【AI绘画】Midjourney进阶：水平方向视角详解

💯前言

【AI绘画】Midjourney进阶：垂直方向视角变化详解 https://blog.csdn.net/2201_75539691?type=blog

• 在上一篇文章中，我们详细解析了Midjourney中垂直方向的视角变化，帮助大家理解如何通过不同的高度角度来表现画面的广度、深度和情感。本篇文章将深入探讨水平方向上的视角变化，通过调整水平角度，生成更加立体且富有表现力的图像。无论是正面、侧面还是背面视角的选择，都会对作品的叙事和情感传达产生重要影响。让我们一同继续探索如何利用Midjourney的视角变化来提升你的AI绘画技巧。 Midjourney官方使用手册

💯水平方向视角变化

• 为了更深入地理解水平方向的视角变化，我们可以将其划分为五种主要类型：正面，正侧面，侧面，侧背面，背面。

💯正面

正面视角是指摄像机直接面对拍摄对象进行拍摄的视角。

• 在正面视角的拍摄中，摄像机直接面对拍摄对象，展现最直接的视觉效果。从提供的图片中可以看到，每个人物的表情和上半身细节都被清晰展现出来。这种视角相对平稳，通常用来表现人物的正面特征和情感。通过这种构图，观众能够直接与人物的目光接触，增强了情感的传递和画面的互动性。虽然画面平稳，但不同的光影处理和色调让人物的表情显得更加生动，有效地传递出他们的内心情感和环境氛围。

特点

1. 直接性：正面视角可以直接展现拍摄对象，使观众清晰地看到其面部表情和动作。然而，由于视角正对人物，面部细节表现较为平坦，因此表现力相对弱一些。

1. 客观性：由于摄像机与拍摄对象在同一水平线上，正面视角通常传达一种公平、客观的感觉。这种视角没有仰视或俯视的主观色彩，因此常用于访谈类节目，突显出内容的正式性和中立性。与之相比，仰视或俯视角度在某些采访中可能带有特定的立场或暗示性，容易对观众产生潜在影响。

1. 互动性：正面视角也常用于人物对话或直接面对镜头的场景，这种方式能够增强画面与观众之间的互动性，给人一种被直接对话的感觉。

提示词书写技巧

• 在正面视角中，提示词通常用 front view 来表示，这对应的中文是“正面”。当我们在编写提示词时，可以直接使用 front view 来明确告诉AI绘画模型生成一个正面视角的图像。这样不仅能够确保画面中拍摄对象正面朝向镜头，还能凸显对象的面部表情和动作，使画面具有直接性、客观性和互动性。

测试

原图：

photography of 1 person, medium shot, upper body, natural expression, cinematic light, high quality --ar 16:9

• 人物的姿态和视角多样化，主体通常不是直接面对镜头。大部分图像中人物处于侧面或略微偏转的姿势，表现出更多的动态感和不同的情感角度。这种视角常用于表现环境中的人物，与背景结合，提供更多情景感，但缺少直接的互动性。

原图+正面：

photography of 1 person, front view, medium shot, upper body, natural expression, cinematic light, high quality --ar 16:9

• 添加“front view”提示后，人物正面直接面向镜头，产生一种与观众直接交流的感觉。图像更突出面部细节和情感表达，增强了视觉的直接性和互动感。人物的目光与镜头对齐，增加了对观众的吸引力和共鸣感，更适合用于表现对话或情感传达的场景。

• 总结来看，添加正面视角后，图像更集中于人物的面部，强调与观众的互动和情感连接，而未加正面视角的图像则更加灵活，注重人物与环境的结合以及不同角度下的表现力。

💯正侧面

正侧面拍摄指的是摄影师在拍摄对象的侧面并且正对着拍摄对象进行拍摄。

• 正侧面指的是摄影师不再直接正面对着拍摄对象，而是将摄影机沿着一个大约45度或60度的角度绕到拍摄对象的侧面，从略微斜侧的角度进行拍摄。这种视角既能够展示人物的正面，也能够捕捉到侧面的细节。
• 在正侧面视角中，图像能够很好地展示人物的轮廓和立体感，如图中所示。这种拍摄方式保留了人物前方的清晰视线，突出侧脸的细节，同时也增强了图像的深度感。在这些图像中，人物的姿态不仅展现了情感和动作，还通过斜侧的角度增加了画面的层次感，使得整体效果更具层次性和空间感。每张图片中的光影效果和人物的侧脸特征进一步强化了正侧面视角所带来的深度和视觉冲击力。

