AI绘画井喷?MJ和SD到底谁更适合用于商业?浅谈一下

若依框架集成saToken 若依版本3.8.8,鉴权采用security框架,这种框架太重,项目中想实现对外提供接口功能。尽快减少修改原框架的逻辑基础上,采用satoken实现。 阅读详情

23年是个AI井喷式爆发的一年,以ChatGPT为代表的各类AI如雨后春笋般快速撅地而出,我们在震撼于AI发展的同时,我们也快速意识到:这仅仅只是个开始,革命已经到来。
在这里插入图片描述

出自Stable duffusion

对于美术设计大类的相关从业者来说,AI绘画无疑在各个圈子里都掀起了一股狂风热浪,特别是在去年年底到此时此刻,AI绘画在短短几个月内,有了非常惊人的突破后,所有人都在讨论,态度不一。

有的表示鄙视,强烈抵制。

有的表示狂喜,迅速加入。

而更多的表示无奈,只能试着与他共处。

而我,也是平庸的第三种。

出自Midjourney

出自Stable duffusion

谈到AI绘画,我们一定会想到大名鼎鼎的Midjourney和Stablediffusion。相信大家的朋友圈都已经被两者产出的AI作品冲烂了,上面我们展示的两张图就是两个平台,分别做出的绘画效果(以下简称MJ和SD)

为什么世界公认的AI绘画会以这两个产品作为代表呢?其实很简单,因为这两个在自身能力都相当出众的情况下,代表了AI绘画的两个截然不同的赛道 。

在两者都使用了一段时间后,我们做一个简单的对比:

Midjourney:

优点 :质量奇高,上手入门很快,操作简单(特别V5),只需简易关键词即可输出高质量的图像,官网优质(能快速查看大量优质作品的Prompt)

缺点
:完全付费,只能使用官方提供模型,对图像自定义范围较低,对图像二次操作范围很低,风格较为固定(相对SD),提示词有限制,需联网部署,保密性和安全性较低

MJ官网,这里我们能看到大量的优质作品及其Prompt

Stable diffusion:

优点
:开源免费,对于生成的图像内容,风格可以高度自定义,对图像二次操作范围极大,资源丰富,生成内容无限制,本地部署无需联网,安全性和保密性较高,有很多优质插件辅助

缺点 :上手难度较大,生成高质量图像有一定门槛(需要配合优质大模型小模型以及prompt等等),出优质图像概率比MJ低。

C站,Stable duffusion的模型库网站

以上就是对于两款AI绘画产品的简单对比,其实如果从使用感觉上来说,类比于我们的CG软件的话,MJ更偏像于C4D,SD更偏像于Houdini
**。**当然这只是一个粗略简单的使用感觉的类比。实际上手使用AI的难度,个人觉得会小于CG软件十倍左右(这里不代表去开发ai各种新赛道的难度,仅仅只是从使用上说)。

那么简单了解了两者的不同后,其实我们就能理解为什么我们会说,两者是完全不一样的赛道了。

MJ的使用群体更偏向于大众化,只是出于兴趣或者好玩,又或者只是简单需要AI辅助去寻找灵感,开课收割 ,又或者甲方需求不是特别的细化的情况
,那么MJ非常合适,他能快速的解决你的这些需求,缓解相关从业人士的焦虑,当然唯一可惜是需要付费。

出自Midjourney

SD的使用群体则更偏向于精准化,各类人群需求不同,所产出的内容天差地别,这意味着各类人群都能在SD里找到自己的使用方式和最佳体感。

出自Stable duffusion

那么站在商业化的角度来说,SD显然是比MJ更加适合用作商业服务的,**因为对于美术有需求的甲方来说,能够指哪打哪,一定的他愿意付费的重要原因,**而不是简单的通过概率试错来达到结果的收获。没有一个甲方会愿意为虚无的运气付费的,相信我。

