【AI绘画】Midjourney进阶：对称构图详解

在这里插入图片描述

博客主页： [小ᶻZ࿆] 本文专栏: AI绘画 | Midjourney

文章目录

💯前言
💯什么是构图
- 为什么Midjourney要使用构图
💯对称构图
- 特点
- 使用场景
- 提示词书写技巧
- 测试
💯小结

在这里插入图片描述

💯前言

通常来学习AI绘画的人可以分为两种类型：
1. 第一类人群是那些完全没有接触过AI，也对设计领域不熟悉的初学者。这些人可以通过一些捷径来快速进入设计的大门，甚至开展一些实际的项目。然而，这类人有一个较大的短板，就是他们对设计基础知识的掌握较为欠缺——例如光影、色彩、构图，甚至很多知名艺术家的风格特征。因此，在学习过程中，掌握这些领域的基本知识显得尤为重要，以避免“不知道自己不知道”这些知识的情况。通过补充这些知识，哪怕只是有一个大概的了解，也可以帮助他们更好地开展实际工作。
2. 第二类人群则是已有设计经验的设计师，他们对设计的各个方面都相当熟悉，但可能需要学习如何将他们已有的设计知识与AI工具结合起来。这类人群的重点是将已有的设计能力扩展到AI辅助的创作中，实现工具与专业知识的融合。
基于以上两类人群的需求，本文的内容将会兼顾不同的学习需求。一方面，介绍设计领域的基础知识，为初学者提供坚实的学习基础；另一方面，讨论如何将AI技术与传统设计知识相结合，为已有设计经验的人提供新的思路和实践方法。
Midjourney官方使用手册

💯什么是构图

构图是摄影、绘画、设计等视觉艺术中的一个基本概念。它指的是艺术家如何在二维平面上安排元素，包括形状、线条、色彩、质地、空间等，以达到一定的视觉效果和艺术表达。

为什么Midjourney要使用构图

简单来说，Midjourney有构图词画面质量更高
构图的目标是引导观众的视线，突出主题，增加视觉吸引I力，以及传达艺术家的观点或情感。

在Midjourney中使用构图是非常重要的，有两个方向可以解释其必要性：非共性和共性。
- 从非共性的角度来看，在Midjourney中使用构图相关的提示词可以显著提升生成画面的质量。这是因为Midjourney的模型在训练时，不仅使用了图像，还结合了与这些图像相关的提示词。通常来说，这些图像来源于专业摄影或高质量渠道，具有较高的视觉标准。当模型学习了这些图片与提示词之间的关联后，用户在生成图像时如果使用了构图相关的提示词，系统会优先选择类似图库中的优质素材，从而生成更为精致的画面。因此，通过使用构图提示词，可以明显地提高生成图像的质量。
- 从共性的角度来说，构图本身就是一种极为有效的手段，可以用于引导观众的视线、突出画面的主题、增强视觉吸引力，并传递创作者的情感和观点。构图所带来的这些视觉上的提升效果，是不受具体工具限制的，无论是在摄影、绘画还是AI生成图像中都是通用的。因此，当在Midjourney中使用构图提示词时，画面的质量提升几乎是必然的结果。这些道理或许听起来有些抽象，但在实际操作和练习时，大家会切实地感受到构图带来的效果提升。

💯对称构图

定义：在一个画面中，通过让两侧的元素在形状、色彩、质地等方面保持相同或相似的构图方式。

首先介绍的是对称构图，这是一种非常常见且经典的构图方式。具体而言，对称构图的形式是在画面中让上下或者左右两侧的元素在形状、色彩、质地等方面保持相同或相似。这种构图方式能够有效地营造出一种和谐、稳定的视觉效果，使画面看起来更为均衡和整洁。

