AI 图像生成全攻略：Midjourney、Stable Diffusion 与 DALL·E 3 对比

AI 图像生成是人工智能领域最直观、最令人震撼的应用之一。从一句话生成精美画作，从草图渲染出逼真照片，AI 绘画工具正在重新定义创意工作的边界。Midjourney 以艺术品质著称，Stable Diffusion 以开源灵活性见长，DALL·E 3 以语义理解领先。本文将全面对比这三大工具，并深入讲解核心技巧和商业应用。

三大工具概览

维度	Midjourney V6	Stable Diffusion	DALL·E 3
开发商	Midjourney Inc.	Stability AI	OpenAI
开源	否	是	否
使用方式	Discord / 网页版	本地部署 / 云端	ChatGPT / API
模型版本	V6 / V6.1	SDXL / SD3	DALL·E 3
最大分辨率	2048×2048	自定义（可达4K+）	1792×1024
提示词理解	中等，需特定语法	依赖模型和标签	优秀，自然语言即可
图像质量	艺术感强，审美高	灵活可控，质量均衡	写实感强，语义准确
中文支持	有限	依赖模型	支持
价格	$10/月起	免费（本地）/ 按量（云）	ChatGPT Plus / API
适合场景	创意设计、艺术创作	商业批量生成、定制化	概念验证、内容创作

Midjourney V6 使用指南

Midjourney 以其独特的艺术审美成为设计师和艺术家的首选。V6 版本在写实度、文字渲染和细节表现上都有显著提升。

基础使用

Midjourney 目前支持 Discord 和网页版两种使用方式。

Discord 方式：

/imagine prompt: A serene Japanese garden in autumn,
red maple leaves, stone lantern, koi pond, soft morning light,
cinematic composition, 8K detail --ar 16:9 --style raw --v 6

网页版（alpha）： 提供更直观的界面，支持图像混音、风格参考等高级功能。

核心参数详解

参数	说明	示例
--ar	宽高比	--ar 16:9、--ar 9:16、--ar 1:1
--v	模型版本	--v 6、--v 6.1
--style	风格倾向	--style raw（减少默认美化）
--s	风格化程度（0-1000）	--s 250（默认），--s 0（最写实）
--chaos	多样性（0-100）	--chaos 50（结果更多样）
--stylize	艺术化程度	--stylize 600
--no	负面提示	--no people, text
--seed	随机种子	--seed 12345（可复现）
--c	产生变化（0-100）	--c 50
--cref	角色参考	--cref [图片URL]
--sref	风格参考	--sref [图片URL]

提示词结构

Midjourney 的最佳实践是”主题 + 环境 + 光线 + 风格 + 参数”：

[主体描述], [环境/背景], [光线/氛围], [风格/艺术家], [技术参数]

示例：
A young woman in a white linen dress  ← 主体
standing on a cliff overlooking the ocean at sunset ← 环境
golden hour lighting, warm tones ← 光线
photorealistic, shot on 35mm film, depth of field ← 风格
--ar 3:2 --style raw --v 6 ← 参数

进阶技巧

1. 角色一致性（Character Reference）

使用 --cref 可以在多张图片中保持角色外观一致：

第一张：
/imagine a girl with red hair, green eyes, freckles --cref --ar 2:3

后续图片（使用第一张作为参考）：
/imagine the same girl in a coffee shop --cref [第一张URL] --cw 100

参数说明：
--cw 100: 参考面部+头发+服装
--cw 0: 仅参考面部

2. 风格一致性（Style Reference）

/imagine a city skyline --sref [风格参考图URL] --sw 1000

--sw 控制风格强度（0-1000），越高越接近参考风格

3. 图像混合（Blend）

将多张图片混合：

/blend [图片1URL] [图片2URL] [图片3URL] --ar 16:9

4. 区域重绘（Vary Region）

在生成图片后，选择局部区域重新生成：

1. 生成图片后点击 "Vary (Region)"
2. 框选需要修改的区域
3. 输入新的描述
4. AI 只重绘选中区域，保持其余不变

Midjourney 商用政策

订阅方案	月费	商用权	快速时长
Basic	$10	有	3.3小时/月
Standard	$30	有	15小时/月
Pro	$60	有（隐身模式）	30小时/月
Mega	$120	有（隐身模式）	60小时/月

