【AI绘画】Midjourney进阶：留白构图详解

在这里插入图片描述

博客主页： [小ᶻZ࿆] 本文专栏: AI绘画 | Midjourney

文章目录

💯前言
💯什么是构图
- 为什么Midjourney要使用构图
💯留白构图
- 特点
- 使用场景
- 提示词书写技巧
- 测试
💯小结

在这里插入图片描述

💯前言

【AI绘画】Midjourney进阶：对称构图详解 https://blog.csdn.net/2201_75539691?type=blog

【AI绘画】Midjourney进阶：三分线构图详解 https://blog.csdn.net/2201_75539691?type=blog

【AI绘画】Midjourney进阶：中心点构图详解 https://blog.csdn.net/2201_75539691?type=blog

在之前的文章中，我们深入探讨了构图在 Midjourney 中的核心作用。通过对称、三分线和中心点构图，我们理解了如何利用视觉平衡、比例和位置，使画面更具表现力。今天，我们将迈入一个新的层次——留白构图。作为一种以简洁和精炼为特点的构图方式，留白构图不仅通过空白区域突出主体，还为观众提供了无限的想象空间。大量的留白让画面更清晰、更引人注目，同时减少多余的元素，使作品更加易于理解。接下来，让我们探索如何在 Midjourney 中运用这一技巧，创造富有深度和视觉张力的画面。
Midjourney官方使用手册

💯什么是构图

构图是摄影、绘画、设计等视觉艺术中的一个基本概念。它指的是艺术家如何在二维平面上安排元素，包括形状、线条、色彩、质地、空间等，以达到一定的视觉效果和艺术表达。

为什么Midjourney要使用构图

简单来说，Midjourney有构图词画面质量更高
构图的目标是引导观众的视线，突出主题，增加视觉吸引I力，以及传达艺术家的观点或情感。

在Midjourney中使用构图是非常重要的，有两个方向可以解释其必要性：非共性和共性。
- 从非共性的角度来看，在Midjourney中使用构图相关的提示词可以显著提升生成画面的质量。这是因为Midjourney的模型在训练时，不仅使用了图像，还结合了与这些图像相关的提示词。通常来说，这些图像来源于专业摄影或高质量渠道，具有较高的视觉标准。当模型学习了这些图片与提示词之间的关联后，用户在生成图像时如果使用了构图相关的提示词，系统会优先选择类似图库中的优质素材，从而生成更为精致的画面。因此，通过使用构图提示词，可以明显地提高生成图像的质量。
- 从共性的角度来说，构图本身就是一种极为有效的手段，可以用于引导观众的视线、突出画面的主题、增强视觉吸引力，并传递创作者的情感和观点。构图所带来的这些视觉上的提升效果，是不受具体工具限制的，无论是在摄影、绘画还是AI生成图像中都是通用的。因此，当在Midjourney中使用构图提示词时，画面的质量提升几乎是必然的结果。这些道理或许听起来有些抽象，但在实际操作和练习时，大家会切实地感受到构图带来的效果提升。

💯留白构图

留白构图，也被称为负空间构图或空白构图。它的核心思想是在画面中留出大量的空白，通过这些空白来突出画面的主体，给予观众更多的想象空间。

留白构图，也被称为负空间构图或空白构图，是一种通过空白区域突出画面主体的构图方式。它的核心思想是在画面中留出大量空白，以此将观众的注意力集中在主体上，同时为观者提供更广阔的想象空间。这种构图方式蕴含了深厚的禅意，能够以简洁的形式传达丰富的内涵，为作品增添一种静谧与沉思的氛围。

特点

突出主体
- 通过大量的空白区域，留白构图将观众的视线自然地引向主体，使其更加清晰和引人注目。空白的存在反衬出主体的独特性，强化了画面的视觉焦点。
提供想象空间
- 大面积的留白为观众提供了广阔的想象空间，使画面更具深度和趣味性。这种空间感赋予了作品一种可品味的层次，与传统国画中的美学理念相得益彰，鼓励观众在观看时进行更深层次的思考。
简洁明快
- 留白构图去除了多余的元素，使画面更加简洁、清晰。这种构图方式不仅让视觉呈现更为直观，还提升了画面的易读性，让观众可以轻松理解其意图。

使用场景

在人像图中：
- 通过使用留白构图，可以让人物的面部表情和身体语言更加突出，从而强化主体的表现力。
在静物摄影中：
- 通过留白构图，可以突出静物的特点和细节，让观众更专注于画面的核心元素。

提示词书写技巧

提示词书写时，应首先明确画面的主题和想要突出的元素。在使用留白构图（Negative Space Composition）时，关键在于将“Negative Space Composition”作为提示词的核心部分，以突出空白区域和主体之间的关系。通过描述主体的特征、光线、背景简洁度等细节，可以有效地引导生成的图像增强空白效果，确保观众的视线集中在主要对象上。构图时要简洁明了，避免冗余描述，使画面中主体的存在感更强烈。

测试

原图：

A vibrant pink lotus flower blooming in a pond, surrounded by green lily pads and other flowers, with water ripples and reflections, soft sunlight illuminating the scene, peaceful and natural setting --ar 16:9

