4.1 文生图原理与工具对比
输入一段文字，AI 就能生成一幅图像——这背后的技术原理是什么？不同工具各有什么特点？理解原理，你才能写出更好的提示词。
一、为什么需要了解原理
你可能会想：我只是想用 AI 画图，为什么要了解技术原理？原因很简单——理解原理能帮你写出更好的提示词。当你知道 AI 是如何"理解"文字并将其转化为图像的，你就能更有针对性地描述画面，避免无效的关键词堆砌。
二、扩散模型：从噪声中"雕刻"出图像
当前主流的 AI 绘画工具（如 Midjourney、Stable Diffusion、即梦 AI）大多基于扩散模型（Diffusion Model）。
扩散模型的工作原理可以用一个比喻来理解：
想象你面前有一张清晰的照片。现在，你往照片上不断撒沙子（添加噪声），直到照片完全被沙子覆盖，变成一片模糊的噪点。这个过程叫正向扩散。
扩散模型要学习的，是这个过程的逆过程——从一堆随机噪点出发，一步一步去除噪声，最终"雕刻"出一张清晰的图像。这个过程叫逆向扩散。
还有一个更生活化的比喻：扩散模型就像一位经验丰富的大厨。正向扩散好比把一道精美的菜肴搅成一团糊——大厨要学会的是逆过程：看着这团糊，凭借经验一步步还原出原来的菜品。训练过程中，大厨见过成千上万道菜被搅糊再还原的过程，所以最终他能从任意一团"噪声糊"中，按照你的文字描述（菜单）"烹饪"出对应的画面。
正向扩散：清晰图像 → 逐步加噪 → 纯噪声
逆向扩散：纯噪声 → 逐步去噪 → 清晰图像
当你输入一段文字提示词时，模型会将文字语义作为"导航信号"，引导去噪过程朝着符合描述的方向进行。这就是为什么不同的提示词会生成完全不同的图像。
三、CLIP：让 AI "看懂"你的文字
扩散模型知道如何从噪声中生成图像，但它怎么知道该生成"什么"图像呢？这就需要另一个关键组件——CLIP（Contrastive Language-Image Pre-training）。
CLIP 是 OpenAI 开发的一个"翻译官"模型。它的作用是在文字和图像之间建立桥梁。你可以这样理解：
- 你输入"一只橘猫在阳光下打盹"
- CLIP 将这段文字转换为一组数字（向量），这组数字编码了"橘猫""阳光""打盹"等语义信息
- 扩散模型在去噪过程中，不断参考这组数字，确保生成的图像与文字描述匹配
这就解释了一个重要的实操规律：提示词中的每个关键词都会影响最终画面。如果你写了"橘猫，阳光，打盹，赛博朋克，水彩风格"，CLIP 会试图同时满足所有关键词，可能导致画面风格混乱。因此，提示词要有主次之分，核心描述放前面，风格修饰放后面。
□ 术语卡片
CLIP：一种将文字和图像映射到同一数学空间的模型。它让 AI 能够理解"这段文字描述的是什么样的画面"，是文生图技术的核心桥梁。
三点五、GAN：另一条技术路线
在扩散模型流行之前，GAN（生成对抗网络）曾是 AI 图像生成的主流技术。GAN 的核心思想非常巧妙——让两个神经网络互相"对抗"：
- 生成器（Generator）：负责"画画"，试图生成以假乱真的图像；
- 判别器（Discriminator）：负责"鉴定"，试图分辨哪些是真图、哪些是生成的假图。
两者不断博弈：生成器越画越逼真，判别器越辨越精准，最终生成器能产出肉眼难辨的高质量图像。这就像一个造假画师和一个鉴定专家的较量——双方都在进步。
GAN 发展出了多个重要变体：
| 变体 | 特点 | 应用场景 |
|---|---|---|
| StackGAN | 先生成低分辨率草图，再逐步细化为高清图像 | 文字生成高清图片 |
| CycleGAN | 无需配对数据，实现两种风格之间的互相转换 | 照片↔油画、马↔斑马 |
| StyleGAN | 精细控制生成图像的风格特征（如面部表情、发型） | 人脸生成、风格混合 |
为什么现在扩散模型更主流？ GAN 训练不稳定，容易出现"模式崩塌"（生成器只学会画少数几种图片）。扩散模型训练更稳定，生成质量更高，因此逐渐成为主流。但 GAN 在实时生成和风格迁移等场景中仍有独特优势。
四、主流工具对比
| 工具 | 开发方 | 优势 | 局限 | 适合人群 |
|---|---|---|---|---|
| 即梦 AI | 字节跳动 | 中文友好，支持文字渲染，免费额度充足 | 艺术风格相对有限 | 入门用户、中文场景 |
| Midjourney | Midjourney Inc. | 艺术质感强，画面精致 | 需付费，英文提示词 | 设计师、艺术创作 |
| Stable Diffusion | Stability AI | 开源免费，可本地部署，高度可定制 | 上手门槛高，需要配置环境 | 技术用户、批量生产 |
选择建议：
- 课堂教学和日常使用：推荐即梦 AI，中文界面、操作简单、免费额度足够练习；
- 追求艺术效果：推荐 Midjourney，画面质感和风格表现力最强；
- 需要批量生成或深度定制：推荐 Stable Diffusion，开源生态丰富。
本教材后续实操以即梦 AI 为主要演示工具。
五、实操演示：用即梦 AI 完成你的第一张 AI 画作
第 1 步：打开即梦 AI（jimeng.jianying.com），注册并登录。
进入首页后，点击"AI 绘画"或"文生图"功能入口。
📷 【截图位置】：即梦 AI 首页界面截图，标注"AI 绘画"或"文生图"功能入口位置（建议尺寸：宽度占满页面）
第 2 步：输入提示词，生成第一张图片。
在提示词输入框中输入：
一只橘色的猫咪趴在窗台上晒太阳，窗外是秋天的银杏树，
暖色调，柔和的自然光，治愈系插画风格
选择图片比例（推荐 16:9 横版），点击"生成"。
📷 【截图位置】：即梦 AI 文生图界面截图，展示提示词输入框、图片比例选择和生成按钮（建议尺寸：宽度占满页面）
第 3 步：查看生成结果。
即梦 AI 通常会一次生成 4 张备选图片。观察这 4 张图片：
📷 【截图位置】：即梦 AI 生成的 4 张橘猫图片结果截图（建议尺寸：宽度占满页面）
- 哪张最符合你的预期？
- 哪些细节与提示词描述一致，哪些有偏差？
- 猫咪的姿态、窗外的场景、整体色调是否满意？
第 4 步：尝试修改提示词，对比效果差异。
将提示词改为：
一只橘色的猫咪趴在窗台上晒太阳，窗外是秋天的银杏树，
冷色调，电影感光影，写实摄影风格，浅景深，8K
对比两次生成的结果，你会发现：仅仅改变了色调和风格描述，画面的氛围就完全不同了。这就是提示词的力量——下一节我们将系统学习如何写出更好的视觉提示词。
常见问题
Q1：为什么同样的提示词，每次生成的图片都不一样？
因为扩散模型的起点是随机噪声。每次生成时，随机噪声不同，去噪路径也不同，所以结果会有差异。这不是 bug，而是特性——它让你每次都能获得新的创意方案。
Q2：提示词用中文还是英文效果更好？
即梦 AI 对中文支持很好，日常使用中文即可。但如果你追求更精确的风格控制，可以在风格关键词部分使用英文（如 Cyberpunk、Impressionism），因为模型的训练数据中英文艺术术语更丰富。