想象你拍了一张普通的街景照片，想让它在黄昏时分变成一幅油画。如果从零开始画，你也许要花上一整天；但如果你把照片递给一位画师说“照着这个轮廓，用莫奈的风格重画一遍”，他可能几小时就能完成。Stable Diffusion 的图生图（img2img）功能，就是那位能“照着轮廓重画”的魔法画师——它会仔细阅读你给的参考图，在保留原始构图的基础上，把风格、氛围、甚至细节全部焕然一新。 图生图与文生图最大的区别在于“起点不同”：文生图是从一团噪声里凭空捏造，而图生图是从一张真实照片出发，让 AI 沿着“照片的轮廓”去重新构思。这就像做拼贴画时先用铅笔描好了底稿，再决定往底稿里填什么颜色。你不再需要绞尽脑汁描述“构图是什么样”，AI 直接帮你省下了一大半思考量。

岗位关联

学会图生图，等于解锁了 AI 绘画的“精修模式”——无论是给照片换风格、修复老照片、还是生成产品设计稿，你都能在已有素材上快速产出创意视觉，这是 AI 时代设计师和创作者不可缺的核心技能。

目录
  1. 可视化演示
  2. 基础原理
  3. img2img工作流程
  4. 重绘幅度控制
  5. 提示词撰写技巧
  6. 参数组合设置
  7. 经典应用场景
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

动态演示图生图img2img实战教程的核心机制，通过架构/数据/状态/性能四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

图生图img2img实战教程：图生图与 图生图与前向加噪的工作原理 重绘幅度 Denoising 核心机制可视化 图生图img2img实战教程整体架构与关键组件

基础原理

文生图和图生图，就像两位不同的画师。文生图画师面前只有一张白纸，你告诉它“画一座雪山”，它便凭空从白纸上开始勾勒；而图生图画师面前摊着一张现成的照片，你只消说“请把这片湖改成夕阳下的玫瑰金色”，它便能沿着照片的轮廓重新上色。这就是最本质的区别——起点不同。文生图从一个随机噪声开始，图生图则从你提供的那张真实图片开始。

从技术上讲，图生图的输入不再是“一句描述”，而是“一张图 + 一句描述”的组合。AI 先把你给的图片压缩成一个浓缩的“潜空间向量”（可以理解为把图片的笔画结构提炼成一组数字密码），然后在这组密码的基础上加入一点“噪声”，再通过提示词的引导，一步步把噪声擦除，重新绘制出一张新图。就像你先把照片复印到一张草稿纸上，橡皮擦掉部分细节，再根据备注的批注重新画上去。

这个过程的数学表达非常简单：

回到比喻里：你递给 AI 画师一张“基础底稿”（输入图），他保留了底稿的构图骨架，再按你的文字需求重新填充颜色与笔触。这就是图生图最核心的魔法——有据可依的再创造。

output=Decoder(Denoise(Encoder(input)+prompt guidance))\displaystyle \text{output} = \text{Decoder}\left(\text{Denoise}\left(\text{Encoder}(\text{input}) + \text{prompt guidance}\right)\right)
简单说：先把图片翻译成“机器语言”，再带着“新要求”把它翻译回图片。
  1. Encoder（编码器）把输入图片压缩成一组带语义的潜空间向量，就像把一幅画概括成“色彩分布+构图结构”的摘要卡片。
    z=Encoder(x)\text{z} = \text{Encoder}(x)
  2. 加入噪声往潜空间向量里注入随机扰动，强度由重绘幅度决定，相当于在摘要卡片上洒水晕染，让部分笔迹模糊掉。
    znoisy=z+ϵ⋅strength\text{z}_{\text{noisy}} = \text{z} + \epsilon \cdot \text{strength}
  3. Denoise（去噪）根据提示词引导，一步步从带噪声的向量中去掉噪声，恢复出清晰的“新内容”，就像蒙着眼睛摸黑擦拭玻璃，逐渐看清窗外的风景。
    zclean=Denoise(znoisy,prompt)\text{z}_{\text{clean}} = \text{Denoise}(\text{z}_{\text{noisy}}, \text{prompt})
  4. Decoder（解码器）把最终的潜空间向量还原为像素级图片，输出成你能看到的新作品。
    output=Decoder(zclean)\text{output} = \text{Decoder}(\text{z}_{\text{clean}})

img2img工作流程

你已经知道了图生图的大致原理，接下来看看实际操作时它如何一步步完成“旧图换新颜”的完整流程。假设你手上有一张老旧的旅行照片，想让 AI 把它变成一幅宫崎骏风格的动画截图背景。点击“图生图”按钮后，AI 内部其实在跑一条流水线。