花朵被置于自然场景中，周围有丰富的细节，如绿色的荷叶、其他花朵、水面上的涟漪和倒影等。这些背景元素共同构建了一个生机盎然的环境，使画面充满了活力和自然氛围，视觉上更加复杂。花朵虽然是主体，但因背景的丰富性，观众的注意力会自然地分散在其他元素上。

原图+Negative Space Composition：

A vibrant pink lotus flower blooming alone with vast open space around it, minimal background details, soft shadows on a plain white surface, creating a calm and contemplative atmosphere, Negative Space Composition --ar 16:9

花朵被置于一个简洁的场景中，周围有大量留白，背景元素被极度简化或完全省略。这种留白处理突出了花朵的孤立感和存在感，让观众的视线直接聚焦于花朵本身。同时，这种构图带来了宁静和沉思的氛围，使画面更具禅意。Negative Space Composition 突出主体的方式有效增强了视觉的集中性，并且让画面看起来更简洁、现代。

💯小结

在探索Midjourney的构图技巧时，构图对画面质量的提升效果尤为显著。从对称构图、三分线构图到中心点构图，每一种构图方法都有助于引导观众的视线、突出主题、并传递情感。而留白构图，作为一种简洁、富有禅意的构图方式，更加突显了主体的独特性，为观众提供了广阔的想象空间。通过运用Negative Space Composition提示词，不仅可以让图像呈现出宁静的氛围，还能强化画面的视觉集中度，使作品更具深度和现代感。实践过程中，这种构图方式的简洁与空白感带来了独特的视觉张力，为作品赋予了更多可能性，也让我们更深刻地体会到构图在视觉表达中的重要作用。
随着AI绘画技术的不断发展，构图在视觉表达中的作用将愈加重要。未来，AI不仅能更精准地运用对称、三分线和留白等传统构图法，还能通过学习和创新产生全新的视觉风格，突破人类想象的边界。AI绘画将逐步超越工具的角色，成为创意伙伴，以智能化的构图选择和个性化的美学表达，帮助创作者更自如地传达情感与思想。这不仅让艺术更为多样化，也将推动人类在艺术和技术交汇的领域，探索无限的可能性。

import torch, torchvision.transforms as transforms; from torchvision.models import vgg19; import torch.nn.functional as F; from PIL import Image; import matplotlib.pyplot as plt; class StyleTransferModel(torch.nn.Module): def __init__(self): super(StyleTransferModel, self).__init__(); self.vgg = vgg19(pretrained=True).features; for param in self.vgg.parameters(): param.requires_grad_(False); def forward(self, x): layers = {'0': 'conv1_1', '5': 'conv2_1', '10': 'conv3_1', '19': 'conv4_1', '21': 'conv4_2', '28': 'conv5_1'}; features = {}; for name, layer in self.vgg._modules.items(): x = layer(x); if name in layers: features[layers[name]] = x; return features; def load_image(img_path, max_size=400, shape=None): image = Image.open(img_path).convert('RGB'); if max(image.size) > max_size: size = max_size; else: size = max(image.size); if shape is not None: size = shape; in_transform = transforms.Compose([transforms.Resize((size, size)), transforms.ToTensor(), transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225))]); image = in_transform(image)[:3, :, :].unsqueeze(0); return image; def im_convert(tensor): image = tensor.to('cpu').clone().detach(); image = image.numpy().squeeze(); image = image.transpose(1, 2, 0); image = image * (0.229, 0.224, 0.225) + (0.485, 0.456, 0.406); image = image.clip(0, 1); return image; def gram_matrix(tensor): _, d, h, w = tensor.size(); tensor = tensor.view(d, h * w); gram = torch.mm(tensor, tensor.t()); return gram; content = load_image('content.jpg').to('cuda'); style = load_image('style.jpg', shape=content.shape[-2:]).to('cuda'); model = StyleTransferModel().to('cuda'); style_features = model(style); content_features = model(content); style_grams = {layer: gram_matrix(style_features[layer]) for layer in style_features}; target = content.clone().requires_grad_(True).to('cuda'); style_weights = {'conv1_1': 1.0, 'conv2_1': 0.8, 'conv3_1': 0.5, 'conv4_1': 0.3, 'conv5_1': 0.1}; content_weight = 1e4; style_weight = 1e2; optimizer = torch.optim.Adam([target], lr=0.003); for i in range(1, 3001): target_features = model(target); content_loss = F.mse_loss(target_features['conv4_2'], content_features['conv4_2']); style_loss = 0; for layer in style_weights: target_feature = target_features[layer]; target_gram = gram_matrix(target_feature); style_gram = style_grams[layer]; layer_style_loss = style_weights[layer] * F.mse_loss(target_gram, style_gram); b, c, h, w = target_feature.shape; style_loss += layer_style_loss / (c * h * w); total_loss = content_weight * content_loss + style_weight * style_loss; optimizer.zero_grad(); total_loss.backward(); optimizer.step(); if i % 500 == 0: print('Iteration {}, Total loss: {}'.format(i, total_loss.item())); plt.imshow(im_convert(target)); plt.axis('off'); plt.show()