
3. 意外元素出现：画面中经常出现不想要的物体或畸变
4. 风格不一致：难以保持统一的画风和质量

提示词策略深度解析

正向提示词 vs 负向提示词

正向提示词（Positive Prompt）告诉 AI 你想要什么，而负向提示词（Negative Prompt）则告诉 AI 你不想要什么。两者配合使用效果最佳。

负向提示词示例：

lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry

正向提示词示例：

masterpiece, best quality, 1girl, long hair, blue eyes, school uniform, cherry blossoms background

权重调整技巧

通过使用 () 和 [] 可以调整提示词的重要性：

1. (word:1.3) - 将'word'的权重提高 30%
2. [word] - 降低该词的权重
3. 多层嵌套 ((word)) 相当于 (word:1.21)

特殊符号的使用

1. 交替提示词：使用 [A|B] 让 AI 在 A 和 B 之间选择
2. 分步渲染：使用 AND 连接不同概念，让 AI 分阶段处理
3. 风格融合：使用 : 连接两个艺术家名字来混合风格

代码实战示例

下面是一个使用 diffusers 库调用 Stable Diffusion 的 Python 示例，展示了如何实现高级提示词控制：

from diffusers import StableDiffusionPipeline
import torch

# 加载模型
pipe = StableDiffusionPipeline.from_pretrained(
    "runwayml/stable-diffusion-v1-5",
    torch_dtype=torch.float16
).to("cuda")

# 高级提示词示例
prompt = 
negative_prompt = 


image = pipe(
    prompt,
    negative_prompt=negative_prompt,
    height=,
    width=,
    num_inference_steps=,
    guidance_scale=
).images[]
image.save()