所有付费方案都包含商用权，生成的图片版权归使用者所有（Midjourney 保留使用你的图片用于训练的权利，除非使用隐身模式）。

Stable Diffusion 深度指南

Stable Diffusion 是最灵活的开源 AI 绘图工具。你可以本地部署、自由微调、精确控制每一个生成参数。

本地部署

方案一：Stable Diffusion WebUI（Automatic1111）

# 前提：NVIDIA GPU（建议8GB+显存），Python 3.10+

# 1. 克隆仓库
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
cd stable-diffusion-webui

# 2. 运行安装脚本（会自动下载依赖）
./webui.sh  # Linux/Mac
webui-user.bat  # Windows

# 3. 浏览器访问 http://localhost:7860

方案二：ComfyUI（节点式编辑器，更灵活）

git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
pip install -r requirements.txt
python main.py
# 访问 http://localhost:8188

方案三：云端（无需GPU）

使用 Replicate / fal.ai / RunPod 等平台
按次计费，无需本地硬件投入
适合不需要频繁生成的用户

模型选择

模型类型	说明	适用场景
SDXL Base	基础模型，通用	通用生成
SDXL Refiner	精修模型	高质量精修
SD3	最新一代	文字渲染、复杂场景
微调模型	基于基础模型微调	特定风格（写实/二次元/艺术）
LoRA	轻量微调模型	特定人物/风格/概念

常用模型获取渠道：

• Civitai：最大的 SD 模型社区，海量免费模型
• Hugging Face：官方模型和学术模型
• Stability AI：官方发布渠道

LoRA 微调

LoRA（Low-Rank Adaptation）是一种轻量微调技术，可以在不修改基础模型的情况下，添加特定风格或概念。

# 使用 kohya-ss 训练 LoRA 的简化流程

# 1. 准备数据集（20-50张目标图片）
# 图片放在目录中，每张配一个文本描述文件

# dataset/
#   image001.jpg
#   image001.txt  -> "a photo of [sks] person, professional headshot"
#   image002.jpg
#   image002.txt  -> "[sks] person in casual wear, outdoor"

# 2. 配置训练参数
# 训练配置文件 lora_config.json
{
  "base_model": "SDXL_base.safetensors",
  "network_module": "networks.lora",
  "network_dim": 32,
  "network_alpha": 16,
  "learning_rate": 0.0001,
  "train_batch_size": 4,
  "max_train_epochs": 10,
  "resolution": 1024
}

# 3. 开始训练
python train_network.py --config lora_config.json

# 4. 使用训练好的 LoRA
# 在 WebUI 中将 LoRA 文件放入 models/Lora/
# 提示词中使用：<lora:my_model:0.8>

提示词示例：
a portrait of <lora:my_face:0.8> person in business attire,
office background, professional lighting, high quality

ControlNet：精确控制

ControlNet 是 Stable Diffusion 最重要的扩展之一，它允许你用参考图精确控制生成结果。

ControlNet 类型	说明	适用场景
Canny	边缘检测	线稿转成品
OpenPose	人体姿态	控制人物姿势
Depth	深度图	控制空间层次
Segment	语义分割	区域着色控制
Tile	平铺	放大增强
Scribble	涂鸦	草图生成
Lineart	线稿	插画上色

使用示例：

# 使用 ControlNet 进行线稿上色
from diffusers import StableDiffusionControlNetPipeline, ControlNetModel
import torch

# 加载 ControlNet 模型
controlnet = ControlNetModel.from_pretrained(
    "lllyasviel/sd-controlnet-lineart"
)

# 加载管道
pipe = StableDiffusionControlNetPipeline.from_pretrained(
    "runwayml/stable-diffusion-v1-5",
    controlnet=controlnet,
    torch_dtype=torch.float16
).to("cuda")

