Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

国内较好用可以替代Midjourney或Stable Diffusion的图像生成工具有哪些

Answer

以下是国内一些较好用可以替代 Midjourney 或 Stable Diffusion 的图像生成工具：

  1. 吐司：https://tusiart.com/images/635511733697550450?post_id=635512498197535244&source_id=nzywoVHilkK7o_cqaH31-xAh
  2. 哩布：https://www.liblib.ai/

此外，还有一些常见的图像生成工具：

  1. DALL-E：来自 OpenAI，已纳入 Bing（您必须使用创意模式）和 Bing 图像创建器。
  2. Adobe Firefly：内置在各种 Adobe 产品中，但在质量方面落后于 DALL-E 和 Midjourney。不过 Adobe 宣布它只使用有权使用的图像。
Content generated by AI large model, please carefully verify (powered by aily)

References

如何使用 AI 来做事：一份带有观点的指南

1.Stable Diffusion，它是开源的，你可以在任何高端计算机运行。开始需要付出努力，因为你必须学会正确制作提示，但一旦你做到了，它可以产生很好的结果。它特别适合将AI与来自其他源的图像结合在一起。[如果你走这条路，这里有一个很好的Stable Diffusion指南（请务必阅读第1部分和第2部分）。](https://www.jonstokes.com/p/stable-diffusion-20-and-21-an-overview)2.DALL-E，来自OpenAI，已纳入Bing（您必须使用创意模式）和Bing图像创建器。这个系统很可靠，但比Midjourney差。3.Midjourney，这是2023年中期最好的系统。它的学习曲线最低：只需键入“thing-you-want-to-see --v 5.2”（末尾的--v 5.2很重要，它使用最新的模型），你就会得到一个很好的结果。Midjourney需要Discord。这是[使用Discord的指南](https://www.pcworld.com/article/540080/how-to-use-discord-a-beginners-guide.html)。4.Adobe Firefly内置在各种Adobe产品中，但在质量方面落后于DALL-E和Midjourney。然而，虽然其他两个模型还不清楚他们用于训练人工智能的源图像，但Adobe宣布它只使用它有权使用的图像。以下是它们的比较（每张图像都有模型标记）：

AI 线上绘画教程

如果你的工作中和作者我一样需要用到大量图片，那就得为了图片的商业用途去付费，甚至可能被某版权流氓骚扰碰瓷。也像我一样想要用上能够商用，同时还具有较强艺术美感的图片。要是不能自己拍摄，那这时AI生图是最高效的解决办法。不论是人像、动物、自然风景或是人造景观的图，我们都能用AI完成。但最主流的两款工具：midjourney（MJ）的付费成本较高，stable diffusion（SD）的硬件门槛也不低，让人从一堵墙走到了另一堵墙。别急~还有[吐司](https://tusiart.com/images/635511733697550450?post_id=635512498197535244&source_id=nzywoVHilkK7o_cqaH31-xAh)、[哩布](https://www.liblib.ai/)这样的免费在线SD工具网站接下来，问题就只剩下会不会用了。咱这教程就是来解决不会用的问题的。另外，从我开始正经在工作上探索使用在线SD工具，到写完前两篇教程，时间不过10天，说明这玩意儿要入门真不难。

问：我想用 AI 把小说做成视频，应该怎么做？

