圖片：? ? ? ?

? ? ? ? ?

prompt :

正向：

(((masterpiece))),best quality,watercolor,((illustration),

(((beautiful detailed girl))),((mysterious)),small chest,(witch_brew),

((delicate cute face)),red eyes,

ringlets,white hair,

((witch_robe)),black robe,hooded robe,golden laces,

((fairytale)),(night),((cauldron)),mushroom_forest,glowing_mushrooms,luminous_spirit,light_particles,

反向：

EasyNegative, extra fingers,fewer fingers,

參數(shù)列表和模型：

Steps: 30, Sampler: DPM++ SDE Karras, CFG scale: 10, Seed: 2566641591, Size: 512x384, Model: counterfeit2.5, Denoising strength: 0.5, Clip skip: 2, ENSD: -1, Hires upscale: 2.75, Hires upscaler: Latent (nearest-exact), Eta: 0.667

解析：

這張圖片的話，是一次 TtoI 的產(chǎn)物來著...沒有經(jīng)過多次處理就產(chǎn)生了原圖中這種比較特殊的效果，主要是利用了 prompt 中的一些特性...

最主要的是利用了噪點(diǎn)來著...

一般來說，對(duì)于 512*384 的圖片，使用 2.75 的 up，是需要 0.6 以上的 DS 防止產(chǎn)生噪點(diǎn)的來著...而這里只使用了 0.5 的 DS。

但是對(duì)于這個(gè) prompt，2.75 的 up 首先模糊化了所有的背景（也就是 cauldron 之后的所有 tags，它們雖然可能難以從結(jié)果圖中看出完整的表現(xiàn)，但為生成提供了相應(yīng)的基底...），而 0.5 的 DS ，在進(jìn)一步的生成中，是不足完全鏈和，從而補(bǔ)全這些背景 tags 的，所以產(chǎn)生了具有部分關(guān)聯(lián)性的噪點(diǎn)...

進(jìn)一步的，因?yàn)橛懈呒訖?quán)強(qiáng)泛化詞 fairytale 的存在，所以這些噪點(diǎn)有了明確的補(bǔ)全方向...（實(shí)際上補(bǔ)全為小花也是噪點(diǎn)的一般補(bǔ)全方向之一）

所以就有了如圖的效果。

嗯，概括而言就是，因?yàn)榧尤氲脑朦c(diǎn)與圖片的放大比例不均衡，所以出現(xiàn)了噪點(diǎn)，利用背景 tags 將這些噪點(diǎn)進(jìn)行一定程度的規(guī)約后就可以用關(guān)聯(lián)的強(qiáng)泛化詞進(jìn)一步修飾它們，使它們成為圖片的特色而非錯(cuò)誤。

大概就是這樣？

然后...還有其他的一些特性來著...

比如第四個(gè) tag illustration，左右側(cè)括號(hào)不等并不是誤打來著...這是一個(gè)我比較喜歡使用的特性...效果的話...和后面 tag 之間的關(guān)聯(lián)順序有關(guān)，因?yàn)楸容^繁瑣所以這里就不細(xì)說了...

（這個(gè)其實(shí)主要是用來保證“不使用高清修復(fù)的情況下，1k*1k 的分辨率不會(huì)導(dǎo)致人物的邊緣化" 這一屬性的，其實(shí)是之前沒有使用高清修復(fù)時(shí)的遺留特性...用習(xí)慣了就沒改來著///）

（具體參見最下面的注釋）

還有一些詞匯，權(quán)重，分塊，順序，長(zhǎng)度之類的特性...嗯，應(yīng)該很明顯的來著?

注釋:

一般而言，((A),B 可以看作 ((A),B) 理解

也就是說，省略了一個(gè)位于整個(gè) prompt 末尾的反括號(hào)。（雖然這兩種寫法好像也有一些微妙的差別來著//）

但是上面的寫法，與 ((A)),(B) 之間是有絕對(duì)的差異的。雖然它們看上去都是增加所有 tags 的權(quán)重，但是整體的括號(hào)效果上會(huì)更加“平滑”一些。

【另外，這兩種寫法在與整個(gè)括號(hào)外的，其他詞匯的交互上可能也有一些區(qū)別】

這個(gè) “平滑” 是什么意思呢？

如果要理解這一點(diǎn)的話，就要提一個(gè)歷史遺留問題：

同類型的 tag，它們的效果（尤其是加權(quán)后的效果）是可能有非常大的差異的。

這一問題的由來是 tag 屬性的兩面性：比如 red hair，如果給它加權(quán)，那么是詞匯的本質(zhì)（紅的程度）得到強(qiáng)化，還是詞匯的數(shù)量（頭發(fā)的多少）得到強(qiáng)化呢？

實(shí)際上，強(qiáng)化的效果是二者的結(jié)合，也就是整體意義上的加權(quán)得到強(qiáng)化。

這看上去似乎并沒有什么好奇怪的，但實(shí)際上導(dǎo)致了非常大的問題。

舉個(gè)例子：short hair,wavy hair,(Blond hair),(hair flower),

這是一組關(guān)于頭發(fā)的描述，我們假設(shè)這一組描述在整體描述中的權(quán)重是均衡的。

那么這一組描述有沒有什么問題呢？

是有問題的！它幾乎必然會(huì)在高分辨率（直接生成而非高清修復(fù)）下分裂成兩個(gè)人。

當(dāng)然，如果利用一些其他的特性也是可以保證只生成一個(gè)人的。

原因是 short hair 無法承載后面大量關(guān)于頭發(fā)的描述帶來的 “量” 上的強(qiáng)化。

如果換成 long hair，雖然它和 short hair ，在我們的理解上，詞性幾乎是一模一樣的，但是分裂成兩個(gè)人的概率會(huì)小很多，原因是顯然的。

好，回到之前的話題，為什么說這種打括號(hào)的方法會(huì)比單獨(dú)打更優(yōu)呢？

因?yàn)槿绻胫苯由筛叻直媛实膱D（而不經(jīng)過高清修復(fù)）的話，我們是需要增加人物的權(quán)重的（不然會(huì)導(dǎo)致人物的邊緣化）。

增加人物的整體權(quán)重的同時(shí)需要增加人物各部分的權(quán)重...這就會(huì)引起上面提到的問題：

加權(quán)之后 short hair 這類對(duì) “量” 有限制的詞匯會(huì)出現(xiàn)錯(cuò)誤，可能是 short hair 失效，可能是身體扭曲，當(dāng)然，最可能的還是出現(xiàn)兩個(gè)人（畢竟這確實(shí)是滿足 prompt 的最優(yōu)方案）

而最上面那種打括號(hào)的方式可以一定程度上避免這種問題，它加權(quán)的模式比較“平滑”。

大概就是這樣（雖然好像還是沒有解釋什么叫 “平滑”）。

這是一個(gè)沒有必要了解的知識(shí)點(diǎn)

在有 EN 一類效果強(qiáng)大的負(fù)面 Pt 的現(xiàn)在，用上高清修復(fù)后，一般而言，就算 prompt 里有大量原本非常致命的錯(cuò)誤描述，也不會(huì)太過影響生成的圖片的效果了

另外，更大多數(shù)的情況下，這么打括號(hào)只是打錯(cuò)了而已...