ARTICLE DETAIL

资讯详情

深耕网站建设与运营推广的一线实战洞察。

首页/资讯中心/资讯详情

AI绘画提示词工程实战：从复杂指令到精准图像生成

发布时间：2026/8/6 6:07:19 拓冰企业网站定制
AI绘画提示词工程实战：从复杂指令到精准图像生成

最近在AI绘画圈子里，一个非常具体且风格强烈的提示词组合——“黑色latex胶衣修女 防毒面具 黑白配色 和纯黑胶胶衣 充气头套”——正在成为测试模型“审美”与“服从性”的独特标杆。这串看似猎奇的描述，背后其实是一个严肃的技术问题：当用户给出一个融合了多种高冲突性、高细节度元素的复杂指令时，AI绘画工具究竟能理解并执行到什么程度？

很多新手会困惑，为什么自己用Stable Diffusion、Midjourney画不出想要的“感觉”？问题往往不在于模型本身不够强，而在于提示词（Prompt）工程没有做到位。上述这个“修女胶衣防毒面具”的组合，就是一个绝佳的案例。它要求模型同时处理：1）宗教符号（修女）与未来/亚文化符号（胶衣、防毒面具）的融合；2）材质表现（latex的光泽感、橡胶的质感）；3）色彩约束（黑白配色、纯黑）；4）特殊服饰结构（充气头套）。任何一项理解偏差，都会导致出图失败——比如修女服变成了普通长袍，胶衣没有光泽，或者防毒面具的样式完全错误。

本文将深入拆解这个经典提示词案例，不仅告诉你如何一步步复现这种风格强烈的图像，更会揭示其背后通用的AI绘画提示词核心心法。你将学到如何将模糊的“感觉”转化为模型可执行的“语言”，如何平衡细节与主体，以及如何利用LoRA、ControlNet等工具进行精准控制。无论你是想探索特定美学风格，还是希望提升自己提示词的精准度，这篇文章都将提供一套可落地的实战方案。

1. 为什么这个提示词组合值得深入研究？

在开始技术细节之前，我们首先要明白，分析这个特定的提示词组合，对我们日常使用AI绘画有什么实际帮助。它绝不仅仅是为了生成一张“酷”的图片。

首先，它是一个高难度的“多标签协同”测试。现代文生图模型（如SDXL、SD 1.5）本质上是一个复杂的条件生成系统。你输入的每一个单词都是一个“条件标签”，模型需要理解这些标签之间的关系，并生成一个同时满足所有条件的图像。“修女”和“胶衣”在传统视觉库中关联度极低，让模型将它们合理、美观地结合，是对其概念组合能力的极大考验。通过拆解这个案例，你能学会如何指挥模型进行“跨界”创作。

其次，它涉及“材质”与“光影”这一核心难点。AI绘画中，让物体“看起来像某种材料”比让它“看起来像某种物体”更难。Latex（乳胶）材质的关键在于高对比度的镜面高光和清晰的反射，这与棉布、丝绸等材质的光影逻辑完全不同。这个提示词迫使我们必须解决材质表现问题，相关的技巧可以迁移到表现金属、玻璃、水体、毛发等任何材质上。

第三，它暴露了提示词语义冲突与权重的经典问题。“黑白配色”和“纯黑胶胶衣”可能存在潜在的冲突（纯黑是颜色，黑白是配色方案）。模型会优先处理哪个？我们如何通过语法调整来明确我们的意图？学习处理这个冲突，就能学会如何精细控制画面的色彩基调。

因此，本文的目标不是让你记住这一个提示词，而是通过解构这一个复杂案例，掌握构建任何复杂提示词的系统方法。接下来，我们将从基础概念开始，逐步深入到实操和调优。

2. 核心概念解析：提示词、模型与可控生成

在动手之前，需要统一几个关键概念，这能帮助你理解后续所有操作的内在逻辑。

2.1 提示词（Prompt）的结构与语法

提示词是用户与AI绘画模型沟通的“语言”。一个高效的提示词通常包含以下几个部分：

  • 主体（Subject）：描述画面核心是什么，如a nun（一个修女）。
  • 修饰词（Modifiers）：描述主体的外观、状态，如wearing black latex clothing（穿着黑色乳胶服装）。
  • 细节（Details）：增加画面精细度，如intricate details, glossy surface（复杂的细节，光滑的表面）。
  • 环境/背景（Setting/Background）：描述场景，如in a foggy cathedral（在雾蒙蒙的大教堂里）。
  • 风格（Style）：定义艺术风格，如cyberpunk, photorealistic（赛博朋克，照片级真实）。
  • 质量词（Quality Tags）：技术性指令，如best quality, masterpiece, 8K（最佳质量，杰作，8K）。

