🖼️
3.1 文生图是怎么工作的：从文字到像素
补齐最常用的原理断层：文本编码、潜空间去噪、解码，以及 CFG、步数、种子分别作用在哪一步。懂了链路，调参就不再靠玄学。
本课目标
- 能复述一次生成的三个主要阶段
- 知道 CFG、steps、seed 各自影响什么
- 理解负面提示词为什么有效
三次转换
第一步，文本编码器把提示词切成 token 并转成向量，这一步决定了模型「听懂了什么」；同义词、语序、权重写法都会改变这个向量。第二步，扩散模型从一张随机噪声出发，在潜空间里按向量反复去噪，逐步长出结构；步数就是去噪次数，引导强度就是每一步有多听提示词的话。第三步，解码器把潜空间表示还原成像素图，必要时再接放大与高清修复。
- 编码：语义 → 向量，决定「理解」
- 去噪：噪声 → 潜变量，决定「结构与贴合度」
- 解码：潜变量 → 像素，决定「质感与细节」
三个参数的物理含义
seed 决定起始噪声，固定它才能让两次生成落在同一条路径上；steps（采样步数）决定去噪走多少步，太少细节不足，太多收益递减且更慢；CFG / guidance 决定「多严格遵循提示词」，太低画面自由发散、太高容易过饱和、构图僵硬。负面提示词本质上是在去噪时额外提供一个「远离这些概念」的方向。
- seed：可复现性
- steps：细节与耗时
- CFG：贴合度与自然的平衡
- negative：排除方向
为什么模型会画错手和字
模型学的是统计规律而非人体结构或文字排版规则。手部姿态组合极多、训练里清晰样本相对少，文字更是像素级符号，都不是扩散过程的强项。理解这一点，就会把这类问题交给局部重绘、后期或专门的文字层，而不是无限堆提示词。
把参数写进提示词与界面
Example正向：写实人像，一位老人坐在窗边，午后侧光，浅景深，85mm，暖色调 负向：多余手指，畸形手，水印，文字，低分辨率，过曝 参数：seed 固定 / steps 28 / CFG 7 / 画幅 3:2
四行分别对应编码、排除方向、去噪设置、版式。
动手练
- 固定 seed，只改 CFG 跑三档，观察贴合度与过饱和的临界点。
- 把 steps 从 15 提到 30，记录细节变化与耗时。
常见问题
步数是不是越高越清晰？
超过一定步数后收益很小，甚至可能因过拟合提示词而变僵硬；先找够用的下限。
为什么改了提示词，固定 seed 也没法对比？
文本向量变了，去噪路径自然不同。seed 只在其余条件不变时可比。
配套提示词实例
全部实例 →本站相关问答
问答索引 →延伸阅读
返回目录 →文生图原理潜空间采样CFG