1.Stable Diffusion（SD）：一种AI图像生成模型，可以基于文本描述生成图像。网址：[Stable Diffusion](https://github.com/StabilityAI)1.Midjourney（MJ）：另一个AI图像生成工具，适用于创建小说中的场景和角色图像。网址：[Midjourney](https://www.midjourney.com)1.Adobe Firefly：Adobe的AI创意工具，可以生成图像和设计模板。网址：[Adobe Firefly](https://www.adobe.com/products/firefly.html)1.Pika AI：文本生成视频的AI工具，适合动画制作。网址：[Pika AI](https://pika.art/waitlist)1.Clipfly：一站式AI视频生成和剪辑平台。网址：[Clipfly](https://www.aihub.cn/tools/video/clipfly/)1.VEED.IO：在线视频编辑工具，具有AI视频生成器功能。网址：[VEED.IO](https://www.veed.io/zh-CN/tools/ai-video)1.极虎漫剪：结合Stable Diffusion技术的小说推文视频创作提效工具。网址：[极虎漫剪](https://tiger.easyartx.com/landing)1.故事AI绘图：小说转视频的AI工具。网址：[故事AI绘图](https://www.aihub.cn/tools/video/gushiai/)

Others are asking
stable diffusion底层技术
Stable Diffusion 的底层技术主要来源于 AI 视频剪辑技术创业公司 Runway 的 Patrick Esser 以及慕尼黑大学机器视觉学习组的 Robin Romabach 之前在计算机视觉大会 CVPR22 上合作发表的潜扩散模型（Latent Diffusion Model）研究。 Stable Diffusion 是一种基于潜在扩散模型的文本到图像生成模型，其原理包括以下几个步骤： 1. 使用新颖的文本编码器（OpenCLIP），由 LAION 开发并得到 Stability AI 的支持，将文本输入转换为向量表示，以捕捉文本语义信息并与图像空间对齐。 2. 采用扩散模型，将随机噪声图像逐渐变换为目标图像。扩散模型是一种生成模型，能从训练数据中学习概率分布并采样新数据。 3. 在扩散过程中，利用文本向量和噪声图像作为条件输入，给出每一步变换的概率分布，根据文本指导噪声图像向目标图像收敛，并保持图像的清晰度和连贯性。 4. 使用超分辨率放大器（Upscaler Diffusion Model），将生成的低分辨率图像放大到更高分辨率，从低分辨率图像中恢复细节信息并增强图像质量。 此外，ComfyUI 的底层依赖 Stable Diffusion，去噪过程由 UNet 网络完成。UNet 是一种编码器解码器结构，能处理多尺度特征表示。在 ComfyUI 中，去噪的每个步骤通过模型推理模块实现，调用训练好的 UNet 模型逐步将噪声图像还原成有意义的图像。交叉注意力机制在 Stable Diffusion 中很重要，允许模型在生成过程中融入文本提示、图像、语义信息等条件，在 ComfyUI 中通过“文本提示”和“条件输入”节点实现。跳跃连接是 UNet 的核心部分，能在不同尺度之间共享特征，在 ComfyUI 的节点网络中表现为中间过程数据的流转。切换器代表在去噪过程中的不同阶段对特征流的控制，在 ComfyUI 中可通过修改模型参数节点或自定义网络结构节点对不同阶段的噪声去除策略进行微调。 Stable Diffusion 还具有以下优点： 1. 可以处理任意领域和主题的文本输入，并生成与之相符合的多样化和富有创意的图像。 2. 可以生成高达 2048x2048 或更高分辨率的图像，且保持良好的视觉效果和真实感。 它还可以进行深度引导和结构保留的图像转换和合成，例如根据输入图片推断出深度信息，并利用深度信息和文本条件生成新图片。
2025-04-15
stable video diffusion开发
以下是关于 Stable Video Diffusion 开发的相关信息： SVD 介绍： 简介：Stable Video Diffusion 是 Stability AI 于 2023 年 11 月 21 日发布的视频生成式大模型，用于高分辨率、先进的文本到视频和图像到视频生成的潜在视频扩散模型。它支持多种功能，用户可调整多种参数，但对硬件要求较高，支持的图片尺寸较小，应用场景受限。 模型版本：开源了两种图生视频的模型，一种能生成 14 帧的 SVD，另一种是可以生成 25 帧的 SVDXL，发布时通过外部评估超越了人类偏好研究中领先的封闭模型。 