在Stable Diffusion WebUI（如AUTOMATIC1111）中，通常用逗号分隔这些词汇或短语，并且越靠前的词汇权重越高。还可以使用语法来调整权重：

  • (word)：提高权重，通常为1.1倍。
  • ((word))：进一步提高权重。
  • [word]：降低权重。
  • (word:1.5)：明确指定权重为1.5倍。

2.2 大模型、Checkpoint与微调模型

  • 大模型（Base Model）：如 Stable Diffusion 1.5, SDXL。这是生成能力的基石，决定了画风、基础质量和知识广度。
  • Checkpoint：通常指基于大模型，使用大量特定风格或主题图片微调（Fine-tune）后的完整模型文件（.safetensors）。它整体改变了模型的输出风格。例如，一个专门训练过科幻风格的Checkpoint，生成机甲、未来城市会更好。
  • LoRA（Low-Rank Adaptation）：一种轻量化的微调模型，它不修改原大模型的所有参数，而是通过注入一个小的附加网络（通常几MB到几百MB），来教会模型某个特定概念、人物或风格。它是实现“黑色latex胶衣”、“特定款式防毒面具”等细节的关键工具。你可以混合使用多个LoRA来叠加效果。

2.3 可控生成：ControlNet与Inpainting

这是让生成结果从“随机抽卡”走向“精确设计”的核心技术。

  • ControlNet：通过提取输入图像（如线稿、深度图、姿态图、边缘图）的结构信息，来严格控制生成图像的构图、姿势和形态。例如，你可以先画一个修女姿势的草图，然后用ControlNet让AI严格按照这个姿势来生成穿胶衣的修女。
  • Inpainting（局部重绘）：允许你对生成图片的特定区域进行重新绘制。比如，生成了一张满意的修女图，但觉得防毒面具不够好看，可以只把面具部分涂黑，让AI重新生成这个区域。

理解了这些概念，我们就知道工具箱里有什么，接下来开始搭建工作环境。

3. 环境准备：搭建你的AI绘画工作流

我们将以最流行的开源方案Stable Diffusion WebUI（AUTOMATIC1111版）为例，因为它免费、开源、插件生态丰富，最适合学习和深度控制。

3.1 基础环境要求

  • 操作系统：Windows 10/11， Linux 或 macOS（Windows最简单）。
  • 显卡：强烈推荐NVIDIA显卡，至少6GB显存（如RTX 2060），8GB或以上显存（RTX 3060, 4070等）体验更佳。AMD显卡支持复杂，新手不推荐。
  • 内存：16GB RAM 或以上。
  • 硬盘空间：至少预留20GB可用空间用于安装模型和工具。

3.2 安装Stable Diffusion WebUI

对于Windows用户，最简便的方法是使用一键安装包：

  1. 访问https://github.com/AUTOMATIC1111/stable-diffusion-webui。
  2. 按照README中的说明，下载并运行webui-user.bat。首次运行会自动安装Python、Git以及所有依赖。
  3. 安装完成后，命令行窗口会显示一个本地URL（通常是http://127.0.0.1:7860）。在浏览器中打开它，你就看到了WebUI界面。

