Stable Diffusion【实战】一下给我整破防了!!SD制作商业海报——香水海报

前言

hello,大家好**

今天我给大家分享关于SD制作商业海报案例——香水海报。内容很干,但很实用,我后续也会持续分享一些其他商业海报的制作案例,喜欢我的请持续关注

人“狠”话不多,大家请上车!!跟着老徐“一步两步三步四步~往前走,你却把别人放在眼里”,下面进入实战内容。

商品原图:

实战步骤:

**1.选择适合的大模型
**

2.根据商品填写适当的提示词

3.选择适合的Lora(可选项 根据实际情况)

4.参数设置

5.开启ControlNet,上传商品图,设置相关参数

6.PS叠加原商品

7.SD 图生图融合

1.选择适合的大模型

老徐这里以上次给大家推荐的“万能”大模型——筑梦工业XL_v5.0为例

所有的AI设计工具,模型和插件,都已经整理好了,👇获取~在这里插入图片描述

2.根据商品填写适当的提示词

**正向提示词:**masterpiece,bestquality,8K,realistic,A bottle of perfume, rose petals falling in the water

杰作,最佳质量,8K,逼真,一瓶香水,玫瑰花瓣落入水中

反向提示词:

(worst quality:1.6),(low quality:1.6),(normal quality:1.6),lowres,watermark,nsfw,nsfw,tooth,

3.选择适合的Lora

小编这里没有添加其他Lora,因为老徐觉得**“筑梦工业XLV5.0”**可以不需要,开个玩笑,这里老徐建议个人根据实际情况来选择。老徐这里只是简单制作教程,就略过了。

4.参数设置

**分辨率:**1024*1024(**注意:**这里海报通常是竖图,选择的商品图的尺寸调整到了该尺寸,建议和商品图大小保持一致,可后期进行高清放大)

**采样方法 (Sampler):**DPM++ 2M Karras

**迭代步数 (Steps):**35

**提示词引导系数 (CFG Scale):**7

5.开启ControlNet,上传商品图,设置相关参数

启用ControlNet,开启完美像素,选择控制类型——Cany(硬边缘),其他保持默认。上传商品图,建议白底商品图。(**注意:**控制权重 和引导开始、结束时机可根据时间出图情况进行适当调整)

以上准备完毕,开始抽卡跑图。老徐这里一次跑了4张。

6.PS叠加原商品

选择一款觉得不错的,如果没有满意的那就继续抽卡。老徐这里选择的右上角的这张(虽然和提示词有点差异,但老徐觉得这张效果还不错)。然后导入到PS中放上商品原图及简单的融合修饰处理。

7.SD 图生图融合

如果你是PS高手,那此处可略过,完全可以在上一步就处理的非常完美

把上面叠加完原产品的图片导出,重新放入SD图生图,进行边缘的融合,设置重绘幅度0.2-0.4之间 不建议设置太大。不然图片改变太大。模型及参数及尺寸与原理保持一致。

来张竖图看看效果:

再配点文案看看效果?文字老徐这里就简单加了,没做过多设计调整。

这里分享给大家一份Adobe大神整理的《AIGC全家桶学习笔记》,相信大家会对AIGC有着更深入、更系统的理解。

有需要的朋友,可以点击下方免费领取!

在这里插入图片描述

AIGC所有方向的学习路线思维导图

这里为大家提供了总的路线图。它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。如果下面这个学习路线能帮助大家将AI利用到自身工作上去,那么我的使命也就完成了:
在这里插入图片描述

AIGC工具库

AIGC工具库是一个利用人工智能技术来生成应用程序的代码和内容的工具集合,通过使用AIGC工具库,能更加快速,准确的辅助我们学习AIGC
在这里插入图片描述

有需要的朋友,可以点击下方卡片免费领取!

