探索stable diffusion的奇妙世界--01

目录

1. 理解prompt提示词:

2. Prompt中的技术参数:

3. Prompt中的Negative提示词:

4. Prompt中的特殊元素:

5. Prompt在stable diffusion中的应用:

6. 作品展示:


在AI艺术领域,stable diffusion模型正以其令人惊叹的创造力和细节处理能力,引领着一场革命。在这篇文章中,我们将深入探讨一个特定的stable diffusion prompt提示词“rainbow_glass”,并分析它是如何生成一幅独特且精美的艺术作品的。

prompt:
rainbow_glass,1girl,best quality,masterpiece,illustration,an extremely delicate and beautiful,CG,unity,8k wallpaper,Amazing,finely detail,masterpiece,official art,extremely detailed CG unity 8k wallpaper,incredibly absurdres,huge filesize,ultra-detailed,highres,extremely detailed,beautiful detailed girl,realistic,<lora:rainbow glass_20240305204338:0.8>,

Negative prompt: 
((nsfw)),extra arms,easy negative,disfigured,sketches,(worst quality:2),(low quality:2),(normal quality:2),((monochrome)),((grayscale)),skin spots,acnes,skin blemishes,DeepNegative,(fat:1.2),facing away,looking away,tilted head,Multiple people,lowres,bad anatomy,bad hands,text,error,missing fingers,extra digit,fewer digits,worstquality,jpegartifacts,signature,username,blurry,bad feet,cropped,poorly drawn hands,poorly drawn face,mutation,deformed,jpeg artifacts,watermark,paintings,

Steps: 20, 
Size: 640x960, 
Seed: 3329658569,
Model: SHM_Realistic_V3,
Version: v1.7.0, 
Sampler: DPM++ SDE Karras, CFG 
scale: 7.5, 
Clip skip: 2, 
Model hash: 21416579b5,
ADetailer model: face_yolov8n.pt,
ADetailer version: 24.1.2, 
ADetailer mask blur: 4, 
ADetailer confidence: 0.3,
ADetailer dilate erode: 4, 
ADetailer inpaint padding: 32, 
ADetailer denoising strength: 0.4, 
"rainbow glass_20240305204338: fd79da9f3714", 
ADetailer inpaint only masked: True

1. 理解prompt提示词:

核心元素:“rainbow_glass”是prompt中的核心元素,暗示着图像中将包含绚丽的彩虹色玻璃效果。

艺术风格:“best quality, masterpiece, illustration”这些词汇强调了作品的高质量和艺术性。

细节与清晰度:“extremely detailed CG unity 8k wallpaper”和“ultra-detailed”表明了图像将具有极高的分辨率和细节。

2. Prompt中的技术参数:

尺寸与模型:图像尺寸设定为“640x960”,使用的模型是“SHM_Realistic_V3”。

采样器和CFG scale:使用“DPM++ SDE Karras”采样器,CFG scale设定为7.5,有助于控制图像的多样性和稳定性。

ADetailer参数:涉及到的ADetailer参数,如“face_yolov8n.pt”模型,用于优化面部细节,以及“inpaint only masked”确保只对遮罩区域进行细化。

3. Prompt中的Negative提示词:

排除不适宜内容:通过“((nsfw))”排除任何不适宜的内容。

质量控制:排除“worst quality, low quality, normal quality”等,确保图像质量。
避免的艺术效果:如“monochrome, grayscale”排除单色和灰度效果,以及“jpeg artifacts”避免压缩伪影。

4. Prompt中的特殊元素:

Lora模型:使用的<lora:rainbow glass_20240305204338:0.8>模型,特别强调了彩虹玻璃效果。

Seed和版本信息:提供了“Seed: 3329658570”和“Version: v1.7.0”,允许用户复现相同或类似的结果。

5. Prompt在stable diffusion中的应用:

创作过程:在stable diffusion中输入此prompt,模型将根据这些指令生成一幅具有高度细节和艺术美感的图像。

效果呈现:最终作品将展示一个极具视觉冲击力的女孩形象,背景中融入了绚丽的彩虹玻璃效果,细节丰富,色彩鲜明。

6. 作品展示:

1.

2.

3.

4.

5.

6.

7.