主要贡献：提出系统的数据管理工作流程，将大量未经管理的视频集合转变为高质量数据集；训练出性能优于现有模型的文本到视频和图像到视频模型；通过特定领域实验探索模型中运动和 3D 理解的强先验，预训练的视频扩散模型可转变为强大的多视图生成器，有助于克服 3D 领域数据稀缺问题。 部署实战避坑指南： 直接使用百度网盘里准备好的资源，可规避 90%的坑。 若一直报显存溢出问题，可调低帧数或增加 novram 启动参数。 云部署实战中，基础依赖模型权重有两个 models–laion–CLIPViTH14laion2Bs32Bb79K 和 ViTL14.pt，需放到指定路径下。 总结： Sora 发布后，此前的视频生成模型相形见绌，但 Stable Video Diffusion 作为开源项目可在自己机器上自由创作无需充值。SVD 生成的视频画质清晰，帧与帧过渡自然，能解决背景闪烁和人物一致性问题，虽目前最多生成 4 秒视频，与 Sora 的 60 秒差距大，但在不断迭代。我们会持续关注其技术及前沿视频生成技术，尝试不同部署微调方式，介绍更多技术模型，更多精彩内容后续放出。 同时，您还可以加入「AIGCmagic 社区」群聊交流讨论，涉及 AI 视频、AI 绘画、Sora 技术拆解、数字人、多模态、大模型、传统深度学习、自动驾驶等多个方向，可私信或添加微信号：【m_aigc2022】，备注不同方向邀请入群。
2025-04-15
stable diffusion是runway和goole联合开的吗
Stable Diffusion（简称 SD）不是由 Runway 和 Google 联合开发的，而是由初创公司 StabilityAI、CompVis 与 Runway 合作开发的。 Stable Diffusion 是 2022 年发布的深度学习文本到图像生成模型，其核心技术来源于 AI 视频剪辑技术创业公司 Runway 的 Patrick Esser 以及慕尼黑大学机器视觉学习组的 Robin Romabach。该项目的技术基础主要来自于这两位开发者之前在计算机视觉大会 CVPR22 上合作发表的潜扩散模型（Latent Diffusion Model）研究。 Stable diffusion 是一种基于潜在扩散模型（Latent Diffusion Models）的文本到图像生成模型，能够根据任意文本输入生成高质量、高分辨率、高逼真的图像。其原理包括使用新颖的文本编码器将文本输入转换为向量表示，利用扩散模型将随机噪声图像逐渐变换为目标图像，在扩散过程中根据文本向量和噪声图像作为条件输入给出变换的概率分布，最后使用超分辨率放大器将生成的低分辨率图像放大到更高的分辨率。 围绕 Stable Diffusion 等基础模型的兴奋和关注正在产生惊人的估值，但新研究的不断涌现确保新模型将随着新技术的完善而更替。目前，这些模型在法律方面也面临挑战，例如其训练所使用的大量内容数据集通常是通过爬取互联网本身获得的，这可能会引发法律问题。
2025-04-15
stable diffusion开发公司
Stable Diffusion 是由初创公司 StabilityAI、CompVis 与 Runway 合作开发的。其核心技术来源于 AI 视频剪辑技术创业公司 Runway 的 Patrick Esser 以及慕尼黑大学机器视觉学习组的 Robin Romabach。该项目的技术基础主要来自于他们之前在计算机视觉大会 CVPR22 上合作发表的潜扩散模型（Latent Diffusion Model）研究。 Stable Diffusion 是一种基于潜在扩散模型（Latent Diffusion Models）的文本到图像生成模型，能够根据任意文本输入生成高质量、高分辨率、高逼真的图像。其原理包括使用新颖的文本编码器（OpenCLIP）将文本输入转换为向量表示，利用扩散模型将随机噪声图像逐渐变换为目标图像，在扩散过程中以文本向量和噪声图像作为条件输入给出变换的概率分布，最后使用超分辨率放大器将生成的低分辨率图像放大到更高分辨率。 Stable Diffusion 总共有 1B 左右的参数量，可以用于文生图、图生图、图像 inpainting、ControlNet 控制生成、图像超分等丰富的任务。在文生图任务中，将一段文本输入到模型中，经过一定迭代次数输出符合文本描述的图片；图生图任务则在输入文本基础上再输入一张图片，模型根据文本提示对输入图片进行重绘。输入的文本信息通过 CLIP Text Encoder 模型编码生成与文本信息对应的 Text Embeddings 特征矩阵，用于控制图像生成。源代码库为 github.com/StabilityAI/stablediffusion ，当前版本为 2.1 稳定版（2022.12.7），其代码模型权重已公开发布，可以在大多数配备有适度 GPU 的电脑硬件上运行。