3.3 获取与放置模型文件

WebUI本身不包含生成模型，需要手动下载并放入指定文件夹。

  1. 下载大模型（Checkpoint）：
    • 对于本文涉及的风格，推荐使用SDXL 1.0基础模型或其衍生模型，因为SDXL在理解复杂提示词和生成质量上显著优于SD 1.5。
    • 可以去CivitAI (civitai.com) 等模型分享站，搜索“SDXL”并筛选“Checkpoint”类型，选择一个高评分的写实或动漫风格模型下载。例如SDXL 1.0官方模型，或Juggernaut XL等优质微调模型。
    • 下载的.safetensors文件，放入stable-diffusion-webui/models/Stable-diffusion/目录。
  2. 下载LoRA模型：
    • 在CivitAI搜索关键词如latex,hazmat suit（防化服）,gas mask,cyberpunk clothing。
    • 找到专门表现胶衣材质、防毒面具款式的LoRA模型并下载（文件较小，通常几十到几百MB）。
    • 将下载的LoRA文件（如black_latex.safetensors）放入stable-diffusion-webui/models/Lora/目录。
  3. 下载ControlNet模型：
    • 在WebUI的“Extensions”标签页中，安装“ControlNet”扩展并重启。
    • 重启后，进入“Settings” -> “ControlNet”，点击“模型下载”或手动从Hugging Face等站点下载ControlNet模型（如control_v11p_sd15_canny.pth用于边缘检测，control_v11p_sd15_openpose.pth用于姿态检测），放入stable-diffusion-webui/extensions/sd-webui-controlnet/models/目录。

完成以上步骤，你的“数字画室”就搭建好了。接下来，我们进入核心的提示词构建环节。

4. 核心流程拆解：从零构建“胶衣修女”提示词

我们将把开头的长提示词分解，并一步步构建成一个WebUI可用的、高效的综合提示词。

4.1 第一步：确立主体与核心风格

我们首先需要确定画面的“骨架”。打开WebUI的“文生图（txt2img）”标签页。

  1. 正向提示词（Prompt）初版：
(masterpiece, best quality, 8k, photorealistic), 1girl, nun, solemn expression, looking at viewer
  • 开头用质量词锚定输出质量。
  • 1girl是常用标签，帮助模型确定生成单个人物。
  • nun是核心主体。
  • solemn expression, looking at viewer增加了神态和视线方向，让画面更生动。
  1. 反向提示词（Negative Prompt）： 反向提示词用于告诉模型不要什么，对于提升画面质量、避免常见缺陷至关重要。
(worst quality, low quality, normal quality), blurry, ugly, deformed, disfigured, bad anatomy, extra limbs, missing limbs, fused fingers, too many fingers, text, error, signature, watermark
  • 前三项排除低质量。
  • bad anatomy, extra limbs...等是避免人物肢体畸形的经典负面标签。
  • text, error...避免图片中出现水印、文字等。

生成测试：选择SDXL模型，设置采样步数（Steps）为20-30，采样方法（Sampler）为DPM++ 2M Karras或Euler a，尺寸设为1024x1024（SDXL推荐尺寸）。点击生成。此时你应该得到一个相对标准的修女画像。但这离目标还很远。

4.2 第二步：叠加服装与材质

现在，我们将“黑色latex胶衣”这个概念注入。这里的关键是逐步添加，并观察模型的理解程度。

  1. 修改正向提示词：
(masterpiece, best quality, 8k, photorealistic), 1girl, nun, wearing a full-body black latex nun habit, (latex clothing:1.3), glossy surface, shiny, tight fit, intricate clothing details, solemn expression, looking at viewer
  • wearing a full-body black latex nun habit明确描述了“穿着全身黑色乳胶修女服”。
  • (latex clothing:1.3)单独强调“乳胶服装”并提高权重。
  • glossy surface, shiny强调光泽感，这是表现latex材质的关键。
  • tight fit表示紧身，贴合胶衣特性。
  1. 此时生成，你可能会发现一些问题：衣服可能只是“有点亮”，但不像胶衣；或者修女服的结构（如头巾、长袍）被胶衣材质破坏得不成样子。这说明模型在同时理解“修女服结构”和“胶衣材质”上遇到了困难。

4.3 第三步：引入LoRA进行精准控制

这就是LoRA大显身手的时候。假设我们已经下载了一个名为latex_shiny.safetensors的LoRA模型。

  1. 在WebUI提示词输入框下方，点击生成按钮附近的“红色水晶”图标（或按小括号图标），选择“LoRA”标签页，找到你添加的LoRA模型。
  2. 点击该LoRA，它会以特定语法插入到提示词中，例如：<lora:latex_shiny:1>。冒号后的数字是权重，通常从0.7开始尝试。
  3. 更新正向提示词：
(masterpiece, best quality, 8k, photorealistic), <lora:latex_shiny:0.8>, 1girl, nun, wearing a full-body black latex nun habit, glossy surface, shiny, tight fit, intricate clothing details, solemn expression, looking at viewer, (black and white color scheme:1.2)
  • 加入了LoRA调用。
  • 增加了(black and white color scheme:1.2)，开始引入黑白配色约束。

