【AI绘画】Midjourney前置指令/describe、/shorten详解


文章目录

  • 💯前言
  • 💯Midjourney前置指令/describe
    • 使用方法
    • 1️⃣2️⃣3️⃣4️⃣(选择对应提示词生成图片)
    • 🔄(重新识别生成提示词)
    • 🎉Imagine all(一次性生成所有)
    • 注意
  • 💯Midjourney前置指令/shorten
    • 适用场景
    • 使用方法
    • 1️⃣2️⃣3️⃣4️⃣5️⃣(选择对应成品提示词生成图片)
    • Show Details(分析成品提示词权重)
    • 注意
  • 💯小结


在这里插入图片描述


💯前言

  • 之前我们已经在【AI绘画】Midjourney前置指令/settings设置详解、【AI绘画】Midjourney前置/imagine与单图指令详解、【AI绘画】Midjourney前置指令/blend、/info、/subscribe详解中深入学习了/settings、/imagin、/blend、/info、/subscribe这些前置指令的应用,为我们在使用Midjourney时提供了丰富的功能和灵活的操作方式。
  • 接下来,我们将继续深入探讨Midjourney中的其他前置指令,包括/describe和/shorten。这些指令在生成图像和优化输出时同样具有重要作用,通过学习这两个前置指令,我们也可以很好的提升Midjourney提示词的书写水平。
  • Midjourney官方使用手册
    在这里插入图片描述

💯Midjourney前置指令/describe

上传一张图片,Midjourney根据图片生成提示词

  • 在使用AI绘画的过程中,许多人都会遇到这样的情况:你偶然发现一张非常吸引人的图片,明确知道它是通过AI生成的,却无从得知具体的提示词,即使尝试自己编写提示词进行复刻,最终的效果也总是差强人意。那么,有没有一种方法可以帮助我们解析出这张图片背后可能使用的提示词呢?
    在这里插入图片描述

  • 这就是Midjourney的/describe指令所能帮助实现的。/describe的功能是通过上传一张图片或图片链接,让Midjourney根据图像的内容来生成可能的提示词。它可以帮助我们推测出这张图片在生成时大概使用了哪些提示词,从而为我们提供一个更接近原作效果的提示词基础。
    在这里插入图片描述

使用方法

  • 当你选择使用/describe指令后,系统会提示你上传一张图片或提供一个图像链接。
    在这里插入图片描述
    在这里插入图片描述
  • 上传图片后,Midjourney会自动对图像的提示词进行分析和推测,并给出四组可能的提示词。这些提示词每一组都对图像的特征进行了不同角度的描述。
    在这里插入图片描述

1️⃣2️⃣3️⃣4️⃣(选择对应提示词生成图片)

  • 这时你可能会选择将这些提示词复制下来,然后再手动输入到Midjourney进行图像生成。但其实,你完全不需要这么做,因为Midjourney在这些提示词的下方提供了一排按钮 1️⃣2️⃣3️⃣4️⃣,你可以直接点击这些按钮来生成对应提示词的图像。
    在这里插入图片描述

  • 当你点击对应的按钮后,系统会直接将你带入到/imagine提示词编辑界面。在这个界面中,你会看到上面系统推测出的提示词已经自动填入。你可以在这里对提示词进行进一步的编辑和调整
    在这里插入图片描述
    在这里插入图片描述


🔄(重新识别生成提示词)

  • 如果你希望找到另一套更接近你期望效果的提示词,Midjourney提供了一个简单的方法。你只需点击“🔄”按钮,系统就会重新为你生成四组不同的提示词。每次点击刷新,Midjourney都会根据上传的图片,生成一组全新的提示词,这样你可以在不同的提示词中选择最适合的一组。
    在这里插入图片描述
    在这里插入图片描述

🎉Imagine all(一次性生成所有)

如果你觉得逐一点击每个提示词来生成图像比较麻烦,可以直接点击“Imagine all”按钮。系统将会自动生成四组提示词对应的四幅图像,可以一次性查看所有结果。
在这里插入图片描述