# 生成
image = pipe(
    prompt="a girl with blue hair, anime style, vibrant colors",
    image=lineart_image,  # 输入线稿图
    num_inference_steps=30,
    guidance_scale=7.5
).images[0]

提示词工程

Stable Diffusion 的提示词风格与 Midjourney 不同，更依赖权重和标签：

正向提示词（Positive Prompt）:
(masterpiece, best quality:1.2), 1girl, solo, long black hair,
blue eyes, white summer dress, standing in flower field,
sunlight, bokeh, depth of field, ultra detailed, 8K

反向提示词（Negative Prompt）:
(low quality, worst quality:1.4), deformed, blurry, bad anatomy,
extra fingers, watermark, text, signature

权重语法：

(关键词:1.5)    # 增加50%权重
(关键词:0.5)    # 降低50%权重
(关键词)        # 默认增加10%权重
((关键词))      # 嵌套增加权重
[关键词]        # 降低权重

DALL·E 3 使用指南

DALL·E 3 的最大优势是语义理解能力——你可以用自然语言描述复杂场景，它能准确理解并生成。

通过 ChatGPT 使用

用户：画一张图，一只橘猫坐在窗台上，窗外是雨天的城市夜景，
猫咪的表情若有所思，水彩画风格，暖色调。

DALL·E 3 直接生成符合描述的图片。
不需要特殊的提示词语法，自然描述即可。

通过 API 使用

from openai import OpenAI

client = OpenAI(api_key="your-api-key")

response = client.images.generate(
    model="dall-e-3",
    prompt="A futuristic city park in 2050, with floating gardens, "
           "holographic birds, children playing with AI robots, "
           "golden sunset, Studio Ghibli style",
    size="1792x1024",  # 或 1024x1024, 1024x1792
    quality="hd",       # hd 或 standard
    n=1
)

image_url = response.data[0].url
# 下载图片

DALL·E 3 的特色

优势：
- 自然语言理解最强，不需要学习提示词语法
- 文字渲染能力好（可以在图中生成可读文字）
- 与 ChatGPT 集成，可以迭代修改
- 语义准确度高，复杂场景理解好

局限：
- 风格相对统一，艺术感不如 Midjourney
- 定制化程度低，无法微调
- 价格较高

图像编辑 API

# DALL·E 2 的图像编辑功能（DALL·E 3 暂不支持）
response = client.images.edit(
    model="dall-e-2",
    image=open("original.png", "rb"),
    mask=open("mask.png", "rb"),  # 白色区域为待编辑区域
    prompt="replace the background with a beach at sunset",
    size="1024x1024"
)

提示词工程通用技巧

1. 结构化提示词

通用提示词公式：
[质量描述] + [主体] + [动作/姿态] + [环境/背景] +
[光线/氛围] + [风格/艺术家] + [技术参数]

示例：
best quality, masterpiece,   ← 质量
a young chef                 ← 主体
cooking in a modern kitchen  ← 动作/环境
warm lighting, steam rising  ← 光线/氛围
photorealistic, 50mm lens    ← 风格/技术

2. 风格关键词库

摄影风格：
photorealistic, 8K UHD, DSLR, 35mm film, bokeh,
golden hour, studio lighting, macro photography

艺术风格：
oil painting, watercolor, impressionist, art nouveau,
ukiyo-e, pixel art, concept art, matte painting

艺术家风格（Midjourney/SD）：
by Greg Rutkowski, by Studio Ghibli, by Wes Anderson,
by Zaha Hadid, by Banksy

渲染风格：
octane render, unreal engine, cinematic, volumetric lighting,
ray tracing, subsurface scattering

3. 避免常见错误

错误1：提示词过长且矛盾
"beautiful landscape with mountains and ocean and desert and forest"
→ AI 不知所措，结果混乱

正确：聚焦核心元素
"mountain landscape with a serene lake, autumn colors"