特点

平衡感：对称构图的最大特点就是平衡感，无论是左右对称，还是上下对称，都能给人一种稳定的视觉感受。
特点视觉冲击力：对称构图由于其形式的独特，能够给人带来强烈的视觉冲击力，特别是在对比鲜明的场景中，对称构图的效果更加明显。
对称构图简洁明快：对称构图的另一个特点是简洁明快，它的形式非常直观，能够让观者快速抓住画面的主题。

首先是它强烈的平衡感。无论是左右对称，还是上下对称，对称构图都能够给人一种稳定的视觉感受。这种平衡感使得画面看起来非常和谐，尤其是在建筑摄影中，这种构图能够让建筑显得更加庄重而稳固，给观众一种强烈的稳定感。
其次，对称构图还具有很强的视觉冲击力。由于其形式上的独特，对称的安排常常能够带来特别鲜明的视觉体验，尤其是在对比度较为强烈的场景中，这种效果会更加明显。当画面中不同元素之间形成对称时，这种布局会显得格外引人注目，使得观众对画面的印象更为深刻。
最后，对称构图的另一个重要特点就是简洁明快。它的构图方式非常直观，画面通常不包含过多复杂的元素，观众的视线可以很自然地从画面中心开始，逐渐扩展到两侧。这种简洁的安排方式使得观众能够迅速抓住画面的主题，不会被多余的信息分散注意力。

使用场景

建筑图中，通过使用对称构图，可以表现出建筑的规整和魅力。
人像图中，通过使用对称构图，可以突出人物的特点和气质。
风景图中，通过使用对称构图，可以展现出自然的和谐和美感。

首先，在建筑摄影中，对称构图能够很好地表现建筑的规整与魅力。通过让建筑的左右或上下部分对称，画面看起来井然有序，这种构图方式可以极大地突显建筑本身的设计精妙与宏伟感。
其次，在人像摄影中，对称构图则能突出人物的特质与气质。通过将人物居于画面的对称中心，能够很直接地吸引观众的目光，展现出人物的特点。此外，如果配合合适的色调与光影效果，还可以进一步增强人物的情绪表达，尽管在这里我们更强调对称性带来的整体风格的突出效果。
最后，在风景摄影中，对称构图非常适合用于展现自然的和谐美感。对称的构图方式能够将自然景物的平衡与宁静之美传递给观众，尤其是在空旷的景象中，这种构图可以有效地表达出那种空寂辽远的感觉，令人感受到大自然的广阔与宁静。

提示词书写技巧

在书写对称构图的提示词时，使用“Symmetrical Composition”可以有效帮助Midjourney生成具有对称性的画面，营造平衡感与和谐美。这一提示词非常适合用于建筑、人像和风景等场景，能够让生成的图像呈现出强烈的稳定性与视觉冲击力。建议结合其他描述性词语，如“cinematic light”或“8k”，以进一步提升图像的整体质量与表现力。

测试

原图：

landscape, mountains, river, trees, cinematic light, ultra details, 8k --ar 16:9

在未加入“Symmetrical Composition”的原图中，画面的元素呈自然分布，风景中的山川、河流、树木以一种随机且自然的方式展现，虽然整体光影效果优美，但在视觉上显得稍微不那么统一，缺乏明确的焦点，给人一种随性的感觉。

原图+Symmetrical Composition：

landscape, mountains, river, trees, Symmetrical Composition, cinematic light, ultra details, 8k --ar 16:9

在加入了“Symmetrical Composition”提示词后，画面结构明显更为平衡。山川和河流的布局对称分布，整幅画面呈现出一种强烈的对称美感，使得观众的视线可以被清晰地引导至画面的中心位置。对称的构图带来了明显的秩序感和稳定感，使得画面显得更为和谐和庄重，提升了整体的视觉吸引力。

