- 综合排序
- 最热优先
- 最新优先
- 来自专栏C/C++指南
AIGC生图实战技巧分享
引言 本文展示了 AIGC 生图相关的代码示例，包括安装与配置、数据处理以及生图请求等不同阶段的代码，清晰呈现了整个技术实现过程中代码层面的操作要点和逻辑 安装与配置代码 在使用 AIGC 进行生图时 以下是简单示意（实际情况中可能要根据具体的操作系统、显卡型号等做更多调整）： import torch # 检查是否可以使用GPU，如果有可用GPU则将后续运算放在GPU上执行（以cuda为例），这样可以加速生图过程 生图请求代码 以下是实际发起生图请求的代码示例以及相关参数意义和返回结果处理方式的说明。 StableDiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5") # 将模型移动到GPU上运行（如果有可用GPU且配置正确），加速生图过程 pipe(prompt).images[0] 这部分是发起生图请求并获取生成的图像，pipe 就是之前加载好并配置好的模型对象，调用它并传入 prompt 就会触发模型根据提示词进行图像生成，返回的结果中
44810编辑于 2025-01-08 - 来自专栏C/C++指南
探索 AIGC 生图：原理、案例与代码示例
引言 在当今数字化浪潮汹涌澎湃的时代，人工智能生成内容（AIGC）领域正以令人瞩目的速度不断演进与拓展。 其中，AIGC 生图技术作为一颗璀璨的明星，正逐渐改变着我们对于图像创作与生成的传统认知。 从艺术设计到商业广告，从影视特效到游戏开发，AIGC 生图技术都展现出了其独特的魅力与巨大的潜力。 本文将深入剖析 AIGC 生图的技术原理，通过详细的代码示例揭示其背后的技术奥秘，并展示一系列丰富多样的应用案例，带领读者全面领略 AIGC 生图技术所构建的奇妙视觉世界，探寻其如何在各个领域中掀起创新变革的浪潮 ，为技术爱好者、创作者以及相关从业者提供一份全面而深入的 AIGC 生图技术指南。 一、AIGC 生图技术原理 AIGC 生图主要基于深度学习和生成式模型，特别是生成对抗网络（GAN）和扩散模型（Diffusion Model）等先进技术。
1.8K10编辑于 2025-01-02 - 来自专栏C/C++指南
AIGC 生图应用场景与实操技巧
多样应用场景展示 AIGC 生图技术在众多领域都展现出了强大的实用价值，以下为大家展示其在部分领域的实际应用案例： 艺术创作：艺术家们可以借助 AIGC 生图来激发创作灵感，或者直接生成部分创作元素。 商业广告：广告营销行业对创意素材的需求巨大且要求高效产出，AIGC 生图正好满足这一需求。 影视制作：影视前期筹备阶段，AIGC 生图可帮助导演、美术指导等可视化剧本中的场景和角色形象。 对于一些特效制作中需要的虚拟生物形象，也可以通过 AIGC 生图来生成雏形，再由特效团队进行细化完善。 AIGC 生图实操技巧 在实际使用 AIGC 生图的过程中，有以下实用技巧可以帮助大家更好地生成满意的图片： 参数调整方面： 扩散模型参数：例如在使用 StableDiffusion 这类基于扩散模型的生图工具时
1.6K00编辑于 2025-01-02 - 来自专栏星哥的AI自留地
使用腾讯云HAI开箱即用StableDiffusion助力AIGC生图
再用deepseek给出提示词 问deepseek 帮我生成 Stable Diffusion提示词 生成一张风景图，要有山有水 deepseek回答： 正向提示词： (((ultra-detailed
76600编辑于 2025-03-21 - 来自专栏技术汇总专栏
AIGC生图技术：从GAN到最新的生成模型架构
