Midjourney 使用总结

1.关键词提问

中国古典女性,东方美女极致面容站在运河码头遥望丈夫,史诗奇幻场景风格,深绿浅棕,细节风帆,柔焦,人像隐喻,4K,电影级高品质照片,全景图, 焦距 110mm 光圈 f3.5,画面比例16:9、全景构图

 

 这个可以把图变成二次元

2.参数用法

--q 2

--ar 16:9

用midjourney把草稿图1:1 生成图

3.生成真人照片

Midjourney 生成逼真人像的5个技巧 - 云瑞设计

 

使用这些关键词

你也可以尝试在你的提示中加入这些词,以实现逼真的AI生成的照片:

照明: 工作室照明、电影照明、光线追踪、环境照明风格: 逼真的,现实的,摄影的,电影场景的特征: 微笑、皱眉、刺眼、尖锐的下颚线、明确的特征、脸部形状(即心形)物体: 手臂,腿,手时尚:高级时装,街头服饰,城市主义者,赛博朋克真实环境: 纽约市,东京,伦敦其他: 单反相机,4k,Instagram,由史蒂文-斯皮尔伯格导演,模特要具体一点这个提示是对前一个提示的补充。

请确保包括这些特征

你知道Midjourney有一个设置选项吗?

如果你有一个付费计划,你可以在discord聊天中输入/settings。一旦你这样做,你的屏幕上就会出现一个不同按钮的列表。

我的 Midjourney 设置

把质量从基本的改为高,这样你可以得到更好的图像生成,同时,确保你切换到第五版。

切换到更高的质量会增加你使用的GPU小时数,所以如果你的计划比较有限,你会更快地耗尽世代。

要想全面深入地了解提示Midjourney,请阅读关于提示工程的所有内容: 掌握人工智能提示的图解指南:MidJourney, DALL-E, NightCafe, Deep Dream Generator, 和更多。

回顾总结

做好这5件事,用Midjourney生成逼真的肖像画:

  1. 从真实人物的图片中实现创意,如面部特征。
  2. 在已存在的图片基础上生成一个新的图片。
  3. 使用关键词
  4. 不要泛泛而谈;准确描述你想要的脸或人。不要说英俊,但要描述面部特征。
  5. 把你的设置提高到高质量。

 

double exposure(双重曝光)

人物与背景融合

cinematic lighting(电影照明)

让图像具备电影及灯光效果

dark moody lighting(照明特效)

在黑暗中照人脸效果好

fairy light(童话灯光)

加魔法森林这种效果可以

holography(全息摄影)

ASCII art

patchwork collage portrait of xxxx(拼接艺术)

Op art portrait(错觉艺术)

synthwave(怀旧风格)

watercolor sketch(水彩风格)

plasticine(橡皮泥风格)

xxxxx inspired(引用电影)

anthropomorphize xxx(拟人化)

cloisonnism style(景泰蓝)

fairy Kei fashion(仙女系)

