首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >别再只会堆提示词了:拆了三个图像生成案例,我发现真正的门道在 CV 的老底子里

别再只会堆提示词了:拆了三个图像生成案例,我发现真正的门道在 CV 的老底子里

原创
作者头像
Echo_Wish
发布于 2026-11-19 08:47:51
发布于 2026-11-19 08:47:51
220
举报

别再只会堆提示词了:拆了三个图像生成案例,我发现真正的门道在 CV 的老底子里

大家好,我是 Echo_Wish。

前阵子有个朋友问我:「现在大模型这么强,是不是搞 CV 的要失业了?」

我当时笑了,反问他:「你用过的那些能出图的东西,哪一个不是 CV 干出来的活?」

这不是抬杠。这两年大家一提图像生成,脑子里全是"大模型""提示词""玄学抽卡",好像 CV 已经是上个时代的东西了。但我自己折腾了不少项目,越做越觉得:大模型负责"听懂人话",CV 负责"把话变成像素",真正出彩的作品,都是两边咬合得好。

今天就用三个小案例,带代码,聊聊我的体会。

先掰扯清楚:一张图是怎么"长"出来的

主流的扩散模型,拆开看就三块:

  • 文本编码器(CLIP、T5 之类):把你写的话变成向量,这是"大模型味儿"最浓的部分。
  • 去噪网络(UNet 或 DiT):从一团噪声开始,一步步擦出图像,这是纯正的 CV 功夫。
  • VAE:在像素和"潜空间"之间来回翻译,省显存全靠它。

所以你写提示词,本质上是在给去噪过程递小抄。小抄写得好不好,决定上限;去噪网络本身的功底,决定下限。

案例一:最朴素的文生图,但参数里全是学问

先跑个最基础的,用 SDXL:

代码语言:python
复制
import torch
from diffusers import StableDiffusionXLPipeline

pipe = StableDiffusionXLPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    torch_dtype=torch.float16,
    variant="fp16",
    use_safetensors=True,
).to("cuda")

prompt = "a cozy ramen shop at night in the rain, neon signs, cinematic lighting, 35mm photo"
negative = "blurry, low quality, extra fingers, watermark, text"

image = pipe(
    prompt=prompt,
    negative_prompt=negative,
    num_inference_steps=30,
    guidance_scale=7.0,
    generator=torch.Generator("cuda").manual_seed(42),
).images[0]

image.save("ramen.png")

很多人只盯着 prompt,其实我觉得最值得琢磨的是 guidance_scale 和 seed。

guidance_scale 就是"你有多听话"。调低了,模型自由发挥,图好看但不一定是你要的;调太高,画面就会发硬、发糊、颜色过饱和,像被人拿着鞭子逼出来的。我自己的习惯是 6 到 8 之间试,别迷信越高越准。

seed 则是"抽卡的编号"。很多人觉得出图靠运气,其实固定 seed 之后改一个词看变化,才是科学地调提示词。不固定 seed 就改词,等于同时改了两个变量,你永远不知道是谁的功劳。

这个案例的体会:提示词是意图,参数是性格,两个都要管。

案例二:让传统 CV 算子给大模型"划重点"

纯靠文字,有个根本性的痛点:构图控制不住。你说"左边一个人,右边一只猫",模型心情好就给你对,心情不好就给你反着来。

这时候,老派的 CV 就派上用场了。ControlNet 的思路特别朴素:先用传统算子(比如 Canny 边缘检测)把参考图的轮廓抠出来,再把轮廓当作额外条件喂给扩散模型。

代码语言:python
复制
import cv2
import numpy as np
import torch
from PIL import Image
from diffusers import (
    StableDiffusionControlNetPipeline,
    ControlNetModel,
    UniPCMultistepScheduler,
)

# 1. 用 OpenCV 提取边缘 —— 这一步完完全全是传统 CV
src = cv2.imread("reference.jpg")
edges = cv2.Canny(src, 100, 200)
edges = np.stack([edges] * 3, axis=-1)  # 单通道转三通道
control_image = Image.fromarray(edges)

# 2. 加载 ControlNet + 底模
controlnet = ControlNetModel.from_pretrained(
    "lllyasviel/sd-controlnet-canny", torch_dtype=torch.float16
)
pipe = StableDiffusionControlNetPipeline.from_pretrained(
    "stable-diffusion-v1-5/stable-diffusion-v1-5",
    controlnet=controlnet,
    torch_dtype=torch.float16,
).to("cuda")
pipe.scheduler = UniPCMultistepScheduler.from_config(pipe.scheduler.config)

# 3. 轮廓管构图,提示词管风格
result = pipe(
    "a watercolor painting of a mountain village, soft morning light",
    image=control_image,
    num_inference_steps=25,
    controlnet_conditioning_scale=0.8,
).images[0]

result.save("village_watercolor.png")