注意

Midjourney对生成图片的提示词进行猜测,不能用于准确复刻上传的图像

  • Midjourney对图片的提示词生成只是基于图像特征的推测,并不能用于准确复刻上传的图片。即使你将Midjourney生成的图像重新上传并使用/describe指令生成提示词,它依然无法完全还原原始图像所使用的提示词。
    在这里插入图片描述
  • 这时候我们可以将Midjourney的/describe生成的提示词加上/imagine垫图功能,一起搭配使用,生成效果更佳!如下图所示,生成的图片效果比直接使用Midjourney生成的提示词要好。
    在这里插入图片描述在这里插入图片描述

Midjourney会返回图片的比例

  • Midjourney在/describe下生成提示词时,不仅会描述图像的内容,还会包含图像的比例信息。例如,我们这个图像生成的提示词分辨率是19:32。通常情况下,上传的图片所返回的比例往往是一些不规则的数值,可能并不符合我们实际需求的标准比例,我们可能要在这个基础上根据自己的实际需求进行一个调整。
    在这里插入图片描述

💯Midjourney前置指令/shorten

该命令会分析您的提示词,突出显示最有影响力的单词,并建议您可以删除的不必要的单词。使用此命令,您可以优化提示。

  • /shorten 指令的中文意思是“缩短”。这个命令的作用是帮助你分析现有的提示词,并突出显示其中对画面影响最大的部分。它会建议你哪些提示词可以删掉,从而优化整个提示词的长度和效果。通过使用/shorten,你可以简化和精炼你的提示词,使生成的图像更加精准,同时避免不必要的冗长描述。在这里插入图片描述

适用场景

  • 这个适用于什么情况呢?这个和我们的GPT生成提示词配合使用效果比较好。比如说现在我们给GPT自动写提示词的命令,让它去写一个奢侈品香水静物图,水波环绕的效果。我们不考虑之前学过的提示词结构,直接把这个提示词拿过来用生成图片,可以看到我们生成的香水图片还是蛮有质感的。
现在你是一名基于输入描述的提示词生成器,你会将我输入的自然语言想象为完整的画面生成提示词。请注意,你生成后的内容服务于一个绘画AI,它只能理解具象的提示词而非抽象的概念。我将提供简短的中文描述,生成器需要为我提供准确的提示词,必要时优化和重组以提供更准确的内容,也只输出翻译后的英文内容。
请模仿示例的结构生成完美的提示词。
示例输入:“一个坐在路边的办公室女职员”
示例输出:1 girl, office lady, solo, 16yo,beautiful detailed eyes, light blush, black hair, long hair, mole under eye, nose blush , looking at viewer, suits, white shirt, striped miniskirt, lace black pantyhose, black heels, LV bags, 
thighhighs,sitting, street, shop border, akihabara , tokyo, tree, rain, cloudy, beautifully detailed background, depth of field, loli, realistic, ambient light, cinematic composition, neon lights, HDR, Accent Lighting, pantyshot, fish eye lens.
请仔细阅读我的要求,并严格按照规则生成提示词,如果你明白了,请回复"我准备好了",当我输入中文内容后,请生成我需要的英文内容。注意,英文连着写,不要标序号。
  • 在这里插入图片描述在这里插入图片描述

  • 但是这个时候我们可能都会遇到一个令人困扰的问题:GPT往往会生成出一长串提示词,你想在此基础上进行修改,但你却不知道如何有效地修改它们。即使按照我们之前介绍的提示词结构进行了排序和调整,你还是不确定哪些提示词对画面有影响,哪些提示词是必须保留的。这时候,就需要用到/shorten功能了。这个功能可以帮助你识别提示词中的重要部分,指出哪些词语对图像生成有关键影响,同时提供提示词修改的建议,从而让你更轻松地优化生成结果。
    在这里插入图片描述


