stable-diffusion领域prompt集合

本文汇总了Stable Diffusion模型在不同场景下的提示词,包括人物、建筑等,帮助用户创作出更写实、高质量的AI艺术作品。同时提供了正面和负面的提示词示例,以优化画质和避免常见问题。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

### 使用提示矩阵在Stable Diffusion中高效生成不同提示的图像 #### 提示矩阵的概念 提示矩阵允许用户定义多个不同的文本提示组合,从而一次性生成多种变化的图像。这种方法极大地提高了创作效率和多样性。 #### 实现方式 为了实现这一目标,在配置文件或命令行界面中指定一系列分隔符来区分各个独立的提示词组。通常采用竖线`|`作为默认分割符号[^1]: ```plaintext 正面提示 | 变体一 | 变体二 | ... 负面提示 | 不变因素A | 不变因素B | ... ``` 每一对正负向提示之间同样可以加入权重调整因子以微调各成分的影响程度。 #### Python脚本实例 下面是一个简单的Python脚本来展示如何利用API接口批量提交带有不同参数的任务请求并收集返回的结果: ```python import requests from PIL import Image from io import BytesIO def generate_images(api_url, positive_prompts, negative_prompts=None): """ 批量生成基于给定提示列表的图片 参数: api_url (str): API端点地址 positive_prompts (list[str]): 正面提示字符串数组 negative_prompts (list[str], optional): 负面提示字符串数组,默认为空 返回值: list[PIL.Image.Image]: 图片对象集合 """ payload = { "prompt": "\n".join([f"{p}" for p in positive_prompts]), "negative_prompt": "" if not negative_prompts else "\n".join(negative_prompts), "width": 768, "height": 768, "num_inference_steps": 50, "guidance_scale": 7.5, "seed": -1, "batch_size": len(positive_prompts) } response = requests.post(url=api_url, json=payload) images = [] for img_data in response.json()["images"]: image = Image.open(BytesIO(base64.b64decode(img_data))) images.append(image) return images ``` 此函数接受一组或多组正面与负面提示,并通过POST请求发送至指定的服务端进行处理;最终解析响应数据流得到对应的PIL `Image` 对象以便进一步操作或保存到本地磁盘上。
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