AIGC生图技术：从GAN到最新的生成模型架构人工智能生成内容（AIGC）技术，尤其是在图像生成领域，近年来取得了显著的进展。 本文将深入探讨AIGC生图技术的演变历程，重点从GAN模型的基础到目前的最新生成模型架构，并结合代码实例展示其实现过程。1. 4.1 AIGC的艺术创作AIGC技术的最大亮点之一是其在艺术创作领域的应用。利用生成模型，艺术家和设计师可以通过机器辅助创作生成全新的艺术作品，甚至在短时间内生成与现实世界相似的图像、风格转换等。 AIGC在图像生成中的创新进展随着技术的进步，AIGC领域在图像生成技术方面取得了一些突破性创新。特别是在生成质量、生成多样性以及生成过程的控制性方面，新的生成模型正在不断推陈出新。 AIGC生成图像技术的前景与挑战尽管AIGC生成图像技术已取得了显著进展，但仍面临一些技术挑战和应用上的难题。
1.9K20编辑于 2025-03-12 - 来自专栏猫窜游戏
【AIGC 应用之线稿生图】约稿插画师的得利助手！
本文采用腾讯混元大模型中大模型图像创作引擎的线稿生图进行实例演示，讲解AIGC技术如何对插画师的工作产生质与量的飞跃。 , },};// 实例化要请求产品的client对象,clientProfile是可选的const client = new AiartClient(clientConfig);/** * 线稿生图请求 * @param {string} prompt - 用于线稿生图的文本描述。 实践中，我们使用腾讯混元大模型（Tencent Hunyuan）的线稿生图功能，在短短2-3秒的时间，即可将一幅线稿转化为插画成品，并且在多次重复使用之中，会获得完全不同的各种风格类型的作品。 上色到成品的“废稿”过程，让插画师与甲方能够迅速的确定最终样式，熟练应用的话，甚至能够提升不只10倍的工作效率，但是目前仍然是有着一定的局限性，例如出图分辨率低、出图高宽比被限定、版权问题等，也是目前AIGC
1.6K22编辑于 2024-09-13 - 来自专栏前端数据可视化
『SD』图生图基础讲解
点赞 + 关注 + 收藏 = 学会了 图生图基础用法 文生图比较好理解，就是输入文字生成图片。 那图生图又是啥？ SD 允许我们上传一张图片作为底图，这张底图又称为“引导图”，然后再搭配提示词生成一张新的图片。 引导图主要影响最终要生成图片的颜色和构图，而提示词和文生图的提示词一样，这里就不过多讲述了。 图生图的界面入口在 img2img 。 这个界面下方也有一个 img2img 标签页，这个标签页就是用来上传引导图的。 我们上传一张引导图，但什么提示词都不写，然后让 SD 根据引导图重新生成一张图片。 此时，SD 会根据引导图的颜色、构图重新生成一张新的图，可以看到右边的图的女孩样子不一样了，衣服也换了一件，背景也从晚上变成下午。但整体的构图和色调还是和原图比较接近的。
95610编辑于 2024-05-22 - 来自专栏最新最全的大数据技术体系
AI绘画普及课【二】图生图
三、图生图 内容概要： 1、图生图原理 2、图生图基本流程 3、随机种子作用解析 1、图生图原理 图生图可以帮你把一张图片画成另一种模样。 在文生图中我们看到，AI文生图是有一定的随机性的，画出来的东西不一定完全满足我们的需求。在现实生活里，这种对需求的传递偏差与错误解读其实也普遍存在。比如天天干架的产品经理和程序员、甲方客户与设计师。 2、图生图的三个关键步骤 第一步：导入图片 第二步：书写提示词 第三步：参数调整 3、参数技术性解析 直接参考文生图的提示题。 unclear eyes:1.331), lowers, bad hands, missing fingers, (((extra arms and legs))), 参数设置： 重绘幅度 表示绘制的图和原图相差的比重
1.2K30编辑于 2023-09-27 - 来自专栏为了不折腾而去折腾的那些事
Stable Diffusion XL Turbo 文生图和图生图实践