2025-04-15
stable diffusion开发公司
Stable Diffusion 是由初创公司 Stability AI、CompVis 与 Runway 合作开发的。其核心技术来源于 AI 视频剪辑技术创业公司 Runway 的 Patrick Esser 以及慕尼黑大学机器视觉学习组的 Robin Romabach。该项目的技术基础主要来自于他们之前在计算机视觉大会 CVPR22 上合作发表的潜扩散模型（Latent Diffusion Model）研究。 Stable Diffusion 是一种基于潜在扩散模型（Latent Diffusion Models）的文本到图像生成模型，能够根据任意文本输入生成高质量、高分辨率、高逼真的图像。其原理包括使用新颖的文本编码器（OpenCLIP）将文本输入转换为向量表示，利用扩散模型将随机噪声图像逐渐变换为目标图像，在扩散过程中以文本向量和噪声图像作为条件输入给出变换概率分布，最后使用超分辨率放大器将生成的低分辨率图像放大到更高分辨率。 Stable Diffusion 总共有 1B 左右的参数量，可以用于文生图、图生图、图像 inpainting、ControlNet 控制生成、图像超分等丰富的任务。其代码模型权重已公开发布，可以在大多数配备有适度 GPU 的电脑硬件上运行，当前版本为 2.1 稳定版（2022.12.7），源代码库为 github.com/StabilityAI/stablediffusion 。
2025-04-15
有stable diffusion的学习教程吗
以下为您提供一些 Stable Diffusion 的学习教程： 1. 超详细的 Stable Diffusion 教程： 介绍了为什么要学习 Stable Diffusion 及其强大之处。 指出 Stable Diffusion 是能根据输入文字生成图片的软件。 强调学习目的是快速入门，而非深入研究原理，通过案例和实际操作帮助上手。 2. 深入浅出完整解析 Stable Diffusion（SD）核心基础知识 知乎： 包含 Stable Diffusion 系列资源。 零基础深入浅出理解 Stable Diffusion 核心基础原理，如模型工作流程、核心基础原理、训练全过程等。 解析 Stable Diffusion 核心网络结构，包括 SD 模型整体架构、VAE 模型、UNet 模型等。 介绍从 0 到 1 搭建使用 Stable Diffusion 模型进行 AI 绘画的流程。 列举 Stable Diffusion 经典应用场景。 讲解从 0 到 1 上手使用 Stable Diffusion 训练自己的 AI 绘画模型。 3. 视频教程： 「AI 绘画」软件比较与 stable diffusion 的优势： 「AI 绘画」零基础学会 Stable Diffusion： 「AI 绘画」革命性技术突破： 「AI 绘画」从零开始的 AI 绘画入门教程——魔法导论： 「入门 1」5 分钟搞定 Stable Diffusion 环境配置，消灭奇怪的报错： 「入门 2」stable diffusion 安装教程，有手就会不折腾： 「入门 3」你的电脑是否跑得动 stable diffusion？： 「入门 4」stable diffusion 插件如何下载和安装？：
2025-03-28
"如何使用Midjourney"
以下是关于如何使用 Midjourney 的详细介绍： 1. “人物参考”功能： 在提示词后输入`cref URL`并附上一个人物图像的 URL。需注意一定要在提示词后面，否则会报错。 可以使用`cw`来修改参考“强度”，从 0 到 100。强度 100（`cw 100`）是默认值，会使用面部、头发和衣服；在强度 0（`cw 0`）时，只会关注面部，适合改变服装、发型等。 2. 喂图： 意义：从第一张起，可反复上传优化图片，来达到自己想要的图片。 过程：上传单张或者一组（4 到 5 张）到 Midjourney 输入框里，有两种方法： 点击输入框前方的加号上传。 鼠标选择图片或一组拖到软件里，回车，点击上传后的图片，在左下角“在浏览器打开链接“打开后复制浏览器上的链接，返回主界面，在输入框里“/imagine：粘贴刚才复制的链接+所描述的关键词。 常见问题：小白新手找不到输入框频道。