你看,这段代码里真正"高级"的东西,其实是前面那三行 cv2.Canny。

我第一次跑通的时候特别有感触:十几年前就有的边缘检测,居然成了大模型时代的"方向盘"。 大模型再强,也需要有人告诉它"轮廓在这儿"。所以我一直觉得,别急着把 CV 基础课扔掉,边缘、深度、姿态、分割这些信息,现在全是控制生成的"把手"。

另外 controlnet_conditioning_scale 这个参数我想提一嘴:设成 1.0 往往太死板,轮廓里的瑕疵都会被忠实复刻;降到 0.6 到 0.9,模型才有余地"脑补"得自然。控制不是越严越好,留一点空间,作品才有灵气。

案例三:让大模型当"导演",CV 模型当"质检员"

这是我最近最爱的玩法,也是我觉得最有"未来感"的一种:把生成变成一个闭环。

流程很简单:

  1. 用户随口说一句话,比如"想要个有点孤独但又治愈的海边小屋"。
  2. 语言大模型把它改写成一条结构化的、适合出图的提示词。
  3. 扩散模型一次出 4 张候选图。
  4. 用 CLIP 给每张图和原始意图的匹配度打分,挑最好的那张。
代码语言:python
复制
import torch
from transformers import CLIPModel, CLIPProcessor

clip = CLIPModel.from_pretrained("openai/clip-vit-base-patch32").to("cuda")
proc = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")

def ask_llm(user_idea: str) -> str:
    """这里接你自己用的语言模型,让它把一句人话改写成出图提示词。"""
    raise NotImplementedError

@torch.no_grad()
def clip_score(images, text):
    inputs = proc(
        text=[text], images=images,
        return_tensors="pt", padding=True, truncation=True,
    ).to("cuda")
    return clip(**inputs).logits_per_image.squeeze(-1).tolist()

def generate_best(pipe, user_idea, n=4):
    prompt = ask_llm(user_idea)
    images = [
        pipe(
            prompt,
            num_inference_steps=30,
            generator=torch.Generator("cuda").manual_seed(s),
        ).images[0]
        for s in range(n)
    ]
    scores = clip_score(images, user_idea)  # 拿"原始意图"打分,而不是改写后的
    best = max(range(n), key=lambda i: scores[i])
    return images[best], scores

注意最后一个细节:打分用的是用户的原话,而不是改写后的提示词。 因为改写本身也可能跑偏,如果拿改写后的词去验收,等于自己出题自己批卷。

这套东西的精髓,是让两类模型各司其职:语言模型擅长"理解和扩写",视觉模型擅长"看图判断"。以前我们总想训练一个什么都会的大一统模型,但实际做项目你会发现,让专才互相检查,比让通才单打独斗靠谱得多。

当然,CLIP 打分也不是万能的。它对"手有几根手指""文字拼没拼对"这类细节几乎没感觉,更适合管"大方向对不对"。真要在生产里用,我会再叠一层人脸检测、文字 OCR 之类的传统 CV 检查,也就是说,质检员还是得靠 CV。

聊点我自己的想法

做完这三个案例,我心里有几点比较强烈的感受:

第一,别把大模型神化。 它再厉害,本质上还是一个条件概率模型。你给的条件越清晰,它越稳定。大部分"翻车",其实是我们没把需求说清楚,或者没给够约束。

第二,CV 没有过时,它换了个位置。 以前 CV 是主角,自己做检测、分割、识别;现在更像是"基础设施"和"控制面板",大模型把创造力撑起来,CV 负责把它按在正确的轨道上。

第三,最值钱的能力是"拆问题"。 你看这三个案例,没有一个是靠调一个神奇的参数解决的,都是把问题拆成"谁来理解、谁来生成、谁来控制、谁来验收",再各找合适的工具。这种工程思维,比背多少个模型名字都管用。

第四,要对生成内容多一份敬畏。 图像生成越来越容易,真假就越来越难分。我们做技术的,该加水印加水印,该标注 AI 生成就标注,别等出了事再补课。

最后

写到这儿,我想起刚入行时盯着 Canny 算子调阈值调到半夜的自己。谁能想到,这些当年看起来"土"的东西,十年后居然成了驾驭大模型的缰绳。

技术圈就是这样,新东西不会把旧东西彻底淘汰,更多时候是把它们重新组合。你手里的每一样基本功,说不定哪天就在一个意想不到的地方发光。

所以,别焦虑,把底子打牢,再大胆地去拼装新玩具。

我是 Echo_Wish,下次再聊。


如果你想把这篇整理成可以直接发布的文档(Word 或 PDF),告诉我一声,我来转。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 别再只会堆提示词了:拆了三个图像生成案例,我发现真正的门道在 CV 的老底子里
    • 先掰扯清楚:一张图是怎么"长"出来的
    • 案例一:最朴素的文生图,但参数里全是学问
    • 案例二:让传统 CV 算子给大模型"划重点"
    • 案例三:让大模型当"导演",CV 模型当"质检员"
    • 聊点我自己的想法
    • 最后
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档