首先是输入预处理。AI 会检查你的图片大小、比例，并把它缩放到模型期望的尺寸（通常是 512×512 或 768×768 的倍数）。这一步就像洗照片前先裁剪底片，让照片尺寸标准化，否则后续步骤无从下手。紧接着是潜空间编码——图片被编码器压缩成潜空间向量，从而将“高清大图”转换成“浓缩密码”。

然后是提示词引导。你的文字提示词会参与去噪过程的每一步，像导航仪一样引导去噪器在每个时间步决定“该保留什么、该丢弃什么”。比如提示词写"warm sunlight, anime background style"，去噪器就会更有倾向性地生成温暖的阳光光影和动画质感。

最后是重构出图。当去噪器完成所有步骤后，解码器把潜空间向量还原成一张完整的图像。整体流程可以用一句话概括：读图 → 压缩 → 引导 → 重建。

整个流程就像给照片做了一次“画皮手术”：预制脸模（预处理）、提取五官数据（编码）、按新风格化妆（提示词引导）、揭下面具（解码）。理解这条流水线，你调参时就能更快定位问题——比如出图模糊，可能是预处理尺寸不对；风格不对，大概率是提示词引导不到位。

result=Decoder(Denoise(Encoder(xinput), prompt))\displaystyle \text{result} = \text{Decoder}\Bigl(\text{Denoise}\bigl(\text{Encoder}(x_{\text{input}}),\, \text{prompt}\bigr)\Bigr)
你提供照片，AI 提供“从密码到画面的想象力”。
  1. 输入预处理缩放裁剪到统一尺寸，保证模型能处理。
    xresized=Resize(xinput,H,W)x_{\text{resized}} = \text{Resize}(x_{\text{input}}, H, W)
  2. 潜空间编码压缩图像为潜变量，只保留核心语义。
    zinit=E(xresized)z_{\text{init}} = \mathcal{E}(x_{\text{resized}})
  3. 去噪循环每一步按提示词修正潜变量，重复迭代。
    zt=Denoise(zt−1,prompt)z_t = \text{Denoise}(z_{t-1}, \text{prompt})
  4. 解码出图把最终潜变量翻译回像素图像。
    xout=D(zT)x_{\text{out}} = \mathcal{D}(z_T)

重绘幅度控制

重绘幅度（Denoising Strength）是图生图里最重要的一个旋钮，也是初学者最需要理解的概念。如果说提示词是“装修清单”，那重绘幅度就是“拆改程度”——你可以只给墙刷一层新漆（幅度低），也可以干脆把隔断墙砸了重新布局（幅度高）。

在技术实现上，重绘幅度决定了第一步加入噪声的多少。幅度值通常在 0 到 1 之间，数值越大，加噪越强，原始图片被破坏得越严重，AI 发挥的余地也就越大。你可以把它想象成一个橡皮擦，幅度低时橡皮轻轻擦拭，只擦掉颜色和纹理；幅度高时橡皮猛力摩擦，把线条结构也擦得所剩无几。

实践中的经验：

  • 0.2 ~ 0.4：轻度重绘——只改颜色和光影，保留原始构图。适合给照片换滤镜、调整色调。
  • 0.4 ~ 0.6：中度重绘——构图基本保留，但细节可能改变。适合风格迁移，比如照片变水彩画。
  • 0.6 ~ 0.8：高度重绘——结构允许被重塑，AI 自由创作空间大。适合从一张参考图中获取灵感，生成完全不同但构图相似的画面。
  • 0.8 以上：接近文生图，参考图基本只保留“构图印象”。