特点

1. 展示特征：正侧面拍摄能够清晰展现人物的面部特征和细节。通过这种角度，侧脸的轮廓、眼睛、鼻子和嘴巴等部位会更加突出。在对比图片中，可以明显看出人物的面部线条更为鲜明，而与正面视角相比，正侧面使面部显得更加立体，避免了正面视角带来的扁平化效果。

1. 创造深度：除了面部特征的立体表现外，正侧面拍摄还可以通过光影和焦点的运用，增强画面的纵深感。与正面图像的扁平感相比，侧面视角的图片让场景和人物显得更加有层次感，形成了一个更具空间感的画面。在这些图片中，正侧面通过光影变化，使整个画面显得更加丰富，场景更具真实感。

1. 表达情感：正侧面视角常用于表现冷静、理性和权威的情感，尤其适合在访谈或正式场景中使用。这种视角减少了情感倾向，让观众感受到一种客观和理性的氛围，这种拍摄手法常见于访谈类节目中，帮助传递出一种权威感和严肃性。

提示词书写技巧

• 在正侧面视角中，我们可以使用非常简单的提示词来实现这种拍摄效果。正侧面视角的提示词是 front side view 或者 front side angle。当我们在编写提示词时，只需要在描述人物或场景时，加入这个关键词，就可以告诉AI生成一个正侧面角度的图像。这种视角能够很好地展示人物的侧脸特征，同时增强画面的深度感和权威感。

测试

原图：

photography of 1 person, medium shot, upper body, natural expression, cinematic light, high quality --ar 16:9

• 人物的面部直接面对镜头，通常展示的是正面视角，给人一种平面的感觉。虽然表达了情感，但由于缺少角度的变化，人物的面部细节和轮廓不够立体，画面的空间感也相对较弱。背景与人物的分离感较少，整体画面显得比较平稳。

原图+正侧面：

photography of 1 person, medium shot, upper body, natural expression, cinematic light, high quality --ar 16:9

• 在正侧面视角下，人物的面部轮廓更加明显，角度的变化使得人物的侧脸线条得到了突出，增强了画面的立体感。人物不再是直接面对镜头，而是略微转向一侧，这使得整个图像显得更具深度感和空间感。光影的对比也通过侧面角度更好地表现出人物的层次感，使得背景和人物之间形成了更鲜明的对比，增强了画面的视觉效果。

• 加上正侧面视角后，图像中的人物表现出更多的轮廓和立体感，背景与人物的层次更加分明，而正面视角则相对较为扁平，缺少角度变化带来的视觉冲击。

💯侧面

侧面视角是指摄像机以侧面的角度拍摄对象。

• 侧面视角是指摄影机从拍摄对象的侧面进行拍摄。这种角度通常用于展示对象的动态和动作，能够清晰地展现人物的轮廓和姿态，特别适合表现运动中的人物或物体。这种视角还可以增强画面的速度感和运动感，让画面更加生动。
• 在这些图片中，侧面视角完美捕捉了人物奔跑的动态，展现了人物的侧脸轮廓和上半身的动作。通过这种角度，图像传递出一种明显的运动感和力量感，尤其是人物在光影中的轮廓更加鲜明。光影效果和场景的结合使得人物看起来与环境产生了强烈的互动，进一步突出了奔跑动作的力量和速度感。

特点

1. 动态感：侧面视角非常适合用于表现人物的动态，特别是在拍摄移动中的人或物体时，能够很好地展示其速度和动势。相比于正面视角，侧面视角更能够突出跑步等动作的力量和速度感。例如在跑步场景中，选择侧面视角能够清晰地捕捉到身体的运动轨迹，增强画面的动感和活力。

1. 交谈关系：侧面视角同样适合展示人与人之间的交谈情景。当使用MidJourney生成人物互动场景时，侧面视角能够同时展示两个人的状态，清晰表达他们的面部表情和身体语言。这种视角可以让交谈双方在画面中都显得更加立体，使观众能够轻松理解人物间的关系和对话氛围。