解决方法是找到 Midjourney 白色图标，点击进去，找带数字结尾的频道，或者在自己社区里添加 Midjourney 机器人。 3. Midjourney V6 更新角色一致性命令“cref”： 官方说明：在提示后键入`cref URL`，其中 URL 是一个角色图像的网址。可以使用`cw`来修改参考的“强度”。 用途：这个功能在使用由 Midjourney 图像制作的角色时效果最佳，不适用于真实的人物/照片。 高级功能：可以使用多个 URL 来混合信息/来自多个图像的角色。 在网页 alpha（测试最初版）上的操作：拖动或粘贴图像到想象栏，有三个图标。选择这些图标设置它是一个图像提示，一个风格参考，还是一个角色参考。按住 Shift 键选择一个选项以将图像用于多个类别。 需注意，虽然 MJ V6 还处于 alpha 测试阶段，但这个和其他功能可能会突然更改，V6 官方 beta 版本即将推出。
2025-03-24
midjourney图怎么 放大
在 Midjourney 中，放大图像的方法如下： 放大（Upscale）将图像尺寸加倍： 精细放大（Subtle）：放大图像同时尽量保持原样。 创意放大（Creative）：在放大的同时会调整或改变图像中的某些细节。 操作时，您可以点击相应的按钮进行放大。例如，在生成的图像中，点击上面的 U 1 4 即可放大一张图。 另外，使用当前默认模型版本的中途图像的默认尺寸为 1024 x 1024 像素。您可以使用 upscale 工具将文件大小增加到 2048 x 2048 或 4096 x 4096 像素。在网络浏览器中打开 Midjourney 图像，或从 Midjourney.com 下载它们以获得最大文件大小。 需要注意的是，如果没看到放大相关的按钮，可能有以下原因： 1. 该图像已经在 Discord 中生成最满意的一张，不可再放大。 2. 在 More options 文字里没打上相应的对勾。
2025-03-21
Stable Diffusion、MidJourney、DALL·E 这些生成式AI工具有什么区别
Stable Diffusion、Midjourney 和 DALL·E 这三个生成式 AI 工具主要有以下区别： 1. 开源性：Stable Diffusion 是开源的，用户可以在任何高端计算机上运行。 2. 学习曲线：Midjourney 的学习曲线较低，只需键入特定的提示就能得到较好的结果。 3. 图像质量：Midjourney 被认为是 2023 年中期图像质量最好的系统。 4. 应用场景：Stable Diffusion 特别适合将 AI 与来自其他源的图像结合；Adobe Firefly 内置在各种 Adobe 产品中，但在质量方面落后于 DALL·E 和 Midjourney。 5. 训练数据：这些工具都是使用大量的内容数据集进行训练的，例如 Stable Diffusion 是在从网络上抓取的超过 50 亿的图像/标题对上进行训练的。 6. 所属公司：DALL·E 来自 OpenAI。 在使用方面： 1. Stable Diffusion 开始使用需要付出努力，因为要学会正确制作提示，但一旦掌握，能产生很好的结果。 2. DALL·E 已纳入 Bing（需使用创意模式）和 Bing 图像创建器，系统可靠，但图像质量比 Midjourney 差。 3. Midjourney 需要 Discord，使用时需键入特定格式的提示。
2025-03-20
midjourney的平替
以下是关于 Midjourney 的相关信息： Midjourney V6 更新角色一致性命令“cref”：您可以仅描述环境、背景等，Midjourney 会努力将角色融入场景中，但可能会有不连贯的结果，此时可尝试更高值的样式化（如s 800）。场景唯一提示示例：在一个空荒地下，乌云密布的暴风雨天空下。cref https://my.image.host/joisstanding.jpg 。注意该命令适用于单一主题、单一角色的图像，若要添加多个角色，需使用平移按钮。将多个角色放置到单个画布上的最佳方法是使用平移功能将新画布与现有画布拼接，每个新画布部分都有自己的 cref。具体操作：1.使用/settings 将 Remix 打开，然后选择；2.选择包含第二个字符的图像，用 U 将其从网格中分离出来；3.寻找蓝色小箭头（⬆️⬇️⬅️➡️），每个都会在现有图像中添加新图像，选择新角色前进方向并输入提示及其cref，缝合新画布，比如描绘两个人的开场提示。 训练 Midjourney 的 prompt：style<4a,4b or 4c>可在 Midjourney 模型版本 4 之间切换。stylize<number>或s<number>参数影响 Midjourney 默认美学风格应用于 Jobs 的强度。还有uplight 和upbeta 等参数。默认值（模型版本 5）包括纵横比、混沌、质量、种子、停止、样式化等，各有相应的默认值和范围。纵横比大于 2:1 为实验性的，可能产生不可预测的结果。不同模型版本和参数具有兼容性。
