AIGC | Midjourney——图片一致性操作及深度学习原理剖析

钮祜禄.爱因斯晨

发布于 2025-06-11 17:20:10

5910

# 一、前言

MJ作为AI圈很抗打的AI生图工具，在其强大的功能里，人物一致性的保持堪称一大亮点。我们在制作插画或角色故事时，人物一致性至关重要。此操作不仅仅靠单一的后缀参数调整来实现，要想更大程度上挖掘MJ进阶用法，需要打出一套组合拳并理解背后严谨的数学原理和机器学习。

# 二、生成高度相似图片详解

我们在第一篇博客中讲过，垫图、风格迁移......都可以高度还原理想图片。

不了解MJ基本操作的朋友们可以先阅读这篇博客：《AIGC | Midjourney使用指南，直接拿捏~》

但是要想充分利用MJ这一工具需要调用多个功能：

第一步： 使用/describe，对目标图片进行描述

第二步：将描述结果进行翻译，选择更为全面的描述，同时也可以综合四条结果自己整合出更全面的提示词。

第三步：复制目标图片链接在提示词前进行垫图，垫图后输入空格后再写入提示词，写入提示词后，空格加入后缀参数，每个后缀参数间要插入空格。

注：--iw（范围为0-2）数值越大，对垫图链接的参考越大。--sref空格+链接+空格+--sw空格（0-1000）数值越大，对链接图片的风格参考性更大。--cref空格+链接+空格+--cw空格（0-100）数值为0时，只是对图片脸部进行参考，数值为100时，是对全图细节元素进行参考。

--sref --sw & --cref --cw 使用贴士

--sref与--sw不一定要同时使用，但--sw 不能单独使用，故只能出现：--sref空格+链接或--sref空格+链接+空格+--sw空格（0-1000）这两种形式。

--cref与--cw必须同时使用，故只能出现：-cref空格+链接+空格+--cw空格（0-100）否则会报错。

此外，我们在一张图中也可以融合多张图的元素，比如人脸参考图A，风格参考图B，大致垫图为图C，也就是说，这三张图不一定要是一张图。

# 三、人物一致性操作详解

#后缀参数调整

垫图+--iw +--cref --cw 0+--seed，对提示词进行修改，从而呈现不同画面。

提示词：https://s.mj.run/RiqmbDqC2HA , A little girl plays the guitar in the garden --seed 2023957784 --cref https://s.mj.run/RiqmbDqC2HA --cw 0 --iw 2 --niji 6

在垫图中我们可以多次垫不同的图，确保有更大的发挥性，垫图的先后次序有关权重，我们也可以在链接后输入::+数值来调整权重。

#优化提示词

我们在提示词中加入特定指令也可实现，人物一致性操作。

如：不同动作：Different actions

连续动作：Continuous action

多视角动作：Multi-view action

不同表情：Different expressions

正在做什么：What is being done

连续拍摄：Continuous shooting

序列拍摄：Sequence shooting

#借助变体功能

利用初始生成的图像变体：在 Midjourney 生成一组初始图像后，选择最符合人物一致性要求的图片，然后使用 U1-U4 或 V1-V4 等变体功能，让 Midjourney 在该图片基础上进行变化，生成与原人物形象保持一致的其他图片。
使用局部重画变体：若对生成图像中的某些局部不满意，影响了人物一致性，可使用局部重画功能，在不改变人物整体形象的前提下，对局部进行调整和修改，使人物形象更加统一。

详情请看：《AIGC | Midjourney使用指南，直接拿捏~》

# 四、相似或一致性图片原理解析

垫图原理

通过提供视觉参考，垫图帮助 AI 抓取并应用关键元素，如风格、纹理等，与文本提示相结合来指导创作。主要有 “克隆” 和 “牵引” 两种用途，“克隆” 是尽可能复刻风格，“牵引” 是引导创作方向而非完全复制。

风格迁移原理

核心是利用深度学习中的卷积神经网络（CNN）等技术，将内容图像的内容与风格图像的风格进行融合。

特征提取：利用预训练的神经网络，如 VGG16 等，分别对内容图像和风格图像进行特征提取。
损失计算：
- 内容损失：计算内容图像与生成图像在内容特征上的差异，一般使用均方误差损失函数，确保生成图像保留内容图像的主要内容。
- 风格损失：通过计算风格图像与生成图像的 Gram 矩阵之间的均方误差来衡量风格差异。Gram 矩阵用于描述特征图中不同特征之间的相关性，以此捕捉图像的风格信息。
优化生成：以内容损失和风格损失的加权和作为总损失，通过优化算法，如随机梯度下降等，不断调整生成图像的像素值，使得总损失最小，从而生成具有目标风格的图像。

代码实现： 以 Python 和 TensorFlow 为例，使用 VGG19 模型实现风格迁移。

import tensorflow as tf
from tensorflow import keras
from keras.applications.vgg19 import VGG19
from keras.preprocessing.image import load_img, img_to_array
import numpy as np

# 定义内容层和风格层
content_layers = ['block3_conv1']
style_layers = ['block1_conv1', 'block2_conv1', 'block3_conv1', 'block4_conv1', 'block5_conv1']

# 加载预训练的VGG19模型
base_model = VGG19(weights='imagenet', include_top=False)

# 构建内容模型
content_model = keras.Model(inputs=base_model.input, outputs=[base_model.get_layer(layer).output for layer in content_layers])

# 构建风格模型
style_model = keras.Model(inputs=base_model.input, outputs=[base_model.get_layer(layer).output for layer in style_layers])