提示词书写技巧

• 在使用侧面视角时，建议将两个提示词 profile 和 from side 结合使用，以确保生成的图像能够更好地展现侧面的效果。Profile 强调人物的侧脸特征，而 from side 则专注于从侧面的角度进行拍摄。单独使用一个提示词有时可能无法达到理想的效果，因此将它们结合起来能够更加全面地捕捉人物的侧面细节与动态感。

• 组合使用 profile 和 from side 提示词，可以确保生成的图像能够清晰地表现出侧面视角，特别适合用来展示人物的轮廓和动态感。

测试

原图：

photography of 1 person, medium shot, upper body, natural expression, cinematic light, high quality --ar 16:9

• 没有加任何提示词的图片中，人物的正面展示较为直观，但缺乏轮廓的细节与立体感。虽然光影效果很好地渲染了情感，但整体上画面显得较为扁平，缺少动态与空间感。

原图 + profile：

photography of 1 person, profile, medium shot, upper body, natural expression, cinematic light, high quality --ar 16:9

• 添加了 profile 提示词后，人物的侧脸轮廓得到了很好地展现。图像更注重表现人物的面部线条，特别是下颌、鼻子和眉骨等特征。这使得图像更加立体，人物的脸部在光线下显得更为清晰和有层次感。

原图 + from side：

photography of 1 person, from side, medium shot, upper body, natural expression, cinematic light, high quality --ar 16:9

• 使用了 from side 提示词后，图像展现了更加侧面的角度，人物与背景的空间感得到增强。侧面视角让动作或情感传递更具动势，同时人物的面部轮廓相比正面更加鲜明，使得图像表现力更强。

原图 + profile + from side：

photography of 1 person, profile, from side, medium shot, upper body, natural expression, cinematic light, high quality --ar 16:9

• 结合使用 profile 和 from side 提示词，图像既表现了人物侧脸的特征，又增加了空间感。人物的姿态与场景的互动更为自然，光影效果也更好地突显了人物的立体感和细腻的面部特征。这种组合使得图像的深度和层次感更强。

💯侧背面

侧背面拍摄是一种常见的摄影角度，也就是指从拍摄对象的背面侧面进行拍摄。

• 侧背面视角是指从拍摄对象的背部侧面进行拍摄，既能展示人物的背影，又能部分呈现侧脸轮廓。这种角度常用来增加画面的神秘感和情感表达，尤其适合用于描绘沉思、对话或内向情感的场景。通过侧背面视角，观众能够感受到人物与环境的互动，但又不会完全看到其正面，激发更多的想象空间。
• 在这张图片中，使用了侧背面视角拍摄，展现了一名女子的背面和部分侧脸，而一名男子正与她交谈。这个角度很好地展示了两人之间的对话关系，观众通过男子的表情可以清晰地感受到他所表达的情感，而女子则由于侧背面的视角保持了一定的神秘感和情感隐喻。这种构图让画面具有了叙事性，同时通过光线和背影的巧妙结合，增强了画面的氛围感。

特点

1. 保持神秘感：侧背面视角能够很好地保留拍摄对象的神秘感。由于观众无法完全看到被拍摄者的面部表情和细节，这种不完全展示的方式能够激发观众的好奇心和想象力，带来一种未揭开的悬念。相较于正面视角，侧背面具有更多的“半遮面”效果，观众会更加关注人物的动作和背景环境，进而感受到故事情节的发展。

1. 引导视线：侧背面视角可以有效地引导观众的注意力。通过拍摄人物的侧背面，观众的视觉会被自然地引导到人物朝向的方向。例如，在这张图片中，虽然女性的面部没有完全展示，但通过她的侧脸的朝向，观众的注意力会自然而然地集中到前方的男生身上。这种拍摄手法能够帮助塑造画面的叙事性和引导观众关注的焦点。

提示词书写技巧

• 提示词 rear side view 用于生成带有侧背面视角的图像。通过这一提示词，我们可以获得拍摄对象的侧边与背部的结合视角。这种视角能够很好地保留人物的部分神秘感，同时展示人物的动作和姿态，特别适合用于营造一种不完全展示的效果，增加画面的叙事性和情感深度。
• 在实际应用中，结合 rear side view 提示词，能够让生成的图像更具有引导性和神秘感，使观众的注意力集中在人物所面对的方向或者即将发生的事件。