在这里插入图片描述

精品AIGC学习书籍手册

书籍阅读永不过时,阅读AIGC经典书籍可以帮助读者提高技术水平,开拓视野,掌握核心技术,提高解决问题的能力,同时也可以借鉴他人的经验,结合自身案例融会贯通。

在这里插入图片描述

AI绘画视频合集

我们在学习的时候,往往书籍源码难以理解,阅读困难,这时候视频教程教程是就很适合了,生动形象加上案例实战,科学有趣才能更方便的学习下去。

在这里插入图片描述

<think>好的,我现在需要帮助用户了解Stable Diffusion的工作原理和操作方法,特别是他们提到的图解教程和零基础入门。首先,我需要Stable Diffusion的三个主要组成部分:变分自编码器(VAE)、U-Net和文本编码器。用户可能对每个部分的作用不太清楚,所以我要逐一解释。 接下来,用户可能需要知道扩散过程的具体步骤,包括前向扩散和反向去噪。这里需要区分像素空间和潜在空间,解释为什么潜在空间更高效。同时,结合引用中的信息,比如潜在扩散模型(LDM)的优势是降低计算需求,这点很重要,需要强调。 然后,操作方法部分,用户可能想知道如何使用现有的工具或代码来运行Stable Diffusion。需要提到文本编码器如何处理输入提示,以及负面关键词的应用,引用中的通用负面关键词可以作为例子,但也要提醒用户可以自行添加。 关于图解教程,虽然不能直接提供图片,但可以描述结构图的大致内容,比如VAE的编码和解码过程,U-Net的残差连接结构。可能还需要解释扩散模型的插值任务,如引用2提到的,但用户的问题主要集中在原理和操作,这部分可能次要。 需要确保回答符合系统指令:使用正确的中文,数学公式用$...$,独立公式用$$...$$,并且生成相关问题。同时,引用要自然添加在段落末尾。检查是否有遗漏的部分,比如VAE如何压缩图像,U-Net如何逐步去噪,文本编码器的作用等。最后,确保生成的相关问题与用户的问题相关,比如优化方法、应用场景、安装步骤等。</think>### Stable Diffusion 工作原理详解 Stable Diffusion 是**潜在扩散模型(Latent Diffusion Model, LDM)**的典型应用,其核心流程可分为以下三个阶段: --- #### 一、核心组件与作用 1. **变分自编码器(VAE)** - 作用:将高维像素空间(如$512 \times 512$图像)压缩到低维潜在空间(如$64 \times 64$),降低计算复杂度[^3]。 - 数学表达: $$ z = \text{VAE}_\text{encoder}(x),\quad x' = \text{VAE}_\text{decoder}(z) $$ - 优势:潜在空间维度远低于像素空间,训练效率提升约**45%**。 2. **U-Net** - 结构特点:包含残差连接(ResNet)与注意力机制,逐步去除潜在空间中的噪声。 - 扩散过程:通过反向扩散从$z_T$(纯噪声)逐步生成$z_0$(清晰潜在表示)。 3. **文本编码器(CLIP)** - 将文本提示(如"星空下的城堡")转换为条件向量,通过交叉注意力机制指导图像生成。 --- #### 二、扩散过程图解(文字描述) 1. **前向扩散(加噪)** - 对潜在表示$z_0$逐步添加高斯噪声,经过$T$步后得到$z_T \sim \mathcal{N}(0, I)$。 - 每步噪声强度由调度算法(如DDPM、DDIM)控制。 2. **反向去噪(生成)** - U-Net预测当前步的噪声$\epsilon_\theta(z_t, t, \text{text})$,通过迭代更新: $$ z_{t-1} = \frac{1}{\sqrt{\alpha_t}} \left( z_t - \frac{1-\alpha_t}{\sqrt{1-\bar{\alpha}_t}} \epsilon_\theta \right) + \sigma_t \epsilon $$ - 最终将$z_0$通过VAE解码器还原为像素空间图像。 --- #### 三、操作步骤(零基础入门) 1. **输入配置** - 正向提示:描述目标内容(如"A cat wearing sunglasses, cyberpunk style") - 负面提示:排除不需要的元素(如引用[4]提供的"low quality, blurry") 2. **参数调节** - 采样步数:20-50步(步数↑→质量↑,速度↓) - 引导强度(CFG Scale):7-12(值↑→文本对齐↑,多样性↓) - 随机种子:固定种子可复现结果 3. **生成流程** ```python # 伪代码示例 prompt = "星空下的城堡,4K高清" negative_prompt = "低质量,模糊" latent = torch.randn((1,4,64,64)) # 初始化噪声 for t in timesteps: noise_pred = unet(latent, t, text_embeddings) latent = scheduler.step(noise_pred, t, latent) image = vae.decode(latent) ``` ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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