举个简单的例子,如果我们要把一个特定的产品放在AI绘画的场景中,比如一个包,一件衣服,一个手机,这个需求MJ操作起来难度就会偏大,大概率我们需要进入第二个软件进行二次修复。

但是SD则不同,或者说他就可以担任这个二次修复的工作,通过简单的10分钟的训练,你就可以得到对应产品的模型数据,这样以来,我们就能快速的把产品进行高效率的美术包装产出展示。

出自B站UP主:靠谱的轩轩

在AI的时代,未来什么最值钱?那毫无疑问一定是数据了,没有数据现在所有的AI一切都无从谈起,**所以对于想从事ai方向工作的同学来说,学会“炼丹”,会建立不同风格的模型,一定是提升自己价值的重要且必要的手段!!**就像你玩C4D,一定要会OC或者RS渲染一样,未来AI岗位,会玩训练一定是个最低标准。

时代的洪流如潮水,汹涌起伏,波涛不定,站在这个时代,是我们的幸运,当然也是我们的不幸。对于一个新技术的来临,初阶时一定是被高估的,而有先行者迈步开拓时,又一定是被讽刺低估的。

所以我们一定要冷静接受当下的现状,不过多焦虑,但也一定不要忽视且否定,勇敢的去探索与学习,但一定不要丢下自己的艺术审美。就像卖大哥大的厂商如果一开始对手机的出现嗤之以鼻,不屑一顾,那么滚滚的时代一定会把他无情的泯灭在历史的长河中
在这里插入图片描述

基于ABCDRez的激光谐振腔设计与热透镜效应仿真实践 本文详细介绍了如何利用ABCDRez代码包进行激光谐振腔设计与热透镜效应仿真。通过ABCD矩阵理论和高斯光束q参数,该工具能有效模拟热透镜动态变化对腔稳定性的影响,指导腔型优化与热补偿设计,是固体激光器预研与调试的高效辅助手段。 阅读详情

相关推荐

【CubeMX】STM32G474 HRTIM 互补PWM与死区时间配置实战

本文详细介绍了如何使用STM32CubeMX配置STM32G474的高分辨率定时器HRTIM生成互补PWM波形并精确设置死区时间。通过实战步骤讲解时钟配置、死区计算与高级功能,帮助工程师在电机驱动和电源应用中实现精准控制,避免上下桥臂直通风险。

grpc6streamer的博客 730

【AI 绘画选型指南】SD vs. MJ 终极对比:一文搞懂两者核心差异与适用场景

在AI绘图领域,尽管呈现出百花齐放的发展态势,但行业主导地位仍由Stable Diffusion和Midjourney这两大领军平台牢牢占据。

Android 开发架构 1213

从厘米级到公里级:北斗网格10级精度在ArcPro中的完整应用指南

本文提供了北斗网格十级精度体系在ArcGIS Pro中的完整应用指南。详细解析了从660公里到1.5厘米的十级网格尺度及其编码逻辑,并重点演示了如何在ArcPro中生成网格、计算编码,以及根据项目需求(如滑坡监测)选择合适精度层级的实战策略。指南旨在帮助GIS专业人士利用这套统一的网格框架,高效管理多尺度空间数据并优化分析工作流。

Black的专栏 476

SD和MJ到底怎么选?选哪个?一文带你了解SD与MJ区别

AIGC技术的未来发展前景广阔,随着人工智能技术的不断发展,AIGC技术也将不断提高。未来,AIGC技术将在游戏和计算领域得到更广泛的应用,使游戏和计算系统具有更高效、更智能、更灵活的特性。同时,AIGC技术也将与人工智能技术紧密结合,在更多的领域得到广泛应用,对程序员来说影响至关重要。未来,AIGC技术将继续得到提高,同时也将与人工智能技术紧密结合,在更多的领域得到广泛应用。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,模型插件,具体看下方。

HJS123456780的博客 4553

OpenCASCADE(OCC)读取 STEP 模型文件并在MFC中显示

OpenCASCADE(OCC)读取 STEP 模型文件并在MFC中显示

weixin_61900468的博客 1万+

全国大学校园网—拓扑图欣赏

全国大学网络拓扑图(一百张) 典型十张 1、 中央财经大学 2、国防科技大学 3、济南大学 4、西安石油大学 5、南通大学IPV6网络 6、中国矿业大学 7、青海师范大学 8、内蒙古科技大学 9、三峡大学 10、中共江苏省党校 剩余90张 点赞、评论获取 ...