与图生图的数学对应关系是：

其中 $s$ 是重绘幅度。$s$ 越大，噪声占比越大，最终画面越偏离原图。

记住“火候”的比喻：做菜时你希望保留食物原味，就用小火（低重绘）；想做融合料理，就用大火（高重绘）。重绘幅度的本质就是控制“AI 的自由度”，而非一个固定的“质量开关”。

xnoisy=1−s⋅xinit+s⋅ϵ\displaystyle x_{\text{noisy}} = \sqrt{1 - s} \cdot x_{\text{init}} + \sqrt{s} \cdot \epsilon
重绘幅度就像炒菜时的火候——火太小食物没变化，火太大就糊了。
  1. 权重配比原图与噪声按比例混合，$\sqrt{1-s}$ 是原图的保留权重。
    winit=1−sw_{\text{init}} = \sqrt{1 - s}
  2. 噪声插值$\sqrt{s}$ 是噪声的权重，幅度越大噪声权重越高。
    wnoise=sw_{\text{noise}} = \sqrt{s}
  3. 混合生成最终输入去噪器的初始潜变量，是原图潜变量与随机噪声的加权和。
    xnoisy=winit⋅xinit+wnoise⋅ϵx_{\text{noisy}} = w_{\text{init}} \cdot x_{\text{init}} + w_{\text{noise}} \cdot \epsilon

提示词撰写技巧

提示词在文生图中是唯一的输入，但在图生图中却是“辅助输入”——真正的主干是参考图。所以很多人以为随便写两句就行，这是个误区。好提示词能显著提升图生图的效果，关键在三个技巧：风格描述、否定词、权重强调。

风格描述要具体而不空洞。与其写“beautiful picture“，不如写”watercolor painting, soft brush strokes, pastel colors“。就像你让画师”画好看点“，他只会一头雾水，但你告诉他”用淡彩笔触、粉彩配色”，他就有了明确方向。图生图中参考图已经提供了构图，提示词主要负责提供风格和氛围。

否定词帮助你排除不想要的内容。比如你想把照片转成古风插画，但不想看到现代人的牛仔裤，就写“negative prompt: jeans, modern clothing“。这就像你告诉装修师傅”地板不要用瓷砖，墙面不要刷深色”——用排除法缩小范围，比单纯说你想要什么更高效。

权重强调用括号改变关键词的影响力，格式是(keyword:1.2)。数值大于 1 表示强调（最高 1.5 左右），小于 1 表示弱化。权重本质是影响去噪时注意力机制分配的比例，数学上表示为：

回到画师比喻：提示词技巧就是你和画师之间的精确沟通术。风格描述是说“用什么画风”，否定词是说“别画什么”，权重强调是说“哪个元素最重要”。三者配合，画师就能百分百领会你的意图。

attention(k)=scalek⋅exp⁡(q⋅k)∑jscalej⋅exp⁡(q⋅j)\displaystyle \text{attention}(k) = \frac{\text{scale}_k \cdot \exp(q \cdot k)}{\sum_j \text{scale}_j \cdot \exp(q \cdot j)}
权重越高，提示词在去噪过程中的“话语权”越大。
  1. 加权缩放每个关键词的注意力分数乘以它的权重系数。
    scorek=scalek⋅exp⁡(q⋅k)\text{score}_k = \text{scale}_k \cdot \exp(q \cdot k)
  2. 归一化除以所有关键词分数之和，得到注意力占比。
    attentionk=scorek∑jscorej\text{attention}_k = \frac{\text{score}_k}{\sum_j \text{score}_j}
  3. 加权求和模型按注意力占比决定每个区域受哪个关键词影响更多。

参数组合设置

重绘幅度和提示词都掌握后，还需要理解其他参数如何搭配。图生图不是“只调一个旋钮就能出好图”的事，而是多个参数协同作用的结果。就像做咖啡，水温、研磨度和萃取时间一起决定一杯咖啡的好坏。

采样步数（Sampling Steps）：去噪过程要迭代多少步。太少则画面粗糙，太多则边际收益下降甚至引入伪影。通常 20~30 步是甜蜜区间。你可以把采样步数理解为画师作画时的“反复润色次数”——画 5 笔和画 50 笔，效果差别巨大，但画 200 笔并不会比 150 笔好多少。

CFG 尺度（Classifier-Free Guidance Scale）：控制提示词对画面的影响强度。CFG 越高，画面越贴合提示词，但过高会让颜色过饱和、构图呆板；CFG 越低，AI 越自由发挥，可能跑题。图生图中推荐 CFG 在 7~11 之间，因为参考图本身已经约束了构图，不需要太高的 CFG 来拉回主题。

尺寸匹配：输入图的尺寸最好与模型训练尺寸一致，否则可能产生构图异常。实际操作时，常用做法是把图片缩放到 512×512 或 768×768。它们的数学关系并不复杂，可以理解为一种距离度量：

