参考教程
元素同典：元素同典：确实不完全科学的魔导书
stable diffusion 入门：腾讯文档
文生图界面参数设置
prompt
权重
AI 对于关键词的辨识以从前到后为次序，以逗号为分割。间隔较近的词简直更轻易产生关联、进行叠加，而更远的则倾向于降低互相的关联性、进而互相隔离。
前缀+“物1”+“物1的各种次要物”+“物2”+“物2的各种次要物”+“物3”+“物3各种次要物”+...
1. 括号
对于基本操纵，可以以大括号、小括号、中括号调整权重。在 WEB-UI 中，小括号增加为 1.1 倍权重，中括号削弱为 0.91 倍权重(相称于除 1.1)，多次嵌套括号效果相乘。但大括号在 WEB-UI 中默认并没有效，在 NAIFU 上则会增加为 1.05 倍权重。
2. 公式（prompt:权重乘数）
外层肯定是小括号而非其它括号。好比 (red hair:1.5) 将直接给 red hair 赋予 * 1.5 权重，清楚简洁，便于自己回顾和他人明白，猛烈保举。
高阶描绘
1.分步描绘
分步描绘擅长在画面初期建立引导，大幅影响后续构图或画面生成。
分步描绘的各种形式：
[from:to:step]
[from::step] (to 为空)
[:to:step] (from 为空)
[to:step] (奇怪但没问题的格式，非常不发起)
它的作用是让 prompt 在达到 step 之前被视为 from，在达到后视为 to。若是在对应位置留空则视为无对应元素。step 为大于 1 的整数时表示步数，为小于 1 的正小数时表示总步数的百分比。
好比 a girl with [green hair:red hair flower:0.2] 会在前 20% 步数被视为 a girl with green hair，在后 80% 步数被视为 a girl with red hair flower。需要注意这两个形貌之间的兼容性和覆盖——在步数符合的环境下，最后形成的人物会拥有绿色头发和红色花饰，但也可能因为颜色溢出导致头发也变为红色，究竟后 80% 没有绿色头发的限定，AI 完全可以自己明白一个随机的发色。
2.融合描绘
融合描绘擅长将两种事物混合为一起。
融合描绘的两种形式：
[A | B]
[A:w1 | B:w2]
它们还有分别对应的可无限延伸版：
[A | B | C | ...]
[A:w1 | B:w2 | C:w3 | ...]
对于形如 [A | B] 的第一种，AI 将在第一步画 A、第二步画 B、第三步画 A...瓜代进行。而对于无限延伸版，则变为第一步画 A、第二步画 B、第三步画 C...循环往复瓜代进行。
对于形如 [A:w1 | B:w2] 的第二种带权重版本，截至这句话被写下时仍由 NAIFU 端独占(且本语法在 NAIFU 端的中括号是不必要的)，它的实际效果不是先画 w1 步 A 然后再画 w2 步 B，虽然成品效果类似。
笔墨形貌
1.形貌框架
前缀+需要重点突出的物件/背景+人+人物特性/元素+人物动态+服饰团体+服饰细节元素+大背景+背景元素+光照效果+画风滤镜+微小辅助元素+后缀
前缀+“物1”+“物1的各种次要物”+“物2”+“物2的各种次要物”+“物3”+“物3各种次要物”+...
质量前缀+前置画风引导+前置镜头效果+前置光照效果+[带形貌的主物+主物的各种次要物+镜头效果和光照]*X+全局光照效果+全局镜头效果+画风滤镜
2.emoji识别
Emoji 是单个字符，可以无视 SD 框架对它识别时的一切拆分实验，以最短的字符长度代表出一个概念。
它的信息密度的分母是最小的，信息量与其它词相比却差不多，所以信息密度高到吓人，因而导致其准确度高到可骇。
而还因为它信息密度如此之高，它受权重影响也大得难以形貌，一对小括号就能体感上产生(prompt:1.35)左右的强大效果。
想要修手？用✋或其它想要的手势。想要群像？ |