本篇文章聊聊，如何快速上手 Stable Diffusion XL Turbo 模型的文生图和图生图实战。 省略其他准备工作 # 初始化图生图和文生图两条 AI Pipeline pipelines = { "img2img": AutoPipelineForImage2Image.from_pretrained float = 0.7, guidance: float = 0.0, steps: int = 2, seed: int = 42, ): # 如果输入包含图片，那么使用图生图 engine 5 cinematic, masterpiece 如果我们将上面生成的图片上传到界面，并且调整生成图片的提示词如上，接着点击“生成按钮”，或者稍微调整下参数，触发图片重新生成： 即时的图生图体验 有机会的时候，我们聊聊如何使用 SDXL Turbo 实现 Midjourney 的“混图”（图生图生图），以及如何控制图片尽量趋近于我们想要的结果，还有性能优化。
1.3K10编辑于 2024-01-15 - 来自专栏为了不折腾而去折腾的那些事
Stable Diffusion XL Turbo 文生图和图生图实践
本篇文章聊聊，如何快速上手 Stable Diffusion XL Turbo 模型的文生图和图生图实战。 省略其他准备工作 # 初始化图生图和文生图两条 AI Pipeline pipelines = { "img2img": AutoPipelineForImage2Image.from_pretrained float = 0.7, guidance: float = 0.0, steps: int = 2, seed: int = 42, ): # 如果输入包含图片，那么使用图生图 0.1433868408203125 seconds Pipe took 0.13985347747802734 seconds Pipe took 0.13831496238708496 seconds 接下来，我们来尝试“图生图 有机会的时候，我们聊聊如何使用 SDXL Turbo 实现 Midjourney 的“混图”（图生图生图），以及如何控制图片尽量趋近于我们想要的结果，还有性能优化。
1.6K10编辑于 2024-01-13 - 来自专栏科研菌
生信代码：绘制热图和火山图
引言：前面几期中，我们学习了如何下载TCGA数据、预处理和差异分析，那么今天我们继续来看看如何将利用差异分析的结果绘制热图和火山图。 六、绘制差异表达基因的热图 TCGAvisualize_Heatmap()绘制热图的主要用法：等号后面对应的为默认参数。 ，故小编在这里使用pheatmap()绘制热图。 七、绘制差异差异表达分析结果的火山图 TCGAVisualize_volcano（）绘制火山图的主要用法： TCGAVisualize_volcano(x, y, filename = "volcano.pdf 九、结语 今天的热图和火山图就暂告一段落。
6.2K53发布于 2021-01-25 - 来自专栏个人总结系列
开源AIGC学习—文生图模型服务封装
一、模型本地化 详细内容见：开源AIGC学习—文生图模型本地运行 二、服务封装 当前算法模型采用Python + Flask 方式进行Rest API方式进行服务封装，对应封装代码说明如下 from modelscope.utils.constant import Tasks task = Tasks.text_to_image_synthesis model_id = '/mnt/d/aigc_model api/*": {"origins": "*"}}) api = Api(app) task = Tasks.text_to_image_synthesis model_id = '/mnt/d/aigc_model _': server = pywsgi.WSGIServer(('0.0.0.0', 2000), app) server.serve_forever() 也可以直接返回图片，但是文生图模型推理耗时比较长 server = pywsgi.WSGIServer(('0.0.0.0', 2000), app) server.serve_forever() 返回效果展示 三、异步方案 因为多数AIGC