再次生成。此时，服装的光泽感和材质应该会有显著提升，更接近latex的感觉。黑白配色也可能开始起作用，画面饱和度降低。

4.4 第四步：添加防毒面具与充气头套

这是最具冲突感和挑战性的部分。我们需要另一个可能表现“防毒面具”或“未来呼吸器”的LoRA，或者依赖模型自身的知识。

  1. 修改正向提示词：
(masterpiece, best quality, 8k, photorealistic), <lora:latex_shiny:0.8>, 1girl, nun, wearing a full-body black latex nun habit, (wearing a gas mask:1.4), (inflatable hood:1.3), glossy surface, shiny, tight fit, intricate clothing details, solemn expression, looking at viewer, (black and white color scheme:1.2), (monochrome:0.9)
  • (wearing a gas mask:1.4)高权重强调佩戴防毒面具。
  • (inflatable hood:1.3)高权重强调充气头套。这是一个非常具体的概念，模型可能没有直接对应数据，需要多次尝试或结合Inpainting。
  • 增加了(monochrome:0.9)进一步强化单色/黑白效果。
  1. 调整反向提示词：增加对颜色和混乱构图的限制。
(worst quality, low quality), blurry, ugly, deformed, disfigured, bad anatomy, extra limbs, missing limbs, fused fingers, too many fingers, text, error, signature, watermark, colorful, vibrant, (multiple people:1.3), cluttered background
  • 加入了colorful, vibrant抑制彩色。
  • 加入了(multiple people:1.3)避免生成多人。
  • 加入了cluttered background避免背景杂乱。

生成并迭代。这一步很可能无法一次成功。防毒面具可能会样式不对，或者和头巾融合在一起；充气头套可能完全无法体现。这时我们需要进入下一阶段的精细调整。

5. 使用ControlNet与Inpainting进行精确构图

当纯文本提示词无法满足我们对构图和细节的要求时，就需要动用ControlNet和局部重绘。

5.1 使用ControlNet固定姿态与构图

假设我们想要一张正面站立的修女图。

  1. 在WebUI中展开“ControlNet”折叠面板（需已安装扩展）。
  2. 上传一张参考图（可以是你用简单线条画的草图，或网上找的姿势参考图）。
  3. 勾选“启用”，勾选“像素完美”。
  4. 预处理器（Preprocessor）：选择openpose或canny。
    • openpose：适合控制人物姿态。它会提取参考图中的人物骨架。
    • canny：适合控制整体轮廓和构图。它会提取参考图的边缘。
  5. 模型（Model）：选择对应的模型，如control_v11p_sd15_openpose或control_v11p_sd15_canny。
  6. 控制权重（Control Weight）和引导时机（Starting/Ending Control Step）可以先保持默认。
  7. 现在，你的生成结果将很大程度上遵循参考图的姿势或轮廓，这能有效解决人物姿态怪异或防毒面具位置不合理的问题。

5.2 使用Inpainting修复特定区域

如果生成了一张整体不错，但防毒面具很丑的图。

  1. 将图片发送到“图生图（img2img）”标签页。
  2. 切换到“局部重绘（Inpaint）”子标签。
  3. 用画笔工具，小心地涂黑（蒙版）图片上防毒面具的区域。
  4. 蒙版区域内容处理：选择“填充”。
  5. 重绘区域：选择“仅蒙版”。
  6. 重绘幅度（Denoising strength）：设置为0.5-0.7，这个值越高，AI重新发挥的空间越大。
  7. 提示词：在正向提示词中，可以更聚焦地描述你想要的防毒面具，例如：detailed gas mask, rubber texture, tubes, futuristic, (black:1.5)，并适当降低其他无关词汇的权重。
  8. 点击生成。AI会仅针对你涂黑的区域进行重新绘制，而保持其他部分不变。

通过多次迭代的“生成 -> 局部重绘”循环，你可以逐步将图片修正到你满意的状态。

6. 完整示例与参数配置

下面提供一个在WebUI中可直接尝试的完整配置示例。假设我们使用SDXL 1.0基础模型，并已准备好相关LoRA。

正向提示词（Prompt）:

(masterpiece, best quality, extremely detailed, 8k, photorealistic), <lora:latex_shiny_v1:0.75>, 1girl, nun, (wearing a full-body sleek black latex nun habit:1.4), (intricate gas mask with tubes:1.5), (translucent inflatable rubber hood:1.3), (glossy surface, wet look:1.2), sharp focus, studio lighting, rim light, looking directly at viewer, solemn eyes, (black and white photography:1.3), monochrome, high contrast, dramatic shadows

反向提示词（Negative Prompt）:

(worst quality, low quality, normal quality:1.4), blurry, grainy, ugly, deformed, disfigured, morbid, mutated, bad anatomy, wrong anatomy, extra limb, missing limb, floating limbs, disconnected limbs, malformed hands, mutated hands and fingers, poorly drawn hands, poorly drawn face, mutation, disfigured, bad proportions, extra arms, extra legs, extra fingers, extra hands, extra feet, fused fingers, too many fingers, long neck, (text, watermark, signature, username:1.3), (colorful, vibrant, saturated:1.2), cartoon, 3d, render, painting, drawing, anime, sketch

采样参数：

  • 采样方法（Sampler）: DPM++ 2M Karras
  • 采样迭代步数（Steps）: 30
  • 宽度/高度（Width/Height）: 1024 x 1024 (SDXL)
  • 提示词引导系数（CFG Scale）: 7.5 (可在6-9之间调整，过高可能导致颜色饱和或线条生硬)
  • 种子（Seed）: -1 (随机)
  • 高清修复（Hires. fix）: 开启
    • 放大算法（Upscaler）: R-ESRGAN 4x+
    • 重绘幅度（Denoising strength）: 0.3-0.4
    • 放大倍数（Upscale by）: 1.5

ControlNet设置（如果需要固定姿势）:

  • 单元0：启用，完美像素
  • 预处理器：openpose
  • 模型：control_v11p_sd15_openpose (或对应的SDXL版模型)
  • 控制权重：1.0
  • 引导开始/终止时机：0.0, 1.0

将上述参数填入WebUI，点击生成。你可能需要生成多张（批量生成）或微调LoRA权重、CFG值来获得最佳结果。

7. 常见问题与排查思路

在实践过程中，你一定会遇到各种问题。下表总结了常见问题及其解决方法：

问题现象可能原因排查方式解决方案
人物畸形（多手指、扭曲肢体）1. 模型训练数据偏差。
2. 提示词冲突或权重过高。
3. 采样步数过低。		1. 检查反向提示词是否包含bad anatomy等标签。
2. 查看生成时的预览图，看畸形出现在哪一步。		1. 加强反向提示词：增加deformed, disfigured, bad anatomy等权重。
2. 使用ADetailer等面部/手部修复插件。
3. 提高采样步数至25以上。
4. 尝试不同的采样器（如Euler a, DPM++ 2M Karras）。
胶衣没有光泽1. 提示词中材质描述权重不够。
2. 模型/LoRA对“latex”理解不足。
3. 光照描述缺失。		1. 检查正向提示词中glossy, shiny, wet look等词是否在靠前位置且有足够权重。
2. 检查LoRA是否成功加载且权重合适。		1. 提高材质相关词汇权重，如(glossy surface:1.4)。
2. 尝试不同的胶衣材质LoRA。
3. 添加光照描述：studio lighting, rim light, dramatic lighting。
防毒面具样式错误1. 模型将“gas mask”与其他概念混淆（如医疗口罩）。
2. 缺少细节描述。		1. 观察生成的防毒面具更像什么。
2. 检查是否有其他词汇干扰（如“hood”可能影响面具形状）。		1. 使用更具体的描述：military gas mask,respirator with filters,cyberpunk gas mask。
2. 使用专门针对防毒面具的LoRA模型。
3. 使用Inpainting对面具区域进行局部重绘，并给予更精确的提示词。
画面色彩杂乱，不是黑白1. 黑白约束词权重不足。
2. 模型或LoRA本身色彩倾向强烈。
3. CFG Scale值过低。		1. 检查black and white,monochrome等词的位置和权重。
2. 查看反向提示词是否抑制了颜色（colorful）。		1. 显著提高黑白相关词汇的权重，如(black and white photography:1.5)。
2. 在反向提示词中强力抑制颜色：(colorful, vibrant, saturated:1.5)。
3. 适当提高CFG Scale值（如到8-9），增强对提示词的服从度。
充气头套无法体现1. “inflatable hood”是生僻组合，模型缺乏相关数据。
2. 与“nun habit”（修女头巾）冲突。		1. 生成的图片中头部区域是什么样子？是完全没变化，还是变成了奇怪的东西？1. 尝试拆分描述：hood, inflated, translucent, rubber。
2. 放弃一次性生成，采用分步法：先生成戴防毒面具的修女，再用Inpainting将头部区域涂黑，用translucent inflated rubber hood covering head等提示词重绘该区域。
图片模糊，细节不足1. 基础分辨率过低。
2. 未启用高清修复。
3. 使用了过于模糊的VAE。		1. 检查生成图片的原始分辨率。
2. 检查是否开启了Hires. fix及其参数。		1. 确保基础分辨率在SDXL下不低于1024x1024。
2. 务必开启Hires. fix，选择合适的放大算法（如4x-UltraSharp, R-ESRGAN 4x+），重绘幅度0.3-0.4。
3. 尝试更换或加载清晰的VAE模型。