  1. 油画风格:使用油画笔触和色彩来模拟油画的效果,通常会呈现出厚重的笔触和浓郁的色彩。

  2. 漫画风格:以卡通形象和夸张的表情为主要特点,通常使用清晰的线条和鲜艳的色彩。

  3. 水彩风格:使用水彩画笔触和色彩来模拟水彩画的效果,通常会呈现出柔和、透明的效果。

  4. 素描风格:以黑白灰色调为主,使用明暗对比来表现立体感,通常会呈现出精细的线条和阴影。

  5. 手绘风格:模拟手绘的效果,通常会呈现出不规则的笔触和手绘纹理,比较逼真自然。

  6. 卡通风格:以简洁、夸张的线条和色彩为主要特点,呈现出卡通形象的效果。

  7. 沙画风格:使用沙子、颜料等材料来制作绘画,通常会呈现出独特的纹理和形状,具有一定的立体感。

  8. 数字艺术风格:使用计算机软件和数字工具来制作艺术作品,通常会呈现出独特的视觉效果和交互体验。

  9. 手绘风格:模拟手绘的效果,通常会呈现出不规则的笔触和手绘纹理,比较逼真自然。

  10. 卡通风格:以简洁、夸张的线条和色彩为主要特点,呈现出卡通形象的效果。

  11. 故事书风格:通常用于儿童图书插画,以鲜艳的色彩和简单的线条呈现故事情节和角色形象。

  12. 经典风格:受欧洲绘画传统的影响,以精细的线条和明暗对比呈现出优美的艺术效果。

  13. 扁平化风格:以简洁、扁平的设计元素和颜色为主要特点,常用于品牌和商业插画设计。

  14. 后现代风格:通过大胆的颜色和形状组合,创造出独特的视觉效果和情感表达。

  15. 水彩风格:使用水彩画笔触和色彩来模拟水彩画的效果,通常会呈现出柔和、透明的效果。

  16. 3D风格:使用三维建模技术和软件来制作插画,通常会呈现出立体的效果和视觉体验。

  17. 日系风格:通常以明亮、鲜艳的色彩和夸张的表情为主要特点,常用于日本的动漫和游戏作品。

  18. 欧美风格:以精致、逼真的画面和细腻的线条为主要特点,常用于欧美的动画和游戏作品。

  19. 水彩风格:使用水彩画笔触和色彩来模拟水彩画的效果,通常会呈现出柔和、透明的效果。

  20. 手绘风格:模拟手绘的效果,通常会呈现出不规则的笔触和手绘纹理,比较逼真自然。

  21. 3D风格:使用三维建模技术和软件来制作动画,通常会呈现出立体的效果和视觉体验。

以下是一些全球知名的插画绘画大师及其画风特点的总结:

  1. Norman Rockwell:以精致、逼真的画面和细腻的线条为主要特点,以美国文化为主题。

  2. Vincent van Gogh:以鲜艳、夸张的色彩和明显的笔触为主要特点,表现强烈的情感。

  3. Salvador Dali:以超现实主义风格为主要特点,画面充满幻想和梦境元素。

  4. Gustav Klimt:以金色装饰和抽象形式为主要特点,创造出独特的艺术效果。

  5. Hokusai:以日本传统文化和绘画技法为主要特点,常用于浮世绘和山水画。

  6. Pablo Picasso:以多样化的绘画风格和立体感为主要特点,常用于抽象和立体主义的风格。

  7. Edward Hopper:以现实主义风格和灰暗色调为主要特点,表现城市生活的寂寞和孤独感。

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/7471.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

突破市场壁垒:如何利用关键词采集和市场调查找到你的细分市场?

在市场竞争日益激烈的今天,寻找一个适合自己的细分市场成为了每个企业和创业者的必要之举。然而,许多人在寻找细分市场时陷入了困境,不知道如何找到一个符合自己产品的市场,因此,在这种情况下,利用关键词采…

UVM response_handler和get_response机制

很多UVM用户平时更多的使用get_response()方式去获得uvm_driver的response,但get_response有些缺点:由于 get_response() 是一种阻塞方法,它会阻塞直到收到来自 UVM 驱动程序 (put_response()) 的响应。因此,如果我们使用 get_res…

CleanMyMac X4.20最新mac电脑优化工具好用吗?

如果你的Mac运行速度变慢,很有可能是因为RAM内存被过度占用了。本文将向Mac用户,尤其是小白用户归纳一些常见的Mac内存清理方法。通过释放RAM内存,你将会看到自己Mac的运行速度有显著提升。 你的Mac运行速度是否变得慢到让人抓狂?…

项目下载中心-超简单版解决方案

简单的下载中心的设计流程 直接上设计流程: 以上就是步骤了,至于每个步骤怎么实现,那方法就很多了 ,随意,达到目的就行。 至于各种问题,比如队列性能,消息重复或丢失,等等&#…

130亿参数,8个A100训练,UC伯克利发布对话模型Koala

平替再平替,可以在消费级 GPU 上运行的 Koala 模型能实现 ChatGPT 一半的性能。 自从 Meta 发布并开源了 LLaMA 系列模型,来自斯坦福大学、UC 伯克利等机构的研究者们纷纷在 LLaMA 的基础上进行「二创」,先后推出了 Alpaca、Vicuna 等多个「…

Solon v2.2.7 发布,支持 Java 20

Solon 是一个高效的 Java 应用开发框架:更快、更小、更简单。也是一个有自己接口标准规范的开放生态。 150来个生态插件,覆盖各种不同的应用开发场景: 相对于 Spring Boot 和 Spring Cloud 的项目: 启动快 5 ~ 10 倍…

【无功优化】基于改进遗传算法的电力系统无功优化研究【IEEE30节点】(Matlab代码实现)

💥💥💞💞欢迎来到本博客❤️❤️💥💥 🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️座右铭&a…

4.5--计算机网络之基础篇--1.模型分层--(复习+深入)---好好沉淀,加油呀

1.TCP/IP模型的分层 1.1.为什么要有 TCP/IP 网络模型? 对于同一台设备上的进程间通信,有很多种方式,比如有管道、消息队列、共享内存、信号等方式; 而对于不同设备上的进程间通信,就需要网络通信,而设备是…

