许多AI图像生成器，包括Stable Diffusion，都可以使用图像作为提示来生成相似的图像。另一方面，我们使用文本提示来描述我们想要什么，使用负面提示来描述我们不想要什么。负面图像提示怎么样？
在这篇文章中，我将描述稳定扩散中负图像提示的实现，并分享一些有趣的用例。
例如，您可以从房屋中减去草坪并获得冬季房屋！
stable diffusion中的图像提示
有几种方法可以在稳定扩散中使用图像提示。
图像到图像是使用图像提示的最原始方式。图像被转换为潜在的、添加的噪声并用作去噪的初始潜在图像。它可以生成遵循颜色和构图的相似图像。
您还可以使用ControlNet 仅参考来生成类似的图像。它通过将参考图像传递到模型并将其中间图像添加到注意层中的潜在图像来注入参考图像。
IP-adapter（图像提示适配器）是一种神经网络模型，可以在稳定扩散中实现图像提示。它简单而有效。它使用模型从参考图像中提取特征。然后，它使用单独的注意力网络来注入特征，而不是重复使用文本提示的特征。
在这 3 种方法中，IP-adapter产生的结果最好。
负面提示的简史
我们如何得出负面提示很有趣。
最初，基于扩散的人工智能图像生成器可以生成随机的高质量图像。但没有办法控制你生成的内容。它只是生成类似于训练数据的图像。
然后，无分类器指导开始发挥作用。它劫持注意力层，将文本嵌入注入到采样步骤中。然后使用图像和标题对训练模型。生成图像时，模型将图像转向提示，远离随机图像。
这一切都是学术性的。但随着稳定扩散的发布，这种情况发生了变化。它是开源、免费的，并且可以通过低功耗计算机访问。很多人都开始玩了。他们并不是想发表论文，而是想破解软件来做他们想做的事。
代码立即发布。迭代速度很快。然后，AUTOMATIC1111破解了无分类器指导以启用负面提示。
这个想法很简单：你不是避开随机图像，而是避开负面提示所描述的图像。从技术上讲，您只需将未调节的潜像替换为经过否定提示调节的潜像即可。
于是，负面提示就诞生了。我们免费得到它。这只是采样步骤的变化。我们不需要训练新模型。
原创文章，作者：朋远方，如若转载，请注明出处：https://caovan.com/yongtupianzuoweistable-diffusiondefumiantishici-aihuihuajiaocheng/.html
微信扫一扫 