LiBai'S BLOG 5万+

从零到商用:MJ+SD+Krita+ComfyUI全流程AIGC设计实战

*真正能投入商用的设计,需要一场“组合拳”——将 MJ 的创意发散、SD 的精细调参、Krita 的手绘修正、ComfyUI 的工作流自动化串联成一条可复用的生产线**。**“MJ + SD + Krita + ComfyUI” 并非四个独立工具的简单叠加,而是构成了一条完整的供应链**:MJ 负责快速验证市场方向,SD 负责量产与定制,Krita 担任品检与修复,ComfyUI 担任包装。- **功能特点**:基于节点图的 Stable Diffusion 前端,以可视化的“线框图”方式编排生成流程。

2509_94200320的博客 354

电路课设-音响分频器电路设计

(一)题目简介 1.一阶分频器电路设计 假定高音和低音扬声器均等效为 16 欧姆电阻,设计如图 2 的简单分频器电 路,要求高低频分界(两个滤波器的截止频率)为 5kHz。 1) 写出高音扬声器和低音扬声器电压对于 vs 的传递函数,确定电路中电 容 C 和电感 L 的元件值;2)利用 AC 频率扫描分析求出两个扬声器电压的频率响应曲线,验证计算 结果。用包含高低频成分的电压 vs 激励进行测量验证。 3)计算并利用 EWB 仿真证明从 vs 看进去的阻抗为一常数 16 欧姆。

weixin_53507617的博客 1万+

AI绘画:采样步数对出图质量的影响实测

实测表明,采样步数并非越多越好。在DPM++ 2M Karras采样器下,20-30步已达画质巅峰,30步后边际收益趋近于零,50步以上纯属浪费时间。不同采样器最优步数各异,其中UniPC在低步数(8-12步)即能媲美高步数效果,适合快速迭代。推荐日常出图使用25步,追求质量可至30步,兼顾效率与画质,避免盲目堆步数。

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 1万+

carsim软件教学

第一步打开小锁(红色标注) 新手往往一看界面是灰的,界面内的各种模块打开不了,以为没激活成功 所有模块必须复制之后,进行编辑,不要直接进行修改(很重要) 2.空气动力学模型(红色标注) 这里面主要设定了簧上质量。整车的整备质量在下图模块中进行设定 空气动力学。主要涉及到空气阻力,在下面模块中进行设定,有个问题需要注意,他的空气阻力与汽车理论的空气阻力公式不一致,这一点需要注意 下面这会模块基本上用不到,涉及到一个声音和汽车的外观 下面这个模块主要涉及到发动机功率,传动比还有 tao,档位的传动比,发

weixin_43796045的博客 2553

用MATLAB计算卡方值

然后,我们计算了期望频数,即在两个分类变量独立的情况下,每个单元格的预期频数。接下来,我们使用卡方检验的公式计算了卡方值。卡方检验是一种常用的统计方法,用于确定两个分类变量之间是否存在相关性。它基于观察到的频数和期望频数之间的差异来评估分类变量之间的独立性。在MATLAB中,我们可以使用。请注意,这只是一个简单的示例代码,用于说明如何使用MATLAB计算卡方值。在实际应用中,您可能需要根据您的具体数据和研究问题进行相应的修改和调整。在上面的代码中,我们首先创建了两个分类变量。函数显示了计算得到的卡方值。

CodeNexus的博客 2659

深度学习22:Stable Diffusion 实战——文生图工作流与 LoRA 画风定制

Stable Diffusion怎么用提示词画出好图?本文拆解CLIP文本编码、UNet去噪、VAE潜变量的三件套推理链路,给出diffusers文生图工作流、Prompt三段式与采样器权衡,并用LoRA做画风定制实战,点明显存与版权边界。

雨1986的博客 375

YOLOv8剪枝 lamp剪枝测试精度仅掉0.7个点,速度提高11.8fps!