2021蓝桥杯真题大写 C语言/C++

题目描述 给定一个只包含大写字母和小写字母的字符串,请将其中所有的小写字母转换成大写字母后将字符串输出。 输入描述 输入一行包含一个字符串。 输出描述 输出转换成大写后的字符串。 输入输出样例 示例 输入 LanQiao 输出 LANQIAO 评测用例规模与约定 对于…

python 生成器、迭代器、动态新增属性及方法

目录 一、生成器 1、生成器定义 2、生成器存在的意义 3、创建生成器方式一(生成器表达式) 4. 创建生成器方式二(生成器函数) 1. 生成器函数 2. 生成器函数的工作原理 5. 总结 1. 什么是生成器 2. 生成器特点 二、迭代器…

365天深度学习训练营-第J8周:Inception v1算法实战与解析

目录 一、前言 二、论文解读 1. Inception 模块 2. 网络深度问题 3. 全局平均池化 4. 卷积层的并行结构 5. 1x1 卷积核 6.详细的网络结构 三、代码复现 一、前言 🍨 本文为🔗365天深度学习训练营 中的学习记录博客🍖 原作者&#x…

微服务+springcloud+springcloud alibaba学习笔记【Eureka服务注册中心】(3/9)

Eureka服务注册中心 3/91、服务注册与发现1.1 什么是服务治理:1.2 什么是服务注册与发现:1.3 Eureka服务注册与发现2、单机版eureka2.1 创建module2.2改pom依赖2.3写yml配置文件:2.4主启动类2.5 修改服务提供者 cloud-provider-payment8001 模块&#xf…

Github库中的Languages显示与修改

目录 前言 【.gitattributes】文件 修改GitHub语言 前言 上传一个项目到GitHub时,发现显示的语言并非是自己项目所示的语言,这样的情况是经常发生的,为了能到达自己所需快速检索,或者是外部访问者能很好的搜索我们的项目&#…

Sentinel滑动时间窗限流算法原理及源码解析(中)

文章目录 MetricBucketMetricEvent数据统计的维度WindowWrap样本窗口实例 范型T为MetricBucket windowLengthInMs 样本窗口长度 windowStart 样本窗口的起始时间戳 value 当前样本窗口的统计数据 其类型为MetricBucket MetricBucket MetricEvent数据统计的维度 1、首先计算27t位…

【花雕学AI】09:发挥ChatGPT最大潜力——产生高质量内容的九种方法和建议

人工智能(AI)是当今科技领域最热门和最有前景的话题之一,它已经渗透到了我们生活和工作的方方面面,给我们带来了许多便利和惊喜。而在AI的众多分支中,自然语言处理(NLP)是最贴近人类的一个领域&…

6-python异常、错误、模块、包

文章目录1.异常2.错误3.模块4.包[综合练习]1.异常 打开一个不存在的文件会引发异常 FileNotFoundError: [Errno 2] No such file or directory: ‘D:/不存在的文件.txt’ fopen(file"D:/不存在的文件.txt",mode"r", encodingutf-8) print(f.read())&…

springboot-gateway注册nacos失败,控制台没有报错

目录 前言现象描述前言 最近springboot的gateway注册到nacos上,没有注册成功 现象描述 我是在common里面引入了nacos的依赖,依赖如下: <dependency><groupId>com.alibaba.cloud</groupId><artifactId>spring-cloud-starter-alibaba-nacos-confi…

文件的随机读写

fseek fseek这个函数的作用是什么&#xff1f; 我们知道&#xff0c;如果对一个文件指针进行加减操作的话&#xff0c;这个文件指针会指向下一个文件&#xff0c;那么问题来了&#xff0c;我们如果想访问这个文件中的某一个内容&#xff0c;这个时候该怎么办呢&#xff0c;我们…

基于支持向量机SVM的脑部肿瘤识别,脑电波样本熵提取

目录 支持向量机SVM的详细原理 SVM的定义 SVM理论 Libsvm工具箱详解 简介 参数说明 易错及常见问题 SVM应用实例,基于SVM的的脑部肿瘤识别分类预测 代码 结果分析 展望 支持向量机SVM的详细原理 SVM的定义 支持向量机(support vector machines, SVM)是一种二分类模型,它…

下一代的新操作系统就是ChatGPT!

什么是CHatgpt&#xff1f; ChatGPT是人工智能研究实验室OpenAI在2022年11月30日推出的聊天机器人模型&#xff0c;它使用Transformer神经网络架构&#xff0c;训练数据来自包括维基百科&#xff0c;以及真实对话在内的庞大语料库。2023年1月30日消息称&#xff0c;中国搜索巨…