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:
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。
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:
- 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"。
- 语言大模型把它改写成一条结构化的、适合出图的提示词。
- 扩散模型一次出 4 张候选图。
- 用 CLIP 给每张图和原始意图的匹配度打分,挑最好的那张。
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。