测试

原图：

photography of 1 man talking with 1 woman, medium shot, upper body, natural expression, cinematic light, high quality --ar 16:9

• 原图中的两个人物面对面交谈，所有的表情和面部细节都清晰可见。这种正面交谈的视角让观众能够充分理解人物之间的情感交流，画面中的光影也很好地塑造了人物之间的互动关系。然而，整体画面缺少一种神秘感和引导性，观众的注意力主要集中在两人的面部细节上，缺乏空间的层次感。

原图 + 侧背面：

photography of 1 person, rear side view, medium shot, upper body, natural expression, cinematic light, high quality --ar 16:9

• 加入 侧背面视角 后，图片中的一个人物以侧背的角度展示。这种视角不仅保留了人物间的交谈关系，还通过隐藏部分面部细节，增强了画面的神秘感。观众的注意力被自然引导到前方人物的表情和动作上，侧背面使得画面更具叙事性与空间感。它通过让观众无法完全看到交谈者的表情，增添了想象空间，同时通过视觉线索引导观众关注另一人物的反应与表情。

💯背面

背面视角是指摄像机从拍摄对象的背后进行拍摄的视角

• 背面视角是指从拍摄对象的背后进行拍摄的角度。通过这种视角，观众无法直接看到人物的表情，但可以通过人物的姿态和所处环境来感受人物的情感与状态。背面视角通常用于增强画面的神秘感和引导观众的注意力方向。
• 在这组图片中，背面视角完美呈现了一个中国古代女孩坐在河边的场景。通过背影，观众可以感受到她的宁静与沉思，而雨中的场景则进一步烘托了画面的静谧与孤寂感。由于采用背面视角，观众的注意力自然被引导至前方的河景和夕阳，使得整个画面充满了故事性和情感张力。

特点

1. 增加神秘感：背面视角的拍摄能够保留被拍摄对象的神秘感，因为观众无法直接看到面部表情，进而对人物的情感和状态产生好奇。这种视角与侧背面相似，能引发观众的想象和关注。

1. 表达孤独或离别的情感：背影常常被用来传达孤独或离别的情感。通过背面视角，观众能够感受到被拍摄对象的内心世界，尤其是在表达人物内心的孤独、沉思或离别时，这种视角具有非常强的情感传达力。

提示词书写技巧

• 在使用提示词书写时，背面视角的提示词非常直观简洁，只需要使用“from back”即可。这个提示词能够有效地表现出拍摄对象的背影，保留画面的神秘感。相比正面或侧面的视角，背面提示词可以帮助我们更好地传达人物的情感，比如孤独、离别等情绪，同时也为观众留下更多的想象空间。因此，当我们想通过背影表达更深层次的情感时，使用“from back”这个提示词是一个不错的选择。

测试

原图：

photography of 1 woman sitting by the river, full body, natural expression, cinematic light, sunset, high quality --ar 16:9

• 在原图中，我们正面看到人物，虽然能够清晰地观察到她的面部表情和姿态，但缺乏一定的想象空间和情感深度。观众可以直接感知人物情绪，但缺少悬念感和背景故事的表达。

原图 + 背面：

photography of 1 woman sitting by the river, full body, from back, cinematic light, sunset, high quality --ar 16:9

• 而在原图 + 背面的图片中，背面视角很好地保留了人物的神秘感。观众无法直接看到人物的面部表情，这让观众的好奇心增强，去猜测人物的情绪和内心世界。同时，背面视角还能很好地与背景环境互动，突出场景氛围，例如河边的宁静与夕阳的美感，将人物孤独或沉思的情感表达得更为含蓄和深刻。

💯小结

在本文中，我们详细探讨了水平方向视角变化在AI绘画中的应用，包括正面、侧面、背面等多种视角如何影响情感表达和叙事结构。通过对这些不同视角的深入理解，我们不仅仅看到了AI技术生成图像的强大能力，更看到了AI在艺术表现力方面的潜力。