使用方法

  • 当我们使用/shorten并填入需要系统给我们分析的提示词后会出现如下界面,它在这里就给了你一系列的提示词的分析,以及缩短提示词的建议。
    在这里插入图片描述
  • 在/shorten的这个界面中,系统会用加粗的字符标注出那些在画面中占有重要位置的提示词。对于那些对画面影响较小或无关紧要的提示词,系统会用一条横线将其划掉。这样子我们就知道影响图片生成的提示词中哪些是找重要的哪些是可有可无的,我们就可以在此基础上进行修改。
    在这里插入图片描述

1️⃣2️⃣3️⃣4️⃣5️⃣(选择对应成品提示词生成图片)

  • 除了它在上面给了你关于提示词的建议之外,下方还提供几组优化后的成品提示词。这些选项是系统根据你的原始提示词自动精简和调整的,你可以直接点击下方的1到5按钮来生成对应的图片。
    在这里插入图片描述

  • 通常情况下,前几组提示词会尽可能保留原图的主要元素,确保生成的图片与原始效果差异不大。然而,当你使用后面的提示词(比如第3、第4或第5组)时,由于删除了大量的词汇,虽然画面仍然可能保留部分元素,但整体效果可能会发生显著变化。简而言之,提示词删减得越多,最终生成的图像与原图的差异可能就越大。
    在这里插入图片描述


Show Details(分析成品提示词权重)

查看Midjourney提示词中影响画面元素的内容,是否有不重要的提示词污染了画面

  • 虽然/shorten帮助我们简化了提示词,但我们可能仍然不清楚这些现成的提示词中哪些词汇的权重更大。点击“Show Details”后,你可以看到“Important tokens”界面,系统会标出每个词汇的权重(这个权重表示类似于我们css里面选择器的权重表示方式),告诉你哪些提示词在画面中发挥了更大的作用。
    在这里插入图片描述

  • 比如说这个ripples涟漪和water水,这个 perfume 香水占的比重特别的大,所以这个画面的主体就会更加体现香水的水波环绕效果。后面像renderin渲染,minimalistic简约的,它们占的比重也很大。
    在这里插入图片描述

  • 但是越往后看,我们发现这里有很多的词儿,它的比例甚至是零,这就意味着这些提示词由AI生成的,在Midjourney根本就没有效果。所以当你去修改我们之前生成的这个图片的时候,你就要知道,原来在我Midjourney生成图片的时候这些提示词是不重要的,完全可以把它删掉。这可以帮助你对提示词进行了优化和缩短。在这里插入图片描述

  • 这个Show Details最重要的功能就帮助我们展现了Midjourney认为的词语重要性。我们通过这种方式不仅可以优化提示词,我还可以学习Midjourney究竟哪些哪些提示词究竟有作用?在我们的图片中究竟哪些提示词发挥作用?那下次我们就知道怎么写提示词能够让它生成效果更好一些。
    在这里插入图片描述

注意

  • 要特别注意的是 /shorten生成的提示词不会带有负向提示词与权重
    在这里插入图片描述

💯小结

  • 在这里插入图片描述
    本文中我们学习了Midjourney前置指令中的/describe和/shorten。/describe主要用于让系统分析我们看到的图片并生成预期的提示词,而/shorten则用于帮助我们优化和简化提示词,突出关键部分,删除不必要的内容。

  • 总的来说,通过/describe和/shorten,我们不仅可以生成高质量的图像,还能深入理解AI如何解析和使用提示词。

  • 展望未来,AI绘画不仅仅是技术进步的体现,更是人类创造力与机器智能的共舞。在这个过程中,我们不仅在学习如何使用AI,更是在探索一种新的表达语言,一种可以打破传统艺术界限的语言。AI绘画将促使我们重新定义艺术创作的边界,推动整个创意产业迈向一个更加多元、更加包容的新时代。

  • 在这个人工智能高速发展的时代,AI不仅是工具,更是人类创意的合作伙伴,它将与我们一起开创一个充满灵感与创新的未来,让艺术与科技在无限的天地中共同绽放。


public class Main {  public static void main(String[] args) {  System.out.println(“愿你所到之处皆为热土,愿你所遇之人皆为挚友;愿你余生不负忧,自在如风常欢笑。”);  }  
}