错误2：堆砌质量词
"best quality masterpiece amazing stunning incredible"
→ 边际效益递减

正确：适量质量词 + 具体描述
"masterpiece, detailed landscape photography"

错误3：忽视负面提示词（SD）
→ 生成结果常有缺陷

正确：合理使用负面提示词
"low quality, deformed, extra limbs, watermark, text"

版权与商用政策对比

平台	生成图片版权	商用许可	训练数据来源
Midjourney	归用户（付费版）	付费版可商用	未公开
Stable Diffusion	归用户	可商用（注意模型许可）	LAION 等公开数据集
DALL·E 3	归用户	可商用	未公开

注意事项：

• Stable Diffusion 模型本身的开源协议（如 SDXL 采用 CreativeML Open RAIL++-M）允许商用，但某些微调模型可能有限制
• 使用 LoRA 模型时需检查其许可协议（Civitai 上有明确的商用许可标注）
• AI 生成图片的版权归属在法律上仍有争议，建议在商业项目中明确标注”AI 生成”
• 避免生成包含真实人物面孔或注册商标的图片用于商业用途

商业应用场景

场景一：电商产品图

需求：为一款新香水生成产品宣传图

Midjourney 提示词：
product photography of a luxury perfume bottle on marble surface,
rose petals scattered, soft pink lighting, water reflection,
elegant, minimal, advertising style --ar 4:5 --style raw --v 6

SD + ControlNet 方案：
1. 拍摄产品基础照片
2. 用 Depth ControlNet 保持产品轮廓
3. 用提示词改变背景和氛围
4. 多次迭代选择最佳效果

场景二：内容配图

需求：为博客文章"AI改变教育"生成配图

DALL·E 3：
"An illustration of a student learning with an AI tutor hologram,
books and digital screens around, warm and inspiring atmosphere,
flat illustration style, blue and orange color scheme"

场景三：角色设计

需求：为游戏设计角色

Midjourney + 角色参考：
1. 第一张：生成角色基础设计
   /imagine character design sheet, female warrior,
   silver armor, red cape, fantasy game style --ar 2:3

2. 后续场景使用 --cref 保持一致性
   /imagine the warrior in a forest battle scene
   --cref [第一张URL] --cw 50 --ar 16:9

3. 不同表情和姿势
   /imagine the warrior smiling, portrait
   --cref [第一张URL] --cw 100 --ar 1:1

场景四：批量生成

# 使用 Stable Diffusion API 批量生成
# 场景：为100个产品生成不同风格的配图

import requests
import os

products = [
    {"name": "手链", "style": "简约白色背景"},
    {"name": "耳环", "style": "复古棕色背景"},
    # ... 100个产品
]

for product in products:
    prompt = f"product photography, {product['name']}, {product['style']}, high quality"
    negative = "low quality, watermark, text"

    response = requests.post("http://localhost:7860/sdapi/v1/txt2img", json={
        "prompt": prompt,
        "negative_prompt": negative,
        "steps": 30,
        "width": 1024,
        "height": 1024,
        "batch_size": 4  # 每次生成4张供选择
    })

    images = response.json()["images"]
    for i, img in enumerate(images):
        with open(f"output/{product['name']}_{i}.png", "wb") as f:
            f.write(base64.b64decode(img))

总结

选择哪个工具取决于你的需求：

• 追求艺术品质：选 Midjourney，其审美和细节无人能及
• 需要精确控制和定制：选 Stable Diffusion，ControlNet 和 LoRA 提供无限可能
• 追求易用和语义准确：选 DALL·E 3，自然语言描述即可生成

实际工作中，很多专业创作者同时使用多个工具——用 Midjourney 生成灵感草图，用 Stable Diffusion 精修定制，用 DALL·E 3 处理需要精确语义理解的场景。

AI 绘画不会取代人类创意，但它正在大幅降低创意落地的门槛。掌握这些工具，你的想象力就是唯一的限制。

下一篇文章将探索更前沿的领域——AI 3D 建模，从 NeRF 到 3D Gaussian Splatting 的技术演进。