• 随着AI技术的不断进步，AI绘画正逐渐成为艺术创作的重要力量。通过结合强大的图像生成算法与深度学习模型，AI不仅能够快速生成精美的图像，还能够通过对用户提示的深度理解，创造出符合情感、叙事和主题需求的艺术作品。未来，AI绘画的发展将朝着更加智能化、多样化和个性化的方向前进，推动艺术创作进入全新的领域。

import tensorflow as tf;from tensorflow.keras.applications import VGG19;from tensorflow.keras.preprocessing.image import load_img, img_to_array;from tensorflow.keras.models import Model;import numpy as np;import matplotlib.pyplot as plt;content_image_path = 'path_to_content_image.jpg';style_image_path = 'path_to_style_image.jpg';content_weight = 1.0;style_weight = 1.0;total_variation_weight = 1e-4;content_layers = ['block5_conv2'];style_layers = ['block1_conv1', 'block2_conv1', 'block3_conv1', 'block4_conv1', 'block5_conv1'];def preprocess_image(image_path): img = load_img(image_path, target_size=(224, 224)); img = img_to_array(img); img = np.expand_dims(img, axis=0); return tf.keras.applications.vgg19.preprocess_input(img);def deprocess_image(img): x = img.copy(); if len(x.shape) == 4: x = np.squeeze(x, 0); assert len(x.shape) == 3; x[:, :, 0] += 103.939; x[:, :, 1] += 116.779; x[:, :, 2] += 123.68; x = x[:, :, ::-1]; x = np.clip(x, 0, 255).astype('uint8'); return x;def compute_loss(model, loss_weights, init_image, gram_style_features, content_features): input_tensor = tf.concat([init_image, *gram_style_features, *content_features], axis=0); features = model(input_tensor); loss = tf.zeros(shape=()); style_output_features = features[:len(style_layers)]; content_output_features = features[len(style_layers):]; style_score = tf.add_n([tf.reduce_mean((gram_style_features[i] - style_output_features[i]) ** 2) for i in range(len(style_layers))]); content_score = tf.add_n([tf.reduce_mean((content_output_features[i] - content_features[i]) ** 2) for i in range(len(content_layers))]); style_score *= loss_weights[0]; content_score *= loss_weights[1]; loss += style_score + content_score; return loss;def gram_matrix(input_tensor): result = tf.linalg.einsum('bijc,bijd->bcd', input_tensor, input_tensor); input_shape = tf.shape(input_tensor); num_locations = tf.cast(input_shape[1]*input_shape[2], tf.float32); return result / num_locations;def get_feature_representations(model, content_path, style_path): content_image = preprocess_image(content_path); style_image = preprocess_image(style_path); content_outputs = model(content_image); style_outputs = model(style_image); content_features = [content_outputs[i] for i in range(len(content_layers))]; style_features = [gram_matrix(style_outputs[i]) for i in range(len(style_layers))]; return style_features, content_features;def compute_grads(cfg): with tf.GradientTape() as tape: all_loss = compute_loss(**cfg); total_loss = all_loss[0]; return tape.gradient(total_loss, cfg['init_image']), all_loss;def run_style_transfer(content_path, style_path, num_iterations=1000, content_weight=1e3, style_weight=1e-2): model = get_model(); for layer in model.layers: layer.trainable = False; style_features, content_features = get_feature_representations(model, content_path, style_path); init_image = preprocess_image(content_path); init_image = tf.Variable(init_image, dtype=tf.float32); opt = tf.optimizers.Adam(learning_rate=5.0, beta_1=0.99, epsilon=1e-1); best_loss, best_img = float('inf'), None; cfg = {'model': model, 'loss_weights': (style_weight, content_weight), 'init_image': init_image, 'gram_style_features': style_features, 'content_features': content_features}; norm_means = np.array([103.939, 116.779, 123.68]); min_vals = -norm_means; max_vals = 255 - norm_means; for i in range(num_iterations): grads, all_loss = compute_grads(cfg); loss, style_score, content_score = all_loss; opt.apply_gradients([(grads, init_image)]); clipped = tf.clip_by_value(init_image, min_vals, max_vals); init_image.assign(clipped); if loss < best_loss: best_loss = loss; best_img = deprocess_image(init_image.numpy()); return best_img, best_loss;best_img, best_loss = run_style_transfer(content_image_path, style_image_path);plt.imshow(best_img);plt.show();