在这里插入图片描述


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:http://www.rhkb.cn/news/412745.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

BERT:Pre-training of Deep Bidirectional Transformers forLanguage Understanding

个人觉着BERT是一篇读起来很爽的论文 摘要 我们引入了一种新的语言表示模型BERT,它代表Bidirectional Encoder Representations from Transformers。与最近的语言表示模型不同(Peters et al., 2018a;Radford et al., 2018), BER…

Prometheus+Grafana的安装和入门

概念 什么是Prometheus? Prometheus受启发于Google的Brogmon监控系统(相似kubernetes是从Brog系统演变而来), 从2012年开始由google工程师Soundclouds使用Go语言开发的开源监控报警系统和时序列数据库(TSDB)。,并且与2015年早起…

使用LinkedHashMap实现固定大小的LRU缓存

使用LinkedHashMap实现固定大小的LRU缓存 1. 什么是LRU? LRU是"Least Recently Used"的缩写,意为"最近最少使用"。LRU缓存是一种常用的缓存淘汰算法,它的核心思想是:当缓存满时,优先淘汰最近最少…

18959 二叉树的之字形遍历

### 思路 1. **输入读取**: - 读取输入字符串,表示完全二叉树的顺序存储结构。 2. **构建二叉树**: - 使用队列构建二叉树,按层次顺序插入节点。 3. **之字形层序遍历**: - 使用双端队列进行层序遍历&…

【开端】基于nginx部署的具有网关的web日志分析

一、绪论 基于nginx部署的具有网关的web日志分析,我们可以分析的日志有nginx的access.log ,网关的日志和应用的日志 二、日志分析 1、nginx日志 参数 说明 示例 $remote_addr 客户端地址 172.17.0.1 $remote_user 客户端用户名称 -- $time_lo…

简化WPF开发:CommunityToolkit.Mvvm在MVVM架构中的实践与优势

文章目录 前言一、CommunityToolkit.Mvvm1.特点2.优点3.缺点 二、WPF项目应用1.引入到 WPF 项目2.使用示例 总结 前言 CommunityToolkit.Mvvm 是 Microsoft 提供的一个社区工具包,专为 MVVM(Model-View-ViewModel)模式设计,旨在帮…

RabbitMQ练习(Topics)

1、RabbitMQ教程 《RabbitMQ Tutorials》https://www.rabbitmq.com/tutorials 2、环境准备 参考:《RabbitMQ练习(Hello World)》和《RabbitMQ练习(Work Queues)》。 确保RabbitMQ、Sender、Receiver、Receiver2容器…

“重启就能解决一切问题”,iPhone重启方法大揭秘

随着iPhone不断更新换代,其设计与操作方式也在不断进化。从最初的实体Home键到如今的全面屏设计,iPhone的操作逻辑也随之发生了改变。 对于那些习惯了传统安卓手机操作的用户来说,iPhone的重启方式可能会显得有些不同寻常。下面我们就来一起…

SQL血缘解析

Druid 作为使用率特别高的的数据库连接池工具,在具备完善的连接池管理功能外,同时Druid 的 SQL解析功能可以用来防止 SQL注入等安全风险。通过对 SQL 语句进行解析和检查,Druid 可以识别并阻止潜在的恶意 SQL 语句执行,黑名单(阻止特定的 SQL 语句执行)、白名单(仅允许特…

★ 算法OJ题 ★ 力扣11 - 盛水最多的容器

Ciallo&#xff5e;(∠・ω< )⌒☆ ~ 今天&#xff0c;我将和大家一起做一道双指针算法题--盛水最多的容器~ 目录 一 题目 二 算法解析 三 编写算法 一 题目 11. 盛最多水的容器 - 力扣&#xff08;LeetCode&#xff09; 二 算法解析 解法1&#xff1a;暴力枚举 …

文本数据分析-(TF-IDF)(1)