2025-03-18
midjourney注册不了，有替代的软件吗
以下是一些可以替代 Midjourney 的软件： 1. 扣子+ByteArtist： 网址：https://www.coze.cn/home 优点：不需要?，无收费，可以直接生成。 注册：手机号、抖音号或飞书号。 操作步骤：需要在 coze 的 bot 里面添加绘图插件，时间约 5 分钟。这里需要一点小小的加插件操作，不难，截图一步一步即可做到，而且全程没有科学?️，不需要付费。 2. 悠船： 网址：www.youchuanai.com 新用户注册：在悠船桌面端，输入离谱村专用激活码（296976）即可完成注册。 特点：从成本和小白理解力的角度来说适合先尝试，最近有新注册的免费福利。
2025-03-18
如何登陆midjourney？
以下是登录 Midjourney 的方法： 1. 登录 Midjourney 官网： Midjourney 官网现已向生成 100 张以上图片的用户开放了使用权限。登录 MJ 官网，您将进入到特定页面。左侧为各种页面入口，顶部是生成入口（prompt 框）和搜索框。在社区作品、创作（Create）以及组织（Organize）页面中，您可以随时使用 prompt 框和搜索框，方便查找参考和进行创作，无需频繁切换页面。 您可以通过点击 prompt 框最右侧的图标来设置常用参数的默认值，包括画面比例和个性化模型开关。 在官网上使用图片参考变得简单直观。只需要点击 prompt 框最左侧的图片按钮，或直接拖入图片即可，并且官网会记录所有使用过的图片，方便调用或删除。当鼠标悬停在图片上时，会看到 3 个小图标，从左到右分别是角色参考、风格参考、整图参考，点击相应的图标即可，如需多种参考逻辑可按住 shift 键点选多个图标即可。 创作页面的最大亮点是 prompt 的复用。您可以直接点击画面描述或复制描述词到 prompt 框中，也可以直接点击下方横列菜单里的按钮，将包括参考图在内的完整 prompt 替换当前的 prompt。点击图片则会进入单图调整模式，在 discord 中常用的操作指令都被集中在了右下角的按键中，并且上线了全新的 Editor 编辑器功能。 2. 通过 Discord 登录： 通过 Web 浏览器、移动应用程序或桌面应用程序通过 Discord 访问 Midjourney Bot。在加入 Midjourney Discord 服务器之前，请确保您拥有经过验证的 Discord 帐户。请按照以下指南创建或验证您的 Discord 帐户： 要开始使用 Midjourney 生成图像，您需要订阅计划。 访问。 使用您经过验证的 Discord 帐户登录。 选择适合您需求的订阅计划。请转至了解有关定价和各层可用功能的信息。 要开始与中途机器人交互，请加入中途服务器： 打开 Discord 并找到左侧边栏上的服务器列表。 按+服务器列表底部的按钮。 在弹出窗口中，单击 Join a Server 按钮。 粘贴或输入以下 URL：。
2025-03-18
图像翻译
图像翻译具有以下特点和功能： 多语言支持：涵盖 18 种语言，包括中文、英文、法语、日语、韩语和西班牙语。 保护图像主体：可选择不翻译品牌名称或重要信息，避免影响关键内容。 高分辨率处理：支持高达 4000×4000 像素的图像，确保翻译后画质清晰。 原始排版恢复：保留原字体、大小及对齐方式，确保设计一致性。 多行文本合并：将多行文本合并为段落翻译，避免逐行翻译造成误解。 清除文本痕迹：翻译后干净移除原文本，并恢复图像空白区域。
2025-04-14
gpt4o图像生成提示词有哪些
