AI绘画：第一张AI图片是如何生成的

AI绘画：第一张AI图片是如何生成的

你好！现在你已经安装好了SD WebUI或ComfyUI，准备生成人生第一张AI图片了。但在点击"生成"之前，让我们先深入理解一下：从你输入Prompt到图片出现在屏幕上，这短短几秒钟内到底发生了什么？理解了这些，你才能更好地控制出图效果。

一、点击"Generate"之前

1.1 你准备了什么

假设你在WebUI的txt2img界面做好了以下设置：

• Checkpoint：DreamShaper（一个通用型大模型）
• 正向Prompt：1girl, sitting in a coffee shop, reading a book, warm afternoon light, looking out the window, photorealistic, 8k, detailed
• 负向Prompt：low quality, blurry, distorted face, bad anatomy, extra fingers, watermark
• 采样器：DPM++ 2M Karras
• 步数：30
• CFG Scale：7
• 分辨率：512×768
• Seed：-1（随机）
• Batch count：1，Batch size：1

当你点击"Generate"，下面这些事情在一瞬间发生了。

二、生成过程的逐步拆解

2.1 第一步：文本编码（~50毫秒）

💡 你的Prompt先要变成AI能理解的数学语言。

发生了什么：

SD使用CLIP文本编码器将你的Prompt转化为一个"文本嵌入"向量。具体过程：

1. 分词（Tokenization）：CLIP将文字拆成Token。比如"1girl"可能被拆成[“1”, “girl”]两个Token；"sitting"是[“sitt”, “ing”]。整个Prompt变成了约75个Token（SD1.5的CLIP限制）。

2. 嵌入映射（Embedding）：每个Token被映射为一个768维的向量（SD1.5）。一句话变成了一个75×768的数字矩阵。

3. Transformer编码：这些向量经过CLIP的Transformer层，考虑了Token之间的上下文关系。"girl"和"sitting"的语义关联被捕捉到。

4. 输出：最终输出一个或多个"文本嵌入"向量，包含了整个Prompt的语义信息。

📝 同时，负向Prompt也经历了同样的过程。正负两个文本嵌入将在后续步骤中共同引导生成方向。

2.2 第二步：潜空间初始化（~1毫秒）

发生了什么：

SD创建了一个"空画布"——但不是在像素空间，而是在潜空间（Latent Space）。

1. 根据你设置的分辨率（512×768）和模型压缩比（通常1:8），计算潜空间尺寸：64×96×4（约24,576个数值）
2. 用Seed值初始化随机数生成器
3. 填充完全随机的噪声数值

⚠️ Seed在这里起到了关键作用：相同Seed+相同设置=完全相同的随机噪声起点→最终出图完全一样。这就是为什么固定Seed可以"复现"某张图。

2.3 第三步：迭代去噪（每步~100-200毫秒）

💡 这是最核心、最耗时的步骤。

SD要进行30次（你的步数设置）迭代，每次迭代：

第1次迭代（步数1/30）：
U-Net接收：

• 当前图像（目前是完全的随机噪声）
• 时间戳（告诉U-Net"现在是第1步"）
• 文本嵌入（要生成什么内容）
• CFG条件（正负Prompt的引导）

U-Net输出：预测的噪声图

然后进行"去噪操作"：当前图像减去一部分预测噪声，得到稍微"干净"一点的图像。

第5次迭代（步数5/30）：
此时图像已经隐约有了一些结构和色块。U-Net在CFG的引导下，开始"看到"人物轮廓、窗户形状、咖啡店的氛围。

第15次迭代（步数15/30）：
图像的主要结构已经清晰：人物的姿势、咖啡店的环境、光线方向都基本确定。后续的步骤主要是细化细节。

第30次迭代（步数30/30，最后一步）：
图像细节已经非常丰富。这最后一步主要是微调，让边缘更清晰、纹理更自然。

2.4 第四步：CFG引导（贯穿去噪全程）

💡 CFG Scale在每一步去噪中都扮演"方向指引"的角色。

计算过程：

1. 做一次"无条件"预测（不看Prompt，自由去噪）→ 得到A
2. 做一次"有条件"预测（看Prompt，按描述去噪）→ 得到B
3. 最终结果 = A + CFG × (B - A)

CFG=1时：最终结果几乎等于无条件预测（AI自由发挥）
CFG=7时：有明确的Prompt引导，但保留一定自由度
CFG=15时：强行贴近Prompt，但画面可能过饱和/过曝

2.5 第五步：VAE解码（~50毫秒）

发生了什么：

VAE解码器将潜空间的"压缩图像"（64×96×4）"解压"回像素空间（512×768×3）。

这个过程类似于：

• 你有一个极其压缩的.jpg文件（潜空间图像）
• VAE将其解压为完整的图片
• 解压的同时，VAE补充了色彩信息、增强了细节

📝 VAE的质量直接影响最终图片的色彩饱和度、锐度和细节丰富度。

2.6 第六步：后处理与保存（~10毫秒）

如果启用了以下功能，此阶段会执行：

• Hires.fix：用较低的重绘幅度进行第二轮放大生成
• ADetailer：面部/手部修复
• Upscaler：使用放大算法增加分辨率

完成后，图片保存到你设置的输出目录，并显示在WebUI界面中。

三、影响出图效果的关键因素

3.1 为什么同样的Prompt会出不同的图

因为Seed=-1（随机），初始噪声每次不同。即使其他参数完全一致，不同的初始噪声会导致完全不同的出图结果。这就是为什么你可以点100次Generate得到100张不同的图。

3.2 为什么有些Prompt出图好看，有些不行

这取决于：

• Prompt质量：是否清晰、具体、使用了恰当的词汇
• 模型匹配：Prompt是否在模型"见过"的领域内（比如在一个动漫模型上用写实Prompt效果不会好）
• CFG平衡：CFG太低则方向迷失，太高则过饱和失真
• 步数充足：步数太少则细节不足

3.3 为什么多生成几次总有一次好的

AI绘画有概率性的成分。初始噪声和每一步去噪的微小差异累积起来，会产生完全不同的结果。这就是为什么专业的AI画师会大量出图然后从中挑选——用数量换质量。

四、实操：从"能出图"到"出好图"

4.1 一个简单的迭代流程

① 先用简单Prompt测试模型是否正常加载
② 逐步丰富Prompt，每次加一个维度观察变化
③ 调整CFG找到最佳引导值
④ 增加步数看细节是否改善
⑤ 用XYZ Plot对比不同参数组合

4.2 学会"阅读"出图结果

• 画面模糊→步数太少或CFG太低
• 颜色过饱和/过曝→CFG太高
• 出现多头/多手→分辨率超出模型训练范围
• 手指畸形→这是SD的常见问题，用ADetailer或负向Prompt改善
• 人物面部崩坏→可能是模型问题或分辨率问题

✅ 现在你已经完全理解了AI图片的生成过程。理解这些能帮助你更好地调优参数、诊断问题。

转载自 CSDN-专业IT技术社区

原文链接：https://blog.csdn.net/weixin_43151418/article/details/164249794