# 加载并预处理图像
def preprocess_img(img_path, target_size=(224, 224)):
    img = load_img(img_path, target_size=target_size)
    img = img_to_array(img)
    img = np.expand_dims(img, axis=0)
    img = keras.applications.vgg19.preprocess_input(img)
    return img

# 计算Gram矩阵
def gram_matrix(feature_map):
    shape = tf.shape(feature_map)
    height, width, channels = shape[1], shape[2], shape[3]
    feature_map = tf.reshape(feature_map, [height * width, channels])
    gram = tf.matmul(tf.transpose(feature_map), feature_map)
    return gram

# 计算内容损失
def content_loss(generated_content, content_target):
    return tf.reduce_mean(tf.square(generated_content - content_target))

# 计算风格损失
def style_loss(generated_style, style_target):
    style_loss = 0.0
    for gen, target in zip(generated_style, style_target):
        gen_gram = gram_matrix(gen)
        target_gram = gram_matrix(target)
        style_loss += tf.reduce_mean(tf.square(gen_gram - target_gram))
    return style_loss

# 图像风格迁移
def style_transfer(content_img_path, style_img_path, num_iterations=1000, content_weight=1.0, style_weight=100.0):
    content_img = preprocess_img(content_img_path)
    style_img = preprocess_img(style_img_path)

    # 初始化生成图像为内容图像
    generated_img = tf.Variable(content_img, dtype=tf.float32)

    optimizer = tf.optimizers.Adam(learning_rate=5, beta_1=0.99, epsilon=1e-1)

    for i in range(num_iterations):
        with tf.GradientTape() as tape:
            generated_content = content_model(generated_img)
            generated_style = style_model(generated_img)

            content_loss_value = content_weight * content_loss(generated_content, content_model(content_img))
            style_loss_value = style_weight * style_loss(generated_style, style_model(style_img))

            total_loss = content_loss_value + style_loss_value

        gradients = tape.gradient(total_loss, generated_img)
        optimizer.apply_gradients([(gradients, generated_img)])

    return generated_img

content_img_path = 'content.jpg'
style_img_path = 'style.jpg'
generated_img = style_transfer(content_img_path, style_img_path)
# 保存生成的图像
keras.preprocessing.image.save_img('output.jpg', generated_img.numpy()[0])

人物一致性原理

生成基础图像：使用生成对抗网络（GAN）生成一组基础图像，作为生成一致性人物图像的基础。
调整图像参数：通过调整基础图像的姿态、表情和场景等参数，生成一系列具有一致性的人物图像。
引入特征提取器网络：提取人物的特征信息，并将其应用于生成的新图像上，确保生成的人物图像与原始图像具有相同的人物特征。
使用相关参数和工具：如使用 “--cref” 参数直接匹配人物面部，通过 “--cw” 参数调整对原图的参考程度

代码实现：

import tensorflow as tf

# 定义生成器和判别器网络结构
def generator(inputs):
    # 生成器网络架构
    return generated_image

def discriminator(image):
    # 判别器网络架构
    return discrimination_result

# 定义损失函数
cross_entropy = tf.keras.losses.BinaryCrossentropy(from_logits=True)

# 定义生成器损失
def generator_loss(fake_output):
    return cross_entropy(tf.ones_like(fake_output), fake_output)

# 定义判别器损失
def discriminator_loss(real_output, fake_output):
    real_loss = cross_entropy(tf.ones_like(real_output), real_output)
    fake_loss = cross_entropy(tf.zeros_like(fake_output), fake_output)
    return real_loss + fake_loss

# 定义优化器
generator_optimizer = tf.keras.optimizers.Adam(learning_rate=0.0002, beta_1=0.5)
discriminator_optimizer = tf.keras.optimizers.Adam(learning_rate=0.0002, beta_1=0.5)

# 训练循环
for epoch in range(num_epochs):
    for batch in data_loader:
        real_images = batch

        # 生成随机噪声作为生成器输入
        noise = tf.random.normal([batch_size, noise_dim])

        with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape:
            # 生成假图像
            fake_images = generator(noise)

            # 判别器对真实图像和假图像的判别结果
            real_output = discriminator(real_images)
            fake_output = discriminator(fake_images)

            # 计算生成器和判别器损失
            gen_loss = generator_loss(fake_output)
            disc_loss = discriminator_loss(real_output, fake_output)

        # 计算生成器和判别器的梯度
        gen_gradients = gen_tape.gradient(gen_loss, generator.trainable_variables)
        disc_gradients = disc_tape.gradient(disc_loss, discriminator.trainable_variables)

        # 更新生成器和判别器的参数
        generator_optimizer.apply_gradients(zip(gen_gradients, generator.trainable_variables))
        discriminator_optimizer.apply_gradients(zip(disc_gradients, discriminator.trainable_variables))

# 五、声明

本文代码实现来自：豆包

数学原理参考文献：

“Backpropagation Applied to Handwritten Zip Code Recognition” by Yann LeCun et al., 1989.
“ImageNet Classification with Deep Convolutional Neural Networks” by Alex Krizhevsky et al., 2012.
“A Neural Algorithm of Artistic Style” by Leon A. Gatys, Alexander S. Ecker, Matthias Bethge, 2015.
“Generative Adversarial Nets” by Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza et al., 2014.
“Auto-Encoding Variational Bayes” by Diederik P. Kingma, Max Welling, 2014.
“CharacterFactory: A Framework Launched by Dalian University of Technology to Create Characters with Consistent Identity Features”.
“Variational Autoencoders for Face Generation and Editing”