参数搭配的“咖啡理论”，是每个参数单独看都简单，组合起来千变万化。建议你固定一组值，每次只调一个变量，慢慢摸索出自己最顺手的搭配。

similarity=1−∥x−x^∥∥x∥\displaystyle \text{similarity} = 1 - \frac{\|x - \hat{x}\|}{\|x\|}
参数组合的关键是“匹配”：重绘幅度决定自由度，提示词决定方向，采样步数决定精细度，CFG 决定贴合度。
  1. 采样步数去噪过程迭代次数，多步近似连续微分方程。
    xT→xT−1→⋯→x0x_T \to x_{T-1} \to \cdots \to x_0
  2. CFG 尺度调整条件生成与无条件生成的差距，数值越大越贴近提示词。
    ϵ^=ϵθ(zt)+cfg⋅(ϵθ(zt,prompt)−ϵθ(zt))\hat{\epsilon} = \epsilon_\theta(z_t) + \text{cfg} \cdot \left(\epsilon_\theta(z_t, \text{prompt}) - \epsilon_\theta(z_t)\right)
  3. 尺寸匹配当输出尺寸与训练尺寸偏差较大时，图像质量下降，需要保持一致性。

经典应用场景

掌握了原理和参数，我们来看看图生图最常见的三个实战场景。这些场景覆盖了设计师、摄影师和内容创作者的高频需求。

照片转艺术画风是最直观的应用。把一张旅行照片放入图生图，设置重绘幅度 0.4~0.5，加上提示词"oil painting style, warm sunset colors, impasto texture"，你就能得到一张梵高风格的风景画。这个场景直接验证了你前面学到的所有技能：构图来自参考图，风格来自提示词，改变程度由重绘幅度把控。

老照片修复上色是图生图在人文领域的高价值应用。面对黑白模糊的老照片，先用超分模型增大分辨率，再以低重绘幅度（0.2~0.3）输入图生图，提示词描述“natural skin tones, realistic photo, sharp details“。由于老照片结构信息宝贵，低重绘幅度能确保 AI 不上色过头或”修旧成新”。

产品概念图生成是商业应用的热点。设计师画了张粗糙线稿，想快速生成多种配色方案，只需将线稿放入图生图，重绘幅度设 0.6~0.7，提示词写“minimalist product design, matte black finish“或”glossy white finish with gold accents“，几秒钟就能生成多个概念图，极大提升提案效率。这个场景利用了”图生图能保留结构、同时自由改材质”的特点。

综合来看，三个场景代表三类输入结构：有丰富结构的照片（用低重绘保护好）、有残缺信息的旧图（用超分+低重绘修复）、只有简单结构的线稿（用高重绘激发创意）。学会辨别输入图的“结构价值”，就能快速决定重绘幅度该开多大。

AI 应用场景

摄影师批量转风格

阶段：后期处理与风格化

解决的问题：传统修图需要逐张手工调色，一个风格预设的灵感套用到十张照片可能要花半天，且色调难以统一。

具体案例：摄影师用 Lightroom 批量导入照片后，将每张照片分别送入图生图，统一使用"fine art landscape, dramatic light, high contrast"提示词和固定的重绘幅度 0.35。十张照片在两分钟内完成统一风格化，客户看到初稿后仅需微调即可交付。

电商产品图快速产出

阶段：创意方案生成

解决的问题：电商设计师需要为同一款水杯生成不同配色和场景图，传统方式需要重新搭建拍摄场景，成本高且有周期性。

具体案例：设计师用白底产品照作为输入图，设重绘幅度 0.5，配合提示词"product on wooden desk, cozy morning light, minimalist style"，再改提示词中的颜色关键词，快速生成 20 张不同场景图，用于 A/B 测试挑选最佳素材。