以下是一些 GPT4o 图像生成的提示词示例： 1. 将这张图更改为蓝色氛围，星星图标改为魔法棒图标，同时将里面文案描述的主题改为其他的。 2. 帮我生成一张这样的 UI 设计稿：Peerlist 邀请链接界面分析，界面内容。 3. 一张逼真的照片，描绘了一匹马在宁静的海洋表面从右向左奔驰，准确地描绘了飞溅的水花。 Realistic photograph of a horse galloping from right to left across a vast,calm ocean surface,accurately depicting splashes,reflections,and subtle ripple patterns beneath their hooves.Exaggerate horse movements but everything else should be still,quiet to show contrast with the horse's strength.clean composition,cinematographic.A wide,panoramic composition showcasing a distant horizon.Atmospheric perspective creating depth.zoomed out so the horse appears minuscule compared to vast ocean.horse is right at the horizon where ocean meets sky.use rule of thirds to position horse.size of horse is 1% size of entire image because camera is so far away from subject.camera view is super close to the ground/ocean like a worm's eye view.horse is galloping right where ocean meets the sky 4. 生成一张 2006 年夏天的周六多伦多农夫市场的逼真照片，那天是六月的美好时光，人们在购物和吃三明治。焦点应是一个穿着牛仔工装裤、啜饮草莓香蕉奶昔的年轻亚洲女孩——其余部分可以模糊。照片应让人联想到 2006 年的数码相机拍摄的效果，带有像打印照片一样的日期和时间戳。画幅比例应为 3:2
2025-04-11
图像识别模型
图像识别模型通常包括编码器和解码器部分。以创建图像描述模型为例： 编码器：如使用 inception resnet V2 应用于图像数据，且大部分情况下会冻结此 CNN 的大部分部分，因为其骨干通常是预训练的，例如通过庞大的数据集如图像网络数据集进行预训练。若想再次微调训练也是可行的，但有时仅需保留预训练的权重。 解码器：较为复杂，包含很多关于注意力层的说明，还包括嵌入层、GRU 层、注意力层、添加层归一化层和最终的密集层等。 在定义好解码器和编码器后，创建最终的 TF Keras 模型并定义输入和输出。模型输入通常包括图像输入进入编码器，文字输入进入解码器，输出则为解码器输出。在运行训练前，还需定义损失功能。 另外，还有一些相关模型的安装配置，如 siglipso400mpatch14384（视觉模型），由 Google 开发，负责理解和编码图像内容，其工作流程包括接收输入图像、分析图像的视觉内容并将其编码成特征向量。image_adapter.pt（适配器）连接视觉模型和语言模型，优化数据转换。MetaLlama3.18Bbnb4bit（语言模型）负责生成文本描述。
2025-03-28
gpt4o图像生成
GPT4o 是 OpenAI 推出的具有强大图像生成能力的多模态模型，能够实现精确、准确、照片级真实感输出。其核心功能包括生成美观且实用的图像，如白板演示、科学实验图解等。亮点功能有精确的文本渲染，能在图像中准确生成文字，如街道标志、菜单、邀请函等；支持多样化场景生成，从照片级真实感到漫画风格均可；具有上下文感知能力，能利用内在知识库和对话上下文生成符合语境的内容。技术上通过联合训练在线图像和文本的分布，学会了图像与语言及图像之间的关系，经过后期训练优化，在视觉流畅性和一致性方面表现出色。实际应用场景包括信息传递、创意设计、教育与演示等。但也存在某些场景或细节的限制。安全性方面，OpenAI 强调了保护。目前该功能已集成到 ChatGPT 中，用户可直接体验。 此外，在 3 月 26 日的 AI 资讯汇总中，OpenAI 推出了 GPT4o 图像生成能力。昨晚 Open AI 更新 GPT4o 图像生成功能后，其真正强大之处在于几乎可以通过自然语言对话完成复杂的 SD 图像生成工作流的所有玩法，如重新打光、扩图、换脸、融脸、风格化、风格迁移、换装、换发型等。