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/444523.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

Linux的进程调度实现

经常被问到进程的调度算法有哪些&#xff0c;什么先进先出、短进程优先、时间片轮转、多级反馈多列等等算法能说一大堆&#xff1f;那具体的&#xff0c;linux内核使用了什么样的算法&#xff0c;且来探究一下。 本文所引用源码基于linux内核2.6.34版本。 目录 调度器类 从 s…

LLM Drift(漂移), Prompt Drift Cascading(级联)

原文地址&#xff1a;LLM Drift, Prompt Drift & Cascading 提示链接可以手动或自动执行&#xff1b;手动需要通过 GUI 链构建工具手工制作链。自治代理在执行时利用可用的工具动态创建链。这两种方法都容易受到级联、LLM 和即时漂移的影响。 2024 年 2 月 23 日 在讨论大型…

STM32_3-1点亮LED灯与蜂鸣器发声

STM32之GPIO GPIO在输出模式时可以控制端口输出高低电平&#xff0c;用以驱动Led蜂鸣器等外设&#xff0c;以及模拟通信协议输出时序等。 输入模式时可以读取端口的高低电平或电压&#xff0c;用于读取按键输入&#xff0c;外接模块电平信号输入&#xff0c;ADC电压采集灯 GP…

记一次项目所学(中间件等)-动态提醒功能(RocketMQ)

记一次项目所学(中间件等&#xff09;–动态提醒功能&#xff08;RocketMQ&#xff09; 订阅发布模式与观察者模式 RocketMQ&#xff1a;纯java编写的开源消息中间件 高性能低延迟分布式事务 Redis : 高性能缓存工具&#xff0c;数据存储在内存中&#xff0c;读写速度非常快 …

读算法的陷阱:超级平台、算法垄断与场景欺骗笔记05_共谋(中)

1. 默许共谋 1.1. 又称寡头价格协调&#xff08;Oligopolistic Price Coordination&#xff09;或有意识的平行行为&#xff08;Conscious Parallelism&#xff09; 1.1.1. 在条件允许的情况下&#xff0c;它会发生在市场集中度较高的行业当中 1.1.…

AI智能应用百科立即落地实操课

该课程旨在教授学员如何将AI智能应用于实际场景。通过深入的案例研究和实操练习&#xff0c;学员将学会应用机器学习、自然语言处理等技术&#xff0c;快速解决现实问题。课程强调实际操作&#xff0c;帮助学员快速运用AI技术解决工作中的挑战。 课程大小&#xff1a;3.3G 课…

(关键点检测)YOLOv8实现多类人体姿态估计的输出格式分析

&#xff08;关键点检测&#xff09;YOLOv8实现多类人体姿态估计的输出格式分析 任务分析 所使用的数据配置文件 网络结构 导出模型 用 netron 可视化 输出格式分析 参考链接 1. 任务分析 判断人体关键点时一并给出关键点所属的类别&#xff0c;比如男人&#xff0c;女…

Vue3 状态管理 - Pinia

Vue3 状态管理 - Pinia 1. 什么是Pinia Pinia 是 Vue 的专属的最新状态管理库 &#xff0c;是 Vuex 状态管理工具的替代品 2. 手动添加Pinia到Vue项目 后面在实际开发项目的时候&#xff0c;Pinia可以在项目创建时自动添加&#xff0c;现在我们初次学习&#xff0c;从零开…

EasyPoi 教程

文章目录 EasyPoi教程文档1. 前传1.1 前言 这个服务即将关闭,文档迁移到 http://www.wupaas.com/ 请大家访问最新网站1.2 Easypoi介绍1.3 使用1.4 测试项目1.5 可能存在的小坑 2. Excel 注解版2.1 Excel导入导出2.2 注解注解介绍ExcelTargetExcelEntityExcelCollectionExcelIgn…

[LeetCode][LCR151]彩灯装饰记录 III——队列

题目 LCR 151. 彩灯装饰记录 III 一棵圣诞树记作根节点为 root 的二叉树&#xff0c;节点值为该位置装饰彩灯的颜色编号。请按照如下规则记录彩灯装饰结果&#xff1a; 第一层按照从左到右的顺序记录除第一层外每一层的记录顺序均与上一层相反。即第一层为从左到右&#xff0c…

transformer--使用transformer构建语言模型

什么是语言模型? 以一个符合语言规律的序列为输入&#xff0c;模型将利用序列间关系等特征&#xff0c;输出一个在所有词汇上的概率分布.这样的模型称为语言模型. # 语言模型的训练语料一般来自于文章&#xff0c;对应的源文本和目标文本形如: src1"Ican do",tgt1…

