Microorganisms infiltrating through brain-machine interfaces --v 6.0

Microorganisms infiltrating through brain-machine interfaces ,redpupil --v 6.0

Microorganisms infiltrating through brain-machine interfaces,billion girls dream --v 6.0

--niji 6

“动漫风”模型，可以生成高质量的二次元图像以及插画。

▎--sref URL

风格一致性，URL 是风格参考图片的网址，通过提供图像URL来指定理想的视觉风格。

下面是示例：图1 作为垫图，另外 选择一张作为视觉风格参考（图2），生成了一组图3

图1

图2

▎--cref URL

角色一致性功能，URL 是角色参考图片的网址。Midjourney会分析参考图片的角色特征，在生成新图片时尽可能保持一致。

下面是示例：图1 作为角色参考图，生成了一组图2，很像了。

图1

图2

▎局部修图

案例：比如下图生成的图片里有文字，需要去掉，而出现的原因是我垫的那张图也有文字

操作：点击vary（region），进入局部修图，方法删除垫图的链接，涂抹有文字的区域，重新生图

 Stable Diffusion 基础操作

文生图

如图所示 Stable Diffusion WebUl 的操作界面主要分为: 模型区域、功能区域、参数区域出图区域

txt2img 为文生图功能，重点参数介绍:

正向提示词: 描述图片中希望出现的内容

反向提示词: 描述图片中不希望出现的内容

Sampling method: 采样方法，推荐选择 Euler a 或 DPM++ 系列，采样速度快

Sampling steps: 迭代步数，数值越大图像质量越好，生成时间也越长，一般控制在 30-50就能出效果

Restore faces: 可以优化脸部生成

Width/Height: 生成图片的宽高，越大越消耗显存，生成时间也越长，一般方图 512x512竖图 512x768，需要更大尺寸，可以到 Extras 功能里进行等比高清放大

CFG: 提示词相关性，数值越大越相关，数值越小越不相关，一般建议 7-12 区间

Batch count/Batch size: 生成批次和每批数量，如果需要多图，可以调整下每批数量

Seed: 种子数，-1 表示随机，相同的种子数可以保持图像的一致性，如果觉得一张图的结构不错，但对风格不满意，可以将种子数固定，再调整 prompt 生成

图生图

img2img 功能可以生成与原图相似构图色彩的画像，或者指定一部分内容进行变换。可以重点使用 Inpaint 图像修补这个功能:

Resize mode: 缩放模式，Just resize 只调整图片大小，如果输入与输出长宽比例不同，图片会被拉伸。Crop and resize 裁剪与调整大小，如果输入与输出长宽比例不同，会以图片中心向四周，将比例外的部分进行裁剪。Resize and fill 调整大小与填充，如果输入与输出分辨率不同，会以图片中心向四周，将比例内多余的部分进行填充

Mask blur: 蒙版模糊度，值越大与原图边缘的过度越平滑，越小则边缘越锐利

Mask mode: 蒙版模式，Inpaint masked 只重绘涂色部分，Inpaint not masked 重绘除了涂色的部分

Masked Content: 蒙版内容，fill 用其他内容填充，original 在原来的基础上重绘

Inpaint area: 重绘区域，Whole picture 整个图像区域，Only masked 只在蒙版区域

Denoising strength: 重绘幅度，值越大越自由发挥，越小越和原图接近

ControlNet

安装完 ControlNet 后，在 txt2img 和 img2img 参数面板中均可以调用 ControlNet。操作说明:

Enable: 启用 ControlNet

Low VRAM: 低显存模式优化，建议 8G 显存以下开启

Guess mode: 猜测模式，可以不设置提示词，自动生成图片

Preprocessor: 选择预处理器主要有 OpenPose、Canny、HED、Scribble、MIsd.Seg、Normal Map、Depth

Model: ControlNet 模型，模型选择要与预处理器对应

Weight: 权重影响，使用 ControlNet 生成图片的权重占比影响

Guidance strength(T): 引导强度，值为 1时，代表每选代 1 步就会被 ControlNet引导1次

Annotator resolution: 数值越高，预处理图像越精细Canny low/high threshold: 控制最低和最高采样深度Resize mode: 图像大小模式，默认选择缩放至合适

Canvas width/height: 画布宽高

Create blank canvas: 创建空白画布

Preview annotator result: 预览注释器结果，得到一张 ControlNet 模型提取的特征图片

Hide annotator result: 隐藏预览图像窗

LORA 模型训练说明

前面提到 LORA 模型具有训练速度快，模型大小适中 (100MB 左右)，配置要求低 (8G 显存)，能用少量图片训练出风格效果的优势。

以下简要介绍该模型的训练方法:

  最后想说

AIGC（AI Generated Content）技术，即人工智能生成内容的技术，具有非常广阔的发展前景。随着技术的不断进步，AIGC的应用范围和影响力都将显著扩大。以下是一些关于AIGC技术发展前景的预测和展望：

1、AIGC技术将使得内容创造过程更加自动化，包括文章、报告、音乐、艺术作品等。这将极大地提高内容生产的效率，降低成本。2、在游戏、电影和虚拟现实等领域，AIGC技术将能够创造更加丰富和沉浸式的体验，推动娱乐产业的创新。3、AIGC技术可以帮助设计师和创意工作者快速生成和迭代设计理念，提高创意过程的效率。

未来，AIGC技术将持续提升，同时也将与人工智能技术深度融合，在更多领域得到广泛应用。感兴趣的小伙伴，赠送全套AIGC学习资料和安装工具，包含AI绘画、AI人工智能等前沿科技教程。

对于从来没有接触过AI绘画的同学，我已经帮你们准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。

AIGC学习必备工具和学习步骤

工具都帮大家整理好了，安装就可直接上手

现在AI绘画还是发展初期，大家都在摸索前进。

但新事物就意味着新机会，我们普通人要做的就是抢先进场，先学会技能，这样当真正的机会来了，你才能抓得住。

如果你对AI绘画感兴趣，我可以分享我在学习过程中收集的各种教程和资料。

学完后，可以毫无问题地应对市场上绝大部分的需求。

这份AI绘画资料包整理了Stable Diffusion入门学习思维导图、Stable Diffusion安装包、120000+提示词库，800+骨骼姿势图，Stable Diffusion学习书籍手册、AI绘画视频教程、AIGC实战等等。

【Stable Diffusion安装包（含常用插件、模型）】

【AI绘画12000+提示词库】

【AI绘画800+骨骼姿势图】

【AI绘画视频合集】

还有一些已经总结好的学习笔记，可以学到不一样的思路。

实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。