什么是 Stable Diffusion 的负面词汇

在使用 Stable Diffusion 等生成式模型时，负面词汇（Negative Prompts）是一个至关重要但经常被低估的工具。负面词汇指的是输入给模型的反向描述，用来抑制或排除某些不想要的特性。这一工具为生成式模型的输出结果提供了更多的可控性，让用户能够更加精确地塑造生成的内容。

顾名思义，负面词汇是与正面提示（Positive Prompts）相对的概念。正面提示用于描述用户希望生成的内容，而负面词汇则用来明确排除模型生成中的某些特性或风格。

例如，当我们希望生成一幅明亮的、快乐的插画时，可以使用负面词汇功能，指定诸如 dark（黑暗的）、gloomy（阴郁的）等特性。如此一来，模型生成的图片里，会降低出现这些负面词汇所代表的图片特征。

在技术实现上，负面词汇的作用是通过调整生成模型的噪声分布来影响最终结果。在扩散模型的反向过程（从噪声逐步生成清晰图像）中，正面提示和负面提示共同影响着去噪的权重。具体而言：

• 正面提示对生成过程施加了吸引力，向目标特性靠拢。
• 负面提示则是一种排斥力，避免生成目标偏离预期。

这些提示通过对文本嵌入（Text Embeddings）进行调整，改变了潜在空间（Latent Space）中的分布，从而影响最终输出。

举个例子，假设我们希望生成一幅森林中的精灵的插画。

• 正面提示：a beautiful forest fairy, glowing, vibrant colors, detailed
• 负面提示：blurry, dark, low quality, distorted anatomy, monochrome

如果没有负面提示，模型可能会生成以下结果：

• 精灵的脸部可能略显模糊。
• 图像可能带有不必要的阴影，整体显得偏暗。
• 颜色可能缺乏层次感，甚至出现单一色调。

加入负面提示后，生成结果可能会更清晰明亮，且符合预期。

以下是一个基于 Stable Diffusion 的代码示例，展示如何使用负面词汇来提升生成质量：

from diffusers import StableDiffusionPipeline
import torch

# 加载模型
pipe = StableDiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5")
pipe.to("cuda")

# 正面提示和负面提示
positive_prompt = "a beautiful forest fairy, glowing, vibrant colors, detailed"
negative_prompt = "blurry, dark, low quality, distorted anatomy, monochrome"

# 生成图像
def generate_image(positive_prompt, negative_prompt, seed=42):
    generator = torch.manual_seed(seed)
    image = pipe(
        prompt=positive_prompt,
        negative_prompt=negative_prompt,
        guidance_scale=7.5,  # 越高越倾向正面提示
        num_inference_steps=50,  # 生成步骤
        generator=generator
    ).images[0]
    return image

# 保存结果
image = generate_image(positive_prompt, negative_prompt)
image.save("forest_fairy.png")

上述代码中，negative_prompt 用于精细控制生成结果的特性，确保图像符合用户的期望。

一个很典型的使用 Stable Diffusion 生成人物插画的场景中，我们会经常发现，模型在生成复杂动作场景时，往往会出现解剖学错误，例如人物的手指或关节位置异常。

通过加入以下负面提示：

distorted anatomy, extra fingers, missing limbs

可以显著提升了插画的质量，使得生成的人物动作更加自然协调。

当然在使用负面词汇时，也要注意避免踩坑，最好遵循下面这些原则:

• 具体化：避免使用笼统的描述词，例如 bad 或 poor，而是明确具体的特性，例如 low resolution, artifacts, wrong proportions。
• 实验与调整：不同的正面提示可能需要不同的负面提示来进行配合，因此需要多次实验，找到最优组合。
• 理解权衡：过多的负面词汇可能会让模型生成的结果失去创意和多样性，保持适当的平衡尤为重要。