8. 最佳实践与工程化建议

掌握了基本方法后，遵循以下最佳实践能让你的AI绘画工作流更高效、更可控。

  1. 提示词工程：从简到繁，迭代优化

    • 不要一次性写满：像写代码一样，先构建一个能跑通的“最小可行版本”（例如一个正确姿势的修女），然后逐步添加服装、材质、配件等特征。
    • 善用括号和权重：这是你与模型谈判的“筹码”。对核心元素（如(gas mask:1.5)）提高权重，对次要元素降低权重或放在后面。
    • 建立你的关键词库：将常用的质量词、风格词、反向词保存为文本片段，方便随时调用。

  2. 模型管理：专模专用，混合艺术

    • 根据主题选择大模型：生成写实人像用Realistic Vision，生成动漫用Anything，生成概念艺术用DreamShaper。SDXL模型泛化性更好，但特定风格的微调模型（Checkpoint）在专精领域往往更出色。
    • LoRA分层组合：可以同时加载多个LoRA，例如一个负责胶衣材质（权重0.7），一个负责赛博朋克风格（权重0.5），一个负责特定面部特征（权重0.6）。注意总权重不宜过高，防止画面崩坏。
    • 定期更新与测试：社区不断产出新模型，定期关注并测试，将效果好的模型纳入你的工具箱。

  3. 可控生成：草图为骨，重绘为肉

    • 规划先行：对于复杂构图，先在纸上或绘图软件画个简单的草图（线稿、色块），用ControlNet（Canny或Scribble）输入，能极大提高构图成功率。
    • 分区域生成：不要指望一次出图就完美。把画面分成“人物”、“服装”、“背景”、“道具”等部分，通过Inpainting分别优化，最后合成。
    • 种子（Seed）是你的朋友：遇到一张构图、姿势不错但细节不佳的图，固定它的种子（Seed），然后微调提示词或使用Inpainting，可以在保持整体构图不变的情况下优化细节。

  4. 工作流保存与复用

    • 使用WebUI的“保存风格”功能：将调试好的提示词组合（正反向）保存为风格模板。
    • 记录成功参数：对于成功的生成，记录下模型、LoRA、采样器、步数、CFG、种子等所有参数。可以截图或使用笔记软件管理。
    • 考虑使用ComfyUI：当你需要更复杂、可重复的生成流水线时（例如固定流程：线稿->上色->精修），可以学习节点式工作流工具ComfyUI，它更适合工程化、批量化的生产。

通过解构“黑色latex胶衣修女”这个极具挑战性的提示词案例，我们实际上完成了一次完整的AI绘画高阶技巧演练。从提示词的结构化写作、材质与光影的语义控制，到利用LoRA注入专业知识，再到通过ControlNet和Inpainting进行像素级的精确修正，每一步都是在将模糊的创意转化为可执行的AI指令。

技术的核心不在于记住某个神奇的“咒语”，而在于理解模型“思考”的方式，并学会用它的语言与之有效沟通。下次当你脑海中浮现出一个独特却难以描述的画面时，不妨试试这个从骨架到血肉、从整体到局部的构建方法。先从最简单的核心描述开始生成，识别出问题所在，然后有针对性地引入模型（LoRA）、增加控制（ControlNet）或进行修复（Inpainting），像雕刻家一样，一步步从粗胚雕琢出最终的作品。

网站建设 企业官网 运营推广
返回列表