该摘要介绍了LAMP剪枝方法的创新点和理论分析,重点突出了其最小化L2失真和分层自适应剪枝的特性。LAMP通过引入ξ变量在最坏情况下优化剪枝失真,并简化了计算过程。文章还提供了代码移植的具体步骤,包括创建compress.py文件和相关配置说明。

FJN110的博客 1114

深度学习21:扩散模型原理——从 DDPM 到 Stable Diffusion

GAN之后,扩散模型凭「逐步加噪—学习去噪」在生成质量与稳定性上全面反超,成为Stable Diffusion、Sora的引擎。本文推导前向闭式加噪与反向预测噪声的MSE目标,解释DDIM加速与Latent Diffusion原理,附NumPy实测与PyTorch实现。

雨1986的博客 603

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

动漫影视 AIGC 实验室建设:部署选型、工作流与验收

动漫影视 AIGC 实验室选型时,最容易测的是单个工具能不能出图,最容易漏测的是一堂课能不能跑完:多个小组同时提交视频生成任务,会排多久?生成失败后,能否只补做一个镜头?学生换一台电脑,还能打开原来的剪辑工程吗?这些问题分别对应算力调度、任务管理和素材交付。可以先用一段 30~60 秒的教学短片做试点,跑通分镜、素材生成、配音、剪辑和导出,再根据实际瓶颈决定如何部署。以下是一套可用于试点的设计示例。

manyingAi的博客 328

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

知网AIGC检测原理详解:让论文被标红的3个统计特征(附实测数据)

知网AIGC检测不看关键词,而是分析句长方差、连接词密度与信息密度均匀度三大篇章级特征。即使手写,若文本风格工整、节奏均匀,仍可能被标红。同义词替换等表面修改无效,唯有改变生成方式——如理解后重述、模仿真实作者行文习惯——才能有效降低AI率。实测可将维普风险值从64%降至8%。建议初稿即自测,选择真正有效的降AI服务。

柳落青 232

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

爱查宝降 AIGC 效果实测与过检指南

本文基于知网朱雀系统检测机制,剖析学术论文降重核心原理,提出“重构而非替换”的策略。通过多维度改写对比、真实案例解析与学科差异分析,揭示语义保留与逻辑流畅的平衡之道。强调人工复核与批量处理协同,避免过度修改导致语义失真,最终提供可操作的定稿方案,助力作者高效、安全通过查重,实现真正原创表达。

深夜代码酒神 488

爱查宝 AIGC 检测效果实测:对标知网维普朱雀

本文深度评测一款AI文本检测工具,从核心引擎机制、多场景实测到与知网、维普等系统的对比,全面分析其在识别纯AI生成、人工改写及混合内容中的表现。结果显示,该工具基于困惑度与爆发度的双维度模型,具备高精度与强适应性,尤其在细粒度报告呈现、可视化解读和长文稳定性方面优势显著。尽管存在对极规范化文本的误判风险,但通过人工复核可有效规避。结论强调:技术应服务于人,助力学术诚信与创作真实,而非取代判断。

深夜代码酒神 300
上一篇: AI绘画:三分钟教你用SD生成绝美光影文字
下一篇: 3分钟搞定线稿转3D,AI绘画SD在线版太强大了!!!
不秃头de程序猿
博客等级 码龄5年 4091粉丝 1480原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值