AI绘画结合GPT 把Ai绘画与摄影玩明白

news2024/11/27 2:50:36

一、绘画与摄影有什么关系?

绘画和摄影是两种不同的艺术形式,它们都以其自身独特的方式捕捉和表达现实。在某些方面,它们是相互联系的,而在其他方面,它们又有所不同。​

相似之处:绘画和摄影都是创造性的表现形式,都需要艺术家具有审美观念和创新思维。它们都可以用来传达情感、观念,或者描绘人物、风景、生活场景等。它们都需要对色彩、构图、光线和阴影的敏感性和理解。​
不同之处:尽管两者都可以表现现实,但它们的创建方式有很大的不同。绘画是一种更直接的创作过程,艺术家可以完全按照自己的想象来创作,而不受任何限制。而摄影则需要捕捉现实中的瞬间,尽管后期处理可以改变一些元素,但基本的形象是由被摄物决定的。此外,绘画通常需要更长的时间来完成,而摄影可以迅速捕捉瞬间。
相互影响:在历史上,绘画和摄影的关系非常紧密。摄影的出现在19世纪中叶,挑战了绘画作为记录现实的主要方式,推动了艺术家寻找新的创作手法,这就导致了现代艺术的出现。另一方面,绘画也影响了摄影的发展,例如在构图、光线和色彩等方面。许多摄影师的作品都受到了绘画的影响。


总的来说,绘画和摄影是两种独特的艺术形式,它们既相互竞争,又相互影响。虽然它们在形式和技术上有所不同,但都是创造和表达美的方式

学习摄影词汇——摄影相关词汇整理

 

二、了解摄影师

这里用到了一个mj图书馆网站,里面有大量词汇

(可能需mofa)https://www.midlibrary.io/styles

从分类里面可以找到摄影师,可以从里面查看不同摄影师对应的风格,总共有300+

 

三、mj 摄影句式

通过GPT了解了摄影词汇和一些摄影大师,接下来就是把词汇组合 丢给midjouney 尝试不同的效果​

Midjourney 句式:​

<机位/角度>,<主体>,<环境>,<灯光>,<摄影风格/摄影作家> <其他> ​

先来个人物拍摄:​

特写,快照美学,超高清画面,一个美丽的女孩,18岁,在海边奔跑,蓝天白云,脸上带着微笑,超细节,宾得k1000,体积光,柯达彩色胶片拍摄,摄影师川内凛子 (Rinko kawauchi) ​

close-up,snapshot aesthetic,uhd image, A beautiful girl, 18 years old, running by the seaside, with blue sky and white clouds, a smile on her face, super detail,Pentax k1000,volumetric lighting,shot on kodachrome,art by Rinko kawauchi

动物拍摄:​

宠物摄影,360全景,樱花树下,落樱,茶杯贵宾犬,尼康单反相机,逆光,高清​

Pet photography,360 panorama,under the cherry tree,falling cherry blossoms,Teacup Poodle,Nikon SLR camera,backlight,high definition

Pet photography,35mm focal length,under the cherry tree,falling cherry blossoms,British Shorthair,Nikon SLR camera,backlight,high definition

四、让GPT发挥想象力帮你生成prompt​

这是参考网上midjourney的prompt 基础上 进行摄影模式的修改  核心部分在句式结构上 大家可以根据自己喜欢的句式进行调整​

Prompt 如下​

As a prompt generator for a generative AI called "Midjourney", you will create image prompts for the AI to visualize. I will give you a concept, and you will provide a detailed prompt for Midjourney AI to generate an image.​
Please adhere to the structure and formatting below, and follow these guidelines:​

- Do not use the words "description" or ":" in any form.​

- Do not place a comma between [ar] and [v].​

- Write each prompt in one line without using return.

Structure:​

[1] = [PROMPT]​

[2] = a detailed description of [1] with specific imagery details.​

[3] = a detailed description of the scene's environment.​

[4] = a detailed description of the scene's mood, feelings, and atmosphere.​

[5] = A photography style (e.g. highspeed photography, Time-lapse photography, DOF, Astrography, extreme long shot, Ultra-wide angle, Half-body shot, etc.) for [1].​

[6] = A description of how [5] will be executed (e.g. camera model and settings, DSLR,CanonEOSR5,SonyAlpha1.etc.)​

[7] = photography lighting(e.g. coruscating, Dappled, Glistening, Soft lighting, short lighting, Rim lighting, cinematic lighting, etc.)​

[8] = photographer(e.g. Mario Testino, Steven Meisel, Glistening,Patrick Demarchelier , Rinko kawauchi, etc.)​

[ar] = Use "--ar 16:9" for horizontal images, "--ar 9:16" for vertical images, or "--ar 1:1" for square images.​