80810编辑于 2024-03-15 - 来自专栏个人总结系列
开源AIGC学习—文生图模型本地运行
snapshot_download(repo_id) print(model_dir) cp -r model_dir $traget_dir ``` modelscope的也类似 二、文生图模型本地运行 multi-modal_chinese_stable_diffusion_v1' pipe = pipeline(task=task, model=model_id) output = pipe({'text': '中国山水画'}) cv2.imwrite('/mnt/d/aigc_result
1.3K10编辑于 2024-03-13 元宝生图升级了！
现在，一句话用元宝生成表情包组图、四格漫画、人像写真、纪实摄影、设计配图等，都更“懂你”了！元宝生图，从此细节更丰富、画质更细腻。打开元宝App，顶部切换至 「Hunyuan」 模型，即可开始创作。 不多说了，直接上图——❶表情包组图还在四处收藏别人的表情包？不够用？现在，给元宝一句话指令，即可无限量生成专属表情包。风格统一，图文并茂。 提示词：画一张四宫格科普漫画描述阿基米德浮力定律，比例是1:1提示词：帮我画一张图片：用插画解释相对论，采用信息图的形式，以爱因斯坦的形象进行详解，从上到下的布局四个插画，并配上简短的文字式说明，比例是 3:4提示词：生成一张四格治愈漫画：小狗忙着爱你提示词：帮我生成一组四宫格漫画：日本黑白热血漫风格，主题是一个正在学网球的少女❸图文设计文案有了，配图没灵感？ 白色背景，比例：16:9❺写实摄影想要一张配图，还在全网找素材？一句话告诉元宝，就能生成一张细节满满的写实照片。美食、产品、人像都能精准还原。
4.3K10编辑于 2025-10-10- <来自专栏wayn的程序开发
FastAPI开发AI应用教程七：新增文生图、图生图功能
本文将深入讲解如何在 FastAPI AI 聊天应用中实现文生图和图生图功能，重点介绍豆包 Seedream 4.0 图像生成模型的强大能力。 通过本教程，你将学会如何构建完整的 AI 图像生成系统，包括文生图、图生图等图像输出核心技术。 项目概述 想象一下，当你向 AI 描述一个场景时，AI 能够立即为你生成对应的高质量图像；当你上传一张图片时，AI 能够基于你的描述对图片进行创意改造——这就是我们要实现的文生图和图生图功能！ 能力特性 业界首款 4K 多模态生图：Seedream 4.0 是业界首款支持 4K 分辨率的多模态图像生成模型，能够灵活处理文本、图像的组合输入，实现多图融合创作、参考生图、组合生图、图像编辑等核心功能 '文生图' : '图生图'}
生信识图 之 点图基础
-----以下是日常碎碎念，日理万机的您，可以直接跳到图图图图分割线享用----- 大Y老师做生信分析十多年了，在此期间结识很多实验大牛，发现大牛们做实验很大牛，但是对很多生信的图表竟然一知（Wu）半（ 为什么这么说呢，依据大Y老师的经验，做生信其实是分为三个层次的： 层次一：看懂图（能看懂文献的分析结果） 层次二：会做图（会写代码，能完成别人的画图需求） 层次三：知道做什么图（知道自己的数据需要用什么图来展示 其实，如果不打算专门做生信专业，完全可以跳过第二层次，直接跃迁到第三层！毕竟做实验很厉害就已经很厉害了呀。 那么问题来了，怎样实现从看懂图到知道做什么图的跃迁呢？ 请大家先一起喝一口水，因为下面的内容可是全网独家干货，真的超干~ -----我是图图图图的分割线----- 生信分析有很多基础的图形，在此基础上又发展出很多复杂花哨的变形或组合，酷炫得让人眼花缭乱。 补充元素不是成图所必须的，但是可以提供额外的信息量，在每张图里可以有不同的存在方式。所以一张小小的点图可以承载的信息量可是大大的。那么，点图可以变身出哪些花哨绚丽的生信图形呢？
生信代码：“热图”来袭（pheatmap）
