SeterusnyaPanduan seterusnya
Menulis Gesaan Penjanaan Imej Berkesan
AI Visual
PANDUAN AI Visual
Gesaan negatif ialah teks yang menerangkan perkara yang anda tidak mahu dalam imej yang dijana AI.
Dengar panduan iniAI-diceritakan · ~3 min
Dalam model resapan seperti Stable Diffusion, ia menggantikan gesaan kosong yang digunakan dalam panduan bebas pengelas, jadi setiap langkah penolakan ditolak daripada perihalan itu. Gesaan negatif memberi pengguna tuil langsung ke atas elemen yang tidak diingini, tetapi ia hanya berfungsi pada model yang menjalankan panduan tanpa pengelas sebenar dan ia boleh menjadi bumerang apabila digunakan secara berlebihan.
Diffusion models create an image by starting from random noise and removing it over many steps. At each step, the model predicts the noise twice: once conditioned on your prompt and once on an 'unconditional' input, normally an empty prompt. Classifier-free guidance, introduced by Jonathan Ho and Tim Salimans, combines the two. It starts from the unconditional prediction and moves further toward the conditional one, scaled by the guidance scale (often labeled CFG). The result follows the prompt more closely than the raw model would. A negative prompt simply replaces the empty prompt with your negative text. The formula now pushes away from the negative description as it moves toward the positive one. That is why a negative prompt is not a filter or a post-processing step: it shapes every denoising step. The technique spread through community tools such as the AUTOMATIC1111 web interface in 2022. It became especially popular with Stable Diffusion 2.x, whose results many users found improved noticeably with negatives. Negative prompts work best on concrete visual concepts the model knows well: 'blurry', 'text', 'watermark', 'monochrome', or a specific color or object. They work less well as abstract fixes. On many general-purpose models, terms like 'bad anatomy' or 'extra fingers' often do little, because those models rarely saw captions describing such failures. They can also make results worse. A long list pushes the image away from many directions at once. That can reduce variety, wash out or oversaturate colors, and produce stiff compositions, and high guidance scales amplify the effect. Some models, including guidance-distilled and few-step models, skip the unconditional pass entirely. On those, negative prompts are ignored unless the tool turns true CFG back on, which slows generation. A common misconception is that writing 'no cats' in the main prompt excludes cats. Text encoders handle negation poorly, so the phrase can add cats instead.
Jurugambar produk yang menghasilkan tangkapan studio jam tangan menambah 'teks, tera air, logo' sebagai gesaan negatif untuk menghalang penjenamaan palsu di latar belakang.
Seorang ilustrator yang mahukan lukisan garisan bersih meletakkan 'lorek, warna, fotorealistik' dalam gesaan negatif. Menulis 'tiada teduhan' dalam gesaan utama sebaliknya boleh menambah lorekan secara tidak sengaja.
Seorang pengguna menampal gesaan negatif 60 jangka yang disalin daripada forum dan mendapati imej bertukar rata dan berulang. Pemangkasannya kepada beberapa istilah yang disasarkan membawa kepelbagaian itu kembali.
Seseorang beralih kepada model suling panduan dan mendapati medan gesaan negatif tidak melakukan apa-apa, kerana secara lalai model tidak pernah mengira ramalan kedua gesaan negatif akan suapan.
Gesaan negatif menjadi kurang penting apabila model bertambah baik. Sistem yang lebih baharu dengan pengekod teks yang lebih kukuh mengikut gesaan positif terperinci dengan lebih setia, dan model suling bimbingan melepaskan sokongan segera negatif sebagai pertukaran untuk kelajuan. Sementara itu, penyelidikan diteruskan mengenai kaedah panduan yang memberikan kawalan yang lebih halus tanpa kesan sampingan CFG biasa, dan beberapa antara muka menawarkan kawalan berasingan untuk menyekat perkara seperti teks atau gaya. Pelajaran yang kekal untuk pengamal adalah mekanikal: semak sama ada model anda benar-benar menjalankan cabang negatif, pastikan negatif pendek dan konkrit, dan uji setiap istilah terhadap benih tetap supaya anda boleh melihat apa yang sebenarnya berubah.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Gesaan negatif ialah teks yang menerangkan perkara yang anda tidak mahu dalam imej yang dijana AI. Dalam model resapan seperti Stable Diffusion, ia menggantikan gesaan kosong yang digunakan dalam panduan bebas pengelas, jadi setiap langkah penolakan ditolak daripada perihalan itu. Gesaan negatif memberi pengguna tuil langsung ke atas elemen yang tidak diingini, tetapi ia hanya berfungsi pada model yang menjalankan panduan tanpa pengelas sebenar dan ia boleh menjadi bumerang apabila digunakan secara berlebihan.
CFG biasanya membandingkan ramalan yang digesa dengan ramalan daripada gesaan kosong. Gesaan negatif mengambil tempat gesaan kosong, jadi panduan menolak teks itu.
Pengekod mendaftarkan 'kucing' sebagai konsep yang kukuh dan sebahagian besarnya merindui 'tidak'. Mengalihkan perkataan ke gesaan negatif membalikkan arah bimbingan.
Setiap langkah memerlukan dua ramalan hingar, satu untuk setiap gesaan, dan ia digabungkan menggunakan skala panduan.
Negatif berfungsi paling baik pada konsep visual konkrit yang diketahui model dengan baik. Tera air muncul dalam banyak imej latihan, manakala perihalan kegagalan seperti 'anatomi buruk' jarang muncul dalam kapsyen umum.
Dengan tiada cabang tanpa syarat atau negatif untuk dikira, teks negatif tidak mempunyai tempat untuk pergi. Menghidupkan semula CFG sebenar memulihkannya pada kos kelajuan.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
Menulis Gesaan Penjanaan Imej Berkesan
AI Visual