[v] = Use "--niji" for Japanese art style, or "--v 5" for other styles.​

Formatting: ​

Follow this prompt structure: "/imagine prompt: [1], [2], [3], [4], [5], [6],[7],[8] [ar] [v]".​

Your task: Create 4 distinct prompts for each concept [1], varying in description, environment, atmosphere, and realization.​

- Write your prompts in [一只可爱的小狗].​

- Do not describe unreal concepts as "real" or "photographic".​

- Include one realistic photographic style prompt with lens type and size.​

- Separate different prompts with two new lines.​

Example Prompts:​

Prompt 1:​

/imagine prompt:A stunning Halo Reach landscape with a Spartan on a hilltop, lush green forests surround them, clear sky, distant city view, focusing on the Spartan's majestic pose, intricate armor, and weapons, Artwork, oil painting on canvas, --ar 16:9 --v 5

GPT生成的prompt:

然后输入了一只可爱小狗 再用GPT生成的prompt ​

A fluffy Samoyed puppy frolicking in a snowy landscape, the puppy's white fur contrasting with the stark white snow, pine trees dusted with snow in the background, a quiet, serene winter day, hyperrealistic style with attention to individual hairs and snowflakes, shot with a Canon EOS R5, using a telephoto lens to capture the dog from a distance, backlit by soft winter sunlight, reminiscent of the work by Rinko Kawauchi, --ar 1:1 --v 5

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/722275.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Docker网络管理应用

实验要求 了解Docker常用网络模式&#xff0c;掌握Docker常用网络模式的使用。主要任务是利用busybox镜像建立容器&#xff0c;容器名称为test_busybox1和test_busybox2&#xff0c;将网络模式设置为none&#xff0c;并为容器配置IP地址&#xff0c;容器test_busybox1的IP设置…

21-部署 Web 项目到 Linux

目录 1.什么是部署&#xff1f; 2.如何部署&#xff1f; 2.1.本机连接远程mysql服务器&#xff08;可选项&#xff09; 2.2.在远程服务器mysql数据库上执行创建数据库、表的脚本 2.3.检查项目中连接mysql服务器的地址和密码是否正确 2.4.使用Maven打包项目&#xff0c;生…

Linux组件之内存池的实现

文章目录 一、为什么需要内存池二、内存池的工作流程三、内存池的实现3.1 数据结构3.2 接口设计3.2.1 创建内存池3.2.2 内存池销毁3.2.3 内存分配1. 分配小块内存2. 分配大块内存 3.2.4 内存池的释放3.2.5 内存池重置 3.3 完整代码 一、为什么需要内存池 应用程序使用内存&…

ArcPy学习心得系列(6)Arcpy计算DOM影像数据范围

需求分析 DOM影像有黑边怎么办? 下图为DOM影像 一张DOM图,问有没有方法能够计算出这张图的有效数据的范围 通过图中显示的范围,可以很明显的看到左边多出来的那一块区域,仔细排查了一遍,辉仔发现原始数据实际上是下面这样的。 原始DOM影像 其中,蓝色区域的值为255,…

Django中如何正确使用 redis

文章目录 问题起源&#xff1a;AsyncWebsocketConsumer 中的 channel_layer解决方案安装 & 启动 redis安装 channel-redis更新 settings.py 的 redis 设置 问题起源&#xff1a;AsyncWebsocketConsumer 中的 channel_layer 在构建 websocket 的过程中&#xff0c;我在 cons…

云原生之深入解析K8S的请求和限制

一、Kubernetes 限制和请求 在 Kubernetes 中使用容器时&#xff0c;了解涉及的资源是什么以及为何需要它们很重要。有些进程比其它进程需要更多的 CPU 或内存&#xff0c;这很关键&#xff0c;永远不应该让进程饥饿&#xff0c;知道了这一点&#xff0c;那么应该正确配置容器…

MQTT 5.0 中的安全认证机制:增强认证介绍

在本系列之前的文章中我们提到&#xff0c;借助 MQTT CONNECT 报文中的 Username 和 Password 字段&#xff0c;我们可以实现一些简单的认证&#xff0c;比如密码认证、Token 认证等。为了进一步保障物联网系统的安全&#xff0c;在本期文章中&#xff0c;我们将一起了解另一种…

tty(四)tty框架分析

基于linux-3.14.16 重要文件&#xff1a;tty_io.c 一、tty子系统 开机添加了2个次设备号为0和1的字符设备&#xff0c;即/dev/tty和/dev/console。 二、分配tty驱动接口alloc_tty_driver 最终调用的__tty_alloc_driver分配 先分配一个tty_driver 因为flags为0&#xff0c…