文章目录 一、TF-IDF简介1.意义2.TF与IDF1).TF&#xff08;Term Frequency&#xff09;2).IDF&#xff08;Inverse Document Frequency&#xff09;3).TF-IDF 二、应用三、代码实现1.文件读取2.数据预处理3.排序和输出4.全部代码 一、TF-IDF简介 1.意义 TF-IDF&#xff08;Te…

28 TreeView组件

Tkinter ttk.Treeview 组件使用指南 ttk.Treeview 是 Tkinter 的一个高级控件&#xff0c;用于显示和管理层次化数据。它类似于电子表格或列表视图&#xff0c;但提供了更丰富的功能&#xff0c;如可展开的节点、多列显示等。ttk 模块是 Tkinter 的一个扩展&#xff0c;提供了…

Golang | Leetcode Golang题解之第382题链表随机节点

题目&#xff1a; 题解&#xff1a; type Solution struct {head *ListNode }func Constructor(head *ListNode) Solution {return Solution{head} }func (s *Solution) GetRandom() (ans int) {for node, i : s.head, 1; node ! nil; node node.Next {if rand.Intn(i) 0 { …

《机器学习》数据分析之关键词提取、TF-IDF、项目实现 <下>

目录 一、内容回顾 1、核心算法 2、算法公式 3、拆分文本 二、再次操作 1、取出每一卷的地址和内容 得到下列结果&#xff1a;&#xff08;此为DF类型&#xff09; 2、对每一篇文章进行分词 3、计算TF-IDF值 得到以下数据&#xff1a; 三、总结 1、关键词提取 1&a…

数据挖掘之分类算法

分类算法是数据挖掘中常用的一类算法&#xff0c;其主要任务是根据已知的训练数据&#xff08;即带有标签的数据&#xff09;构建模型&#xff0c;然后利用该模型对新的数据进行分类。分类算法广泛应用于金融、医疗、市场营销等领域&#xff0c;用于预测、决策支持等任务。以下…

STM32G474采用“多个单通道ADC转换”读取3个ADC引脚的电压

STM32G474采用“多个单通道ADC转换”读取3个ADC引脚的电压&#xff1a;PC0、PA1和PA2。本测试将ADC1_IN6映射到PC0引脚&#xff0c;ADC12_IN2映射到PA1引脚&#xff0c;ADC1_IN3映射到PA2引脚。 1、ADC输入 ADC输入电压范围&#xff1a;Vref– ≤ VIN ≤ Vref ADC支持“单端输入…

Java 集合Collection(List、Set)Map

集合的理解和优点 1)可以动态保存任意多个对象&#xff0c;使用比较方便!2)提供了一系列方便的操作对象的方法: add、remove、 set、 get等3)使用集合添加,删除新元素的示意代码- Java集合的分类 Java的集合类很多&#xff0c;主要分为两大类&#xff0c;如图&#xff1a; 1…

iPhone备忘录不小心删除了怎么办?

在日常使用iPhone的过程中&#xff0c;备忘录作为我们记录重要信息、灵感闪现和日常琐事的小帮手&#xff0c;其重要性不言而喻。然而&#xff0c;有时候因为操作失误或是不小心点击&#xff0c;我们可能会将珍贵的备忘录内容删除&#xff0c;这无疑会让人感到焦虑与不安。但请…

深入垃圾回收:理解GC的核心算法与实现

垃圾回收&#xff08;Garbage Collection&#xff0c;GC&#xff09;是现代编程语言中一项关键技术。它不仅解决了内存管理中的诸多问题&#xff0c;还为开发者提供了一个更高效、更安全的编程环境。本文将深入探讨GC的起源、主要算法以及这些算法在不同编程语言中的具体实现。…

考试:计算机网络(01)

网络功能和分类 计算机网络是计算机技术与通信技术相结合的产物&#xff0c;它实现了远程通信、远程信息处理和资源共享。 计算机网络的功能&#xff1a;数据通信、资源共享、管理集中化、实现分布式处理、负载均衡。 网络性能指标&#xff1a;速率、带宽(频带宽度或传送线路…