2025-03-28
免费增强图像分辨率的
以下是一些免费增强图像分辨率的工具和方法： 1. Kraken.io：主要用于图像压缩，但也提供免费的图像放大功能，能保证图像细节清晰度。 2. Deep Art Effects：强大的艺术效果编辑器，通过 AI 技术放大图像并赋予艺术效果，支持多种滤镜和风格。 3. Waifu2x：提供图片放大和降噪功能，使用深度学习技术提高图像质量，保留细节和纹理，简单易用效果好。 4. Bigjpg：强大的图像分辨率增强工具，使用神经网络算法加大图像尺寸，提高图像质量，处理速度快。 此外，还有以下相关资源： 1. 【超级会员 V6】通过百度网盘分享的 Topaz 全家桶，链接：https://pan.baidu.com/s/1bL4tGfl2nD6leugFh4jg9Q?pwd=16d1 ，提取码：16d1 ，复制这段内容打开「百度网盘 APP 即可获取」。 2. RealESRGAN：基于 RealESRGAN 的图像超分辨率增强模型，具有可选的人脸修复和可调节的放大倍数，但使用几次后要收费。 3. InvSR：开源图像超分辨率模型，提升图像分辨率的开源新工具，只需一个采样步骤（支持 1 5 的材料步骤）即可增强图像，可以高清修复图像。地址、在线试用地址：https://github.com/zsyOAOA/InvSR?tab=readme ov filerailway_car online demo 、https://huggingface.co/spaces/OAOA/InvSR 。 4. GIGAGAN：https://mingukkang.github.io/GigaGAN/ 。 5. Topaz Gigapixel AI：https://www.topazlabs.com/gigapixel ai 。 6. Topaz Photo AI：https://www.topazlabs.com/ 。 7. discord：https://discord.gg/m5wPDgkaWP 。
2025-03-24
图像生成
图像生成是 AIGC 的一个重要领域，离不开深度学习算法，如生成对抗网络（GANs）、变分自编码器（VAEs）以及 Stable Diffusion 等，以创建与现实世界图像视觉相似的新图像。 图像生成可用于多种场景，如数据增强以提高机器学习模型的性能，也可用于创造艺术、生成产品图像（如艺术作品、虚拟现实场景或图像修复等）。 一些具有代表性的海外项目包括： Stable Diffusion：文本生成图像模型，主要由 VAE、UNet 网络和 CLIP 文本编码器组成。首先使用 CLIP 模型将文本转换为表征形式，然后引导扩散模型 UNet 在低维表征上进行扩散，之后将扩散之后的低维表征送入 VAE 中的解码器，从而实现图像生成。 DALLE 3（Open AI）：OpenAI 基于 ChatGPT 构建的一种新型神经网络，可以从文字说明直接生成图像。 StyleGAN 2（NVIDIA）：一种生成对抗网络，可以生成非常逼真的人脸图像。 DCGAN（Deep Convolutional GAN）：一种使用卷积神经网络的生成对抗网络，可生成各种类型的图像。 在图像生成的用法方面，图像生成端点允许您在给定文本提示的情况下创建原始图像。生成的图像的大小可以为 256x256、512x512 或 1024x1024 像素。较小的尺寸生成速度更快。您可以使用 n 参数一次请求 1 10 张图像。描述越详细，就越有可能获得您或您的最终用户想要的结果。您可以探索 DALL·E 预览应用程序中的示例以获得更多提示灵感。 图像编辑端点允许您通过上传蒙版来编辑和扩展图像。遮罩的透明区域指示应编辑图像的位置，提示应描述完整的新图像，而不仅仅是擦除区域。 AI 绘图 Imagen 3 具有以下功能点和优势： 功能点： 图像生成：根据用户输入的 Prompt 生成图像。 Prompt 智能拆解：能够自动拆解用户输入的 Prompt，并提供下拉框选项。 自动联想：提供自动联想功能，帮助用户选择更合适的词汇。 优势： 无需排队：用户可以直接使用，无需排队。 免费使用：目前 Imagen 3 是免费提供给用户使用的。 交互人性化：提供了人性化的交互设计，如自动联想和下拉框选项。 语义理解：具有较好的语义理解能力，能够根据 Prompt 生成符合描述的图像。 灵活性：用户可以根据自动联想的功能，灵活调整 Prompt 以生成不同的图像。
2025-03-23