💯小结

学习AI绘画的过程中，不同背景的学习者会面临独特的需求。初学者需要补充设计基础，尤其是光影、色彩和构图等方面的知识；而设计师则需探索将已有经验与AI技术结合，提升创作效果。构图在Midjourney中的重要性体现在它不仅能够提升图像的整体质量，还能更有效地引导观众的视线，增加画面的平衡感与视觉吸引力。使用“Symmetrical Composition”这样的构图提示词，能显著增强图像的秩序和稳定性，使其更加和谐和有表现力。这种技巧在建筑、人像和风景等场景中尤为适用，能为AI生成的作品增添专业的质感。
展望未来，AI绘画的发展将不仅仅是工具的进步，更是一场设计与技术深度融合的创意革命。AI的强大计算能力和不断优化的算法正在帮助艺术家与设计师拓宽创作的边界。通过AI，设计新手能够快速掌握构图、光影、色彩等关键技巧，为他们提供了原本只有经验丰富的专业人士才能达到的表达力和艺术水准。而对设计师而言，AI不只是效率的提升，它提供了全新的视角和工具，可以将丰富的设计经验与智能生成结合，尝试过去难以实现的创意。

import torch, torchvision.transforms as transforms; from torchvision.models import vgg19; import torch.nn.functional as F; from PIL import Image; import matplotlib.pyplot as plt; class StyleTransferModel(torch.nn.Module): def __init__(self): super(StyleTransferModel, self).__init__(); self.vgg = vgg19(pretrained=True).features; for param in self.vgg.parameters(): param.requires_grad_(False); def forward(self, x): layers = {'0': 'conv1_1', '5': 'conv2_1', '10': 'conv3_1', '19': 'conv4_1', '21': 'conv4_2', '28': 'conv5_1'}; features = {}; for name, layer in self.vgg._modules.items(): x = layer(x); if name in layers: features[layers[name]] = x; return features; def load_image(img_path, max_size=400, shape=None): image = Image.open(img_path).convert('RGB'); if max(image.size) > max_size: size = max_size; else: size = max(image.size); if shape is not None: size = shape; in_transform = transforms.Compose([transforms.Resize((size, size)), transforms.ToTensor(), transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225))]); image = in_transform(image)[:3, :, :].unsqueeze(0); return image; def im_convert(tensor): image = tensor.to('cpu').clone().detach(); image = image.numpy().squeeze(); image = image.transpose(1, 2, 0); image = image * (0.229, 0.224, 0.225) + (0.485, 0.456, 0.406); image = image.clip(0, 1); return image; def gram_matrix(tensor): _, d, h, w = tensor.size(); tensor = tensor.view(d, h * w); gram = torch.mm(tensor, tensor.t()); return gram; content = load_image('content.jpg').to('cuda'); style = load_image('style.jpg', shape=content.shape[-2:]).to('cuda'); model = StyleTransferModel().to('cuda'); style_features = model(style); content_features = model(content); style_grams = {layer: gram_matrix(style_features[layer]) for layer in style_features}; target = content.clone().requires_grad_(True).to('cuda'); style_weights = {'conv1_1': 1.0, 'conv2_1': 0.8, 'conv3_1': 0.5, 'conv4_1': 0.3, 'conv5_1': 0.1}; content_weight = 1e4; style_weight = 1e2; optimizer = torch.optim.Adam([target], lr=0.003); for i in range(1, 3001): target_features = model(target); content_loss = F.mse_loss(target_features['conv4_2'], content_features['conv4_2']); style_loss = 0; for layer in style_weights: target_feature = target_features[layer]; target_gram = gram_matrix(target_feature); style_gram = style_grams[layer]; layer_style_loss = style_weights[layer] * F.mse_loss(target_gram, style_gram); b, c, h, w = target_feature.shape; style_loss += layer_style_loss / (c * h * w); total_loss = content_weight * content_loss + style_weight * style_loss; optimizer.zero_grad(); total_loss.backward(); optimizer.step(); if i % 500 == 0: print('Iteration {}, Total loss: {}'.format(i, total_loss.item())); plt.imshow(im_convert(target)); plt.axis('off'); plt.show()