什么是 文生图？
文生图是一种生成式 AI 技术，利用扩散模型和 Transformer 架构将自然语言描述转换为视觉图像。代表性系统包括 DALL-E、Midjourney 和 Stable Diffusion，广泛应用于数字艺术创作、广告设计、游戏开发等领域，使视觉内容创作更加民主化。
快速了解
| 创建时间 | 2021 年（DALL-E）、2022 年（Stable Diffusion、Midjourney 公开发布） |
|---|---|
| 规范文档 | 官方规范 |
工作原理
文生图技术代表了生成式 AI 的重大突破，使用户只需用自然语言描述即可创建图像。该技术主要依赖于在数十亿图像-文本对上训练的扩散模型和 Transformer 架构。领先的系统包括 OpenAI 的 DALL-E 系列、Midjourney、Stability AI 的 Stable Diffusion 以及 Google 的 Imagen。这些模型能够理解涉及主题、风格、构图、光线和艺术技法的复杂提示词。该技术使视觉内容创作民主化，让任何人都能在没有传统艺术技能的情况下生成专业级图像。最新进展包括改进的提示词理解、更高分辨率输出、更准确的人体解剖结构，以及在多次生成中保持一致性的能力。
主要特点
- 自然语言理解能力，可解析复杂的文本描述和艺术概念
- 高保真图像合成，生成逼真或风格化的视觉输出
- 通过提示词工程和模型参数实现风格与美学控制
- 迭代优化能力，支持逐步改进生成的图像
- 多模态条件控制，支持文本、参考图像和构图引导
- 可扩展分辨率生成，从缩略图到高分辨率艺术作品
常见用途
- 数字艺术与插画：创作原创艺术品、概念设计和视觉叙事
- 广告与营销：生成营销视觉素材、产品效果图和社交媒体内容
- 游戏开发：制作概念艺术、角色设计、环境资产和纹理贴图
- 电子商务：创建产品可视化、场景图像和目录照片
- 教育与出版：为书籍、文章和教育材料生成插图
示例
Loading code...常见问题
文生图模型是如何理解文本提示词的？
文生图模型使用文本编码器（如 CLIP）将提示词转换为向量表示，捕获语义信息。模型在训练时学习了图像和文本描述之间的对应关系，因此能理解'日落'、'油画风格'等概念。生成时，扩散模型根据这些文本向量引导去噪过程，逐步生成符合描述的图像。
什么是负面提示词？如何有效使用？
负面提示词告诉模型要避免生成的内容，如'模糊、低质量、变形'。它通过在生成过程中引导模型远离这些特征来工作。有效使用技巧：明确列出不想要的元素、使用常见的质量负面词（如 blurry、distorted）、针对特定问题添加负面词（如生成人物时添加'多余手指'）。
Stable Diffusion、DALL-E 和 Midjourney 有什么区别？
Stable Diffusion 是开源模型，可本地运行和自定义，社区活跃；DALL-E 是 OpenAI 的闭源服务，通过 API 使用，与 ChatGPT 集成；Midjourney 以艺术质量著称，通过 Discord 使用，擅长生成美学风格图像。选择取决于需求：开源灵活性选 SD，便捷集成选 DALL-E，艺术效果选 Midjourney。
如何写出更好的文生图提示词？
优质提示词的要素：明确描述主体和场景、指定艺术风格（如'数字艺术'、'水彩画'）、添加光线和氛围描述（如'黄金时刻'、'电影级光影'）、指定质量关键词（如'高细节'、'8K'）、使用具体而非抽象的描述。可以参考成功的提示词模板，并通过迭代实验优化。
文生图技术存在哪些伦理和版权问题？
主要问题包括：训练数据可能包含受版权保护的作品引发的版权争议、生成内容的归属权不明确、可能被用于创建虚假信息或深度伪造、对艺术家就业的影响。应对措施包括：使用明确授权的训练数据、标注 AI 生成内容、遵守平台使用政策、尊重原创艺术家的权益。