Python 演示

python47 行
import mathimport random def load_image(path):    """模拟加载一张输入图片，返回灰度矩阵"""    return [[random.random() for _ in range(64)] for _ in range(64)] def add_noise(image, strength):    """按重绘幅度给图像添加噪声"""    noisy = []    for row in image:        new_row = []        for pixel in row:            noise_val = random.gauss(0, 1)            mixed = math.sqrt(1 - strength) * pixel + math.sqrt(strength) * noise_val            new_row.append(mixed)        noisy.append(new_row)    return noisy def denoise(image, prompt_scale, steps=30):    """简单的模拟去噪过程：每次迭代向均值收缩"""    denoised = [row[:] for row in image]    for _ in range(steps):        for i in range(len(denoised)):            for j in range(len(denoised[i])):                avg = sum(denoised[i]) / len(denoised[i])                denoised[i][j] = denoised[i][j] * (1 - prompt_scale * 0.05) + avg * prompt_scale * 0.05    return denoised def decode_image(signal):    """把浮点矩阵还原为 0-255 的像素值"""    return [[max(0, min(255, int(p * 255))) for p in row] for row in signal] def img2img_pipeline(input_path, strength, prompt_scale):    """完整图生图流程：编码->加噪->去噪->解码"""    original = load_image(input_path)    encoded = [[p * 0.8 for p in row] for row in original]    noisy = add_noise(encoded, strength)    cleaned = denoise(noisy, prompt_scale)    output = decode_image(cleaned)    return output if __name__ == "__main__":    random.seed(42)    result = img2img_pipeline("photo.jpg", strength=0.4, prompt_scale=0.7)    print("输出图片尺寸:", len(result), "x", len(result[0]))    print("样例像素值:", result[10][:5])
目的：用纯 Python 模拟图生图的完整流程，直观展示“编码 → 加噪 → 去噪 → 解码”每一环节的作用。
  1. noise_val = random.gauss(0, 1)生成标准正态分布的随机噪声，这是加噪步骤的原材料。
  2. mixed = math.sqrt(1 - strength) * pixel + math.sqrt(strength) * noise_val核心加噪公式，按重绘幅度混合原始像素与噪声。
  3. denoised[i][j] = denoised[i][j] * (1 - prompt_scale * 0.05) + avg * prompt_scale * 0.05模拟提示词引导的去噪过程，让像素向整体均值靠拢。
  4. encoded = [[p * 0.8 for p in row] for row in original]模拟编码器，压缩像素的动态范围。
  5. random.seed(42)固定随机种子，确保每次运行结果可复现，便于调试。

常见误区

误区“我想让 AI 自由发挥，重绘幅度直接拉到 0.9，效果一定惊艳”——结果生成的图跟原图毫无关系，构图崩坏。

正解重绘幅度不是画质旋钮，而是“自由度”旋钮。幅度太高时，参考图的信息几乎全被噪声淹没，AI 输出跟文生图无异，你反而失去了图生图的优势。合适的做法是从 0.4 起步，不断微调，找到一个“保留了构图又有新鲜感”的平衡点，就像炒菜放盐——少了没味，多了齁人。

为何常见：初学者误以为幅度越大代表 AI 能力越强，忽略率图生图的核心价值是“基于参考图做可控修改”。

误区“我要把所有想到的形容词全塞进提示词，AI 就能画出完美作品”——结果画面元素过度拥挤，重点全丢。

正解提示词的关键不是数量，而是结构。图生图场景下，提示词负责“风格与氛围”，构图由参考图决定。写 3~5 个精准的风格词加 2~3 个否定词，效果远好于堆砌 20 个修饰词。这就像点菜——你说“少盐、微辣、不要香菜”，服务员立刻明白，但你啰嗦五分钟讲完整个烹饪史，厨师反而不知道该做什么。

为何常见：人们习惯性地认为信息越多越明确，忘记 AI 对关键词的注意力是有限且稀疏的。

误区“我有一张严重破损的老照片，直接丢进图生图就能变清晰”——结果破损区域出现奇怪的纹理。

正解图生图不是修复工具，而是重绘工具。严重的破损、缺失部分属于“修复”范畴，需要先做局部修复（inpainting）或使用专门的超分模型。图生图适合的是整体风格转换和轻度调优。就像你要修古董花瓶，不该用大刷子直接刷漆，得先补裂纹，再小心上色。

为何常见：图生图能改善画质，但改善的是“纹理清晰度”，而非“缺失信息重建”。

面试题

Q1. 图生图和文生图最核心的区别是什么？

单选题 · easy

  • A.图生图的输出尺寸更大
  • B.图生图有输入图像作为起点← 正确答案
  • C.文生图不需要提示词
  • D.图生图使用不同的模型

答案：B。图生图的本质是从一张已有图片出发，在此基础上修改、融合风格；文生图则从随机噪声开始生成。尺寸、模型并非决定性差异，两者都可以使用 Stable Diffusion 模型；文生图也需要提示词。

Q2. 重绘幅度设置为 0.2 时，输出图最可能的特点是？

单选题 · easy

  • A.与输入图完全不同
  • B.完全不变
  • C.保留大体构图，色彩质感变化← 正确答案
  • D.生成一张纯噪声图

答案：C。低重绘幅度（0.2）意味着加入的噪声很少，AI 的改动空间小，通常保留构图和结构，只调整风格、颜色、质感。如果完全不变则说明功能失效，完全不同的高幅度特征对应 0.7+ 的设定。