KEIL 5.38的ARM-CM3/4 ARM汇编设计学习笔记10 - STM32的SDIO学习2

KEIL 5.38的ARM-CM3/4 ARM汇编设计学习笔记10 - STM32的SDIO学习2 一、问题回顾二、本次的任务三、 需要注意的问题3.1 Card Identification Mode时的时钟频率3.2 CMD0指令的疑似问题3.3 发送带参数的ACMD41时要注意时间时序和时效3.4 CPSM的指令发送问题3.5 调试过程中的SD卡的…

分布式解决方案

目录 1. 分布式ID1-1. 传统方案1-2. 分布式ID特点1-3. 实现方案1-4. 开源组件 1. 分布式ID 1-1. 传统方案 时间戳UUID 1-2. 分布式ID特点 全局唯一高并发高可用 1-3. 实现方案 方案总结&#xff1a; 号段模式 有两台服务器&#xff0c;给第一台服务器分配0-100&#xff0…

嵌入式Linux串口和 poll() 函数的使用

一、poll() 函数的介绍 poll() 函数用于监控多个文件描述符的变化的函数。它可以用来检查一个或多个文件描述符的状态是否改变&#xff0c;比如是否可读、可写或有错误发生。它常用于处理 I/O 多路复用&#xff0c;这在需要同时处理多个网络连接或文件操作时非常有用。 头文件…

Linux高级IO之select

(&#xff61;&#xff65;∀&#xff65;)&#xff89;&#xff9e;嗨&#xff01;你好这里是ky233的主页&#xff1a;这里是ky233的主页&#xff0c;欢迎光临~https://blog.csdn.net/ky233?typeblog 点个关注不迷路⌯▾⌯ 目录 一、五种IO模型 1.IO效率的问题 2.阻塞IO是…

蓝桥杯C/C++实用知识总结

蓝桥杯C/C 文章目录 蓝桥杯C/C头文件实用函数及运算符求幂次移位运算符STL排序sort()函数依次读取数据STL全排列函数next_permutation()求数组最大/最小值初始化函数memset()GCD(最大公约数)和LCM&#xff08;最小公倍数&#xff09;C字符串函数 实用数据结构模板vector链表lis…

未来城市:探索数字孪生在智慧城市中的实际应用与价值

目录 一、引言 二、数字孪生与智慧城市的融合 三、数字孪生在智慧城市中的实际应用 1、智慧交通管理 2、智慧能源管理 3、智慧建筑管理 4、智慧城市管理 四、数字孪生在智慧城市中的价值 五、挑战与展望 六、结论 一、引言 随着科技的飞速发展&#xff0c;智慧城市已…

鸿蒙OpenHarmony HDF 驱动开发

目录 序一、概述二、HDF驱动框架三、驱动程序四、驱动配置坚持就有收获 序 最近忙于适配OpenHarmonyOS LiteOS-M 平台&#xff0c;已经成功实践适配平台GD32F407、STM32F407、STM32G474板卡&#xff0c;LiteOS适配已经算是有实际经验了。 但是&#xff0c;鸿蒙代码学习进度慢下…

超网、IP 聚合、IP 汇总分别是什么?三者有啥区别和联系?

一、超网 超网&#xff08;Supernet&#xff09;是一种网络地址聚合技术&#xff0c;它可以将多个连续的网络地址合并成一个更大的网络地址&#xff0c;从而减少路由表的数量和大小。超网技术可以将多个相邻的网络地址归并成一个更大的网络地址&#xff0c;这个更大的网络地址…

Lesson 6 Convolutional Neural Network(CNN)

听课&#xff08;李宏毅老师的&#xff09;笔记&#xff0c;方便梳理框架&#xff0c;以作复习之用。本节课主要讲了CNN的适用范围&#xff0c;整体架构与工作流程&#xff0c;CNN的应用&#xff0c;CNN的缺点以及解决方法。 1. CNN的输入与输出 CNN是专门为了图像而设计的一…