从编程开发角度比较电机驱动芯片:DRV8833、TB6612、A4950、L298N

这几款驱动芯片都是用于控制直流电机的常见驱动芯片&#xff0c;下面是它们的相同点和不同点的比较&#xff1a; 相同点&#xff1a; 都可以用于控制直流电机的转速和方向。 都支持PWM控制方式&#xff0c;可以实现电机的速度调节。 都提供了使能引脚&#xff0c;可以通过使…

(ARM)7/5

1.串口发送单个字符 2.串口发送字符串 uart4.h #ifndef __UART4_H__ #define __UART4_H__#include "stm32mp1xx_uart.h" #include "stm32mp1xx_rcc.h" #include "stm32mp1xx_gpio.h"//初始化相关操作 void hal_uart4_init();//发送一个字符 v…

uniapp学习之【uniapp的返回事件 onBackPress 在微信小程序中不生效的问题】

uniapp 的返回事件 onBackPress 在微信小程序中不生效的问题 场景&#xff1a;页面中点击左上角的返回按钮,监听返回操作,页面返回前执行了一些操作, uniapp 页面生命周期中有 onBackPress ,因此将操作写在了 onBackPress () 页面生命周期钩子当中, H5 测试一切正常,但是微信开…

7、架构:模板设计

在低代码开发中&#xff0c;除了基础组件与物料之外&#xff0c;模板也是必不可少的模块&#xff0c;是基于物料之上的更高级的产物&#xff0c;除了具备业务属性之外会更偏向专属的技术领域&#xff0c;例如可视化大屏、数据分析、中台管理等。 此外模板通常是比较完整的应用…

k8s Label 2

在 k8s 中&#xff0c;我们会轻轻松松的部署几十上百个微服务&#xff0c;这些微服务的版本&#xff0c;副本数的不同进而会带出更多的 pod 这么多的 pod &#xff0c;如何才能高效的将他们组织起来的&#xff0c;如果组织不好便会让管理微服务变得混乱不堪&#xff0c;杂乱无…

作物计数方法汇总

在研究农情的方向中&#xff0c;作物计数是一个很重要的方向&#xff0c;需要用到很多方法&#xff0c;这里做一个小小的总结 (1)地理栅格数据(tif图片)裁剪并生成带地理坐标的切片 如图需要将下图所示的tif图裁剪并生成切片&#xff08;截图一部分&#xff09; 源码来自&…

微服务 02-rabbitmq在springboot中如何使用(上篇)

目录 前言: 上文传送 -> 安装rabbitmq传送门: -> rabbitmq使用出现问题解决传送门: 1. rabbitmq的六大模式: 1.1 简单模式: (一对一) -> 业务场景: 1.2 工作模式: (一对多) -> 业务场景: 1.3 发布与订阅模式: (广播) 1.4 路由模式: -> 业务场景 …

计算机系统的层次结构

计算机系统 计 算 机 系 统 { 计 算 机 软 件 { 系 统 软 件 应 用 软 件 计 算 机 硬 件 { 存 储 器 运 算 器 控 制 器 输 入 设 备 输 出 设 备 计算机系统 \begin{cases} 计算机软件\begin{cases}系统软件\\应用软件\end{cases}\\计算机硬件\begin{cases}存储器\\运算器\…

YoloV8改进---注意力机制:引入瓶颈注意力模块BAM,对标CBAM

目录 ​编辑 1.BAM介绍 2.BAM引入到yolov8 2.1 加入modules.py中&#xff1a; 2.2 加入tasks.py中&#xff1a; 2.3 yolov8_BAM.yaml 1.BAM介绍 论文&#xff1a;https://arxiv.org/pdf/1807.06514.pdf 摘要&#xff1a;提出了一种简单有效的注意力模块&#xff0c;称为瓶颈…

06、Nginx反向代理与负载均衡

反向代理&#xff1a; 这种代理方式叫做&#xff0c;隧道代理。有性能瓶颈&#xff0c;因为所有的数据都经过Nginx&#xff0c;所以Nginx服务器的性能至关重要 负载均衡&#xff1a; 把请求&#xff0c;按照一定算法规则&#xff0c;分配给多台业务服务器&#xff08;即使其中…

【论文笔记】Skill-based Meta Reinforcement Learning

【论文笔记】Skill-based Meta Reinforcement Learning 文章目录 【论文笔记】Skill-based Meta Reinforcement LearningAbstract1 INTRODUCTION2 RELATED WORKMeta-Reinforcement LearningOffline datasetsOffline Meta-RLSkill-based Learning 3 PROBLEM FORMULATION AND PRE…

CPU大小端和网络序的理解

引子 Big/Little Endian是Host CPU如何去理解在内存中的数据&#xff0c;内存中的数据是没有Big/Little Endian之分的&#xff08;内存仅仅作为存储介质&#xff09;&#xff0c;而Host CPU才有Big/Little Endian之分。 不同Endian的CPU&#xff0c;从内存读取数据的时候&#…