Q3. 关于图生图工作流程，下列说法正确的是？

多选题 · mid

  • A.输入图会被编码成潜空间向量← 正确答案
  • B.提示词在去噪过程中起引导作用← 正确答案
  • C.编码和去噪之间需要加入噪声← 正确答案
  • D.解码器输出的图片一定是 512×512

答案：ABC。图生图流程包含编码、加噪、去噪、解码。提示词引导去噪器每一步的生成方向。解码器的输出尺寸取决于模型配置和输入尺寸，不一定是 512×512。

Q4. CFG 尺度在参数组合中的作用是？

单选题 · mid

  • A.控制采样过程的随机性
  • B.控制提示词对画面的影响强度← 正确答案
  • C.决定输出图片的分辨率
  • D.控制去噪步数的多少

答案：B。CFG（Classifier-Free Guidance Scale）衡量生成时贴近提示词的程度。数值高则更贴合提示词、可能过饱和；数值低则更自由。它不控制随机性、分辨率或步数。

Q5. 提示词权重 (watercolor:1.3) 的含义是？

单选题 · mid

  • A.水彩风格被弱化
  • B.水彩风格被增强 30%← 正确答案
  • C.采样步数增加 30%
  • D.提示词长度增加

答案：B。权重写法 (keyword:数值) 中，大于 1 表示增强关键词的注意力。1.3 表示将 watercolor 的注意力权重提升到 1.3 倍。它不影响采样步数或提示词长度。

Q6. 哪些做法能提高老照片修复的效果？

多选题 · mid

  • A.先用超分模型提高分辨率← 正确答案
  • B.使用较低的重绘幅度← 正确答案
  • C.重绘幅度直接拉满
  • D.提示词描述自然肤色和清晰细节← 正确答案

答案：ABD。老照片修复应优先超分增强细节，再用 0.2~0.3 的低重绘幅度保留原结构，提示词补充“自然肤色、清晰细节”等方向性描述。重绘幅度过高会丢失原照片的结构信息。

Q7. 重绘幅度 s 与噪声权重的关系是？

单选题 · hard

  • A.噪声权重随 s 线性增大
  • B.噪声权重等于 sqrt(s)← 正确答案
  • C.噪声权重不变，只改变原图像素
  • D.s 越大，噪声加入越少

答案：B。混合公式为 $x\_{noisy} = \sqrt{1-s} \cdot x\_{init} + \sqrt{s} \cdot \epsilon$，噪声权重是 $\sqrt{s}$。所以 s 越大，噪声占比越高，画面变化越大，非线性增长。

Q8. 图生图中写出过多的提示词关键词，最可能的影响是？

单选题 · hard

  • A.每个关键词注意力都被强化
  • B.注意力稀疏，核心风格被稀释← 正确答案
  • C.去噪步数自动增加
  • D.参考图的结构信息丢失

答案：B。提示词的注意力总和是归一化的，关键词太多会稀释每个词的注意力分配，导致核心风格表达不足。正确做法是精简关键词，并用权重强调重要词。

Q9. 关于重绘幅度和 CFG 的搭配，以下哪些描述正确？

多选题 · hard

  • A.低重绘幅度时可适当降低 CFG，让风格自然融合← 正确答案
  • B.高重绘幅度时 CFG 过高可能导致画面过饱和← 正确答案
  • C.重绘幅度与 CFG 无关，无法互相补偿
  • D.低重绘幅度时 CFG 设置过高可能过度干预细节← 正确答案

答案：ABD。在低重绘情况下，原图已经提供了强结构约束，过高的 CFG 会过度扭曲细节；高重绘加上高 CFG 容易色彩过艳。合理地搭配两个参数比单独调高一个更有效。

Q10. 产品设计场景中，设计师把粗糙线稿放入图生图并希望生成多个配色方案，最适合的参数组合是？

单选题 · extreme

  • A.低重绘幅度 + 高 CFG
  • B.中高重绘幅度 + 中低 CFG← 正确答案
  • C.低重绘幅度 + 低 CFG
  • D.高重绘幅度 + 高 CFG

答案：B。线稿仅提供粗略构图，需要较高的重绘幅度（0.6~0.7）让 AI 发挥材质和配色创意，同时中低 CFG 避免画面被固定风格束缚，从而获得多样的设计方案。