热图可以聚合大量的数据，并可以用一种渐进色来优雅地表现，可以很直观地展现数据的疏密程度或频率高低。 本文利用R语言 pheatmap 包从头开始绘制各种漂亮的热图。 参数像积木，拼凑出你最喜欢的热图即可，如下图： 基因和样本都可以单独聚类，排序，聚类再分组，行列注释，配色调整，调整聚类线以及单元格的宽度和高度均可实现。 ? 绘制热图 绘制默认热图 pheatmap(test) ? 设定 text 热图中展示数值 # display_numbers = TRUE参数设定在每个热图格子中显示相应的数值，#number_color参数设置数值字体的颜色 pheatmap(test, order_row = A$tree_row$order #记录热图的列排序 order_col = A$tree_col$order # 按照热图的顺序，重新排原始数据 result =
五图乱哗：AI 生图横扫初级设计狮
几乎支持所有语言的理解，只要使用清晰详尽的描述就能生成比较符合预期的图： 在“说人话”之后，看的就是 DALL·E 3 的绘图技术了，虽然输出的图片成品本身并不是目前“AI生图领域最高质量的作品”。 目前Midjourney是全球范围内最具实用价值的AI生图工具，但操作门槛和直接付费成本也相对较高。 通过Dreamina生成的作品可以进行二次创作，包括局部的重绘和AI扩图。 官方网址：https://www.tiangong.cn/chat/text_gen_image/004 可以理解多种语义，比如九宫格 完全免费 模型被养好图片大多数符合常规审美上的好看 天工的AI生图基于自然语义的理解 https://www.stablediffusion.com （没有必要去访问） 团队在刚刚也就是2024年4月底有解散危机 可部署在本地电脑、需要一定的软件技术能力 成本取决于你在硬件设备上的投入 AI生图开源技术的代表
AI智能生图技术的未来趋势
这些技术的不断发展，使得AI智能生图技术在各个领域得到了广泛的应用和推广。 目前，越来越多的用户开始使用AI智能生图技术。尤其是在设计和创意领域，AI智能生图已经成为设计师和创意人员的重要工具之一。 AI智能生图可以生成高度逼真的游戏场景和角色模型，提高游戏的画面效果和用户体验。在影视制作中，AI智能生图可以帮助制片人快速生成特效场景和虚拟角色，提高影片的视觉效果。 这将使得AI智能生图技术在各个领域得到更加广泛的应用。 2、多样化和个性化 AI智能生图技术将会变得更加多样化和个性化。 3、实时性和交互性 AI智能生图技术将会变得更加实时和交互。随着互联网技术和计算机技术的不断发展，人们可以通过网络和移动设备访问和使用AI智能生图技术。 例如，AI智能生图可以结合虚拟现实技术，生成高度逼真的虚拟场景和角色；AI智能生图可以结合语音技术，根据用户的语音指令生成相应的图像；AI智能生图可以结合区块链技术，保证图像的版权和数据安全。
【HAI要玩AI】DeepSeek R1助力AIGC生图 StableDiffusion Comfyui工作流电商实战一键部署
生图提示词，StableDiffusion在电商领域的实战样例，详细到知识点，工作流，部署，以及扩展，尽管腾讯混元Video等文生/图生视频模型展现了惊人的创造力，但本地部署的硬件门槛如20/30系显卡算力局限 本来这期的文章要更新我们腾讯混元的文生视频，图生视频的实际部署样例的，奈何很多小伙伴硬件实在有限，有人是AMD,有人是N卡的20系，要不是显存不够，要不是硬件不支持，4090显卡与5090显卡虽然显存能够支持 它使用来自 LAION-5B 开源数据库子集的512x512图像进行训练，通过引入隐向量空间来解决 Diffusion 速度瓶颈，除了可用于文生图任务，还可以用于图生图、特定角色刻画，甚至是超分或者上色任务 生图 提示词就可以很简单的实现这个海报，那么我们不是提到了DeepSeek R1助力吗？ 上传图片作为控制的底图到controlnet，为了AI更加发挥想象力，我们的介入时机给到80% 生图看下效果 更换质感的提示词，或者更换Lora 同理复杂的文字也可以参考这个方法
