AI绘画多次迭代：反复生成与逐步精修的优化策略

刚开始用AI画画那阵子，我有个坏习惯：写提示词→出图→不满意→全部推倒重来。效率极低，而且永远碰不到"那一下对了"的感觉。后来跟一个做AI艺术做了两年的朋友聊，他说："你每次都在重新开始，永远在画第一版。真正的好图都是迭代出来的——你得在同一个种子上反复打磨。"这句话彻底改变了我用AI的方式。从那天起我开始研究"迭代"这件事本身——什么该保留、什么该改、改到什么程度该停。

迭代的四个阶段：从毛坯到成品的渐进路线

一次完整的AI绘画迭代流程分四步走：第一步锁定种子和构图骨架、第二步修正全局问题（光影/色调/比例）、第三步局部精修（面部/手部/关键细节）、第四步风格微调（质感/氛围/色彩倾向）。跳过任何一步，成品都带着"未完成感"。第一步：锁定种子。当你跑出第一版图后，如果构图方向和整体氛围对路——哪怕细节全烂——也立刻锁种子。MJ用seed参数、SD保存seed值。为什么要锁？因为AI每一版都是"随机的平行宇宙"，你不锁种子，下一次生成可能构图完全变了，你之前的判断就白费了。第二步：全局修正。用同一颗种子微调提示词——不改主体描述，只调光影词（lighting/shadows/atmosphere）、色彩词（palette/color tone/mood）、比例词（full body/wide shot/close-up）。第三步：局部精修。用Inpainting/局部重绘处理AI必然翻车的区域——手指、面部对称性、文字、复杂机械结构。第四步：风格微调。加风格后缀做最后润色——"film grain""subtle vignette""soft color grading""cinematic post-processing"——这些轻微的后处理描述能把画面质感提升一个档次。整个流程的系统讲解在AI绘画创作全流程中有更详细的展开。

提示词迭代的"加减法则"

提示词迭代的核心思路不是"加东西"——是"减噪音"。第一版提示词通常写得太满，第二版应该删掉没起作用的关键词，第三版在保留核心词的基础上只加一个精准词。很多人的迭代方式是"效果不够就加词"——颜色不对加颜色词、构图不对加构图词、风格不对加风格词——结果提示词堆成两百字，AI不知道该听哪个。正确的迭代逻辑是反向的：第一版写了一堆词，出图后分析哪些词被AI忽略了、哪些词被过度响应了。被忽略的词——删掉，因为它们在你的提示词权重分布里不占优势；被过度响应的词——加否定词或降低权重（SD用括号减权，MJ用--no）。每次迭代只改一个变量：要么调光影、要么调构图、要么调风格——能精确定位是哪个词起的什么作用。这种"单变量迭代"的思路来自科学实验方法论，在AI绘画里意外地好用。关于提示词工程的深度理解，AI绘画零基础入门教程里的提示词章节是很好的起点。

变体迭代：一颗种子长出十张好图

锁定种子后，用"小幅变异"而非"大幅修改"来探索可能性——调整比例（aspect ratio微调）、调整风格权重（style值±10%）、调整混乱度（chaos/steps参数微调）——这些小幅变动能从一个满意的构图衍生出一个完整系列。我常用的种子衍生策略：种子+比例变化——同一颗种子的3:2横版和2:3竖版会给出完全不同的构图信息，AI可能会在竖版里突然展现出横版没有的细节；种子+风格权重微调——MJ的风格参数从0到1000，每100是一个明显台阶，同一颗种子在不同风格权重下视觉效果完全不同，但保留了基本构图DNA；种子+关键词替换——保留主体描述不变，替换一个形容词（比如"moody lighting"换成"bright airy lighting"），观察同一构图在不同氛围下的表现。这种衍生策略最大的好处是"可预期性"——你是在一个已知好的骨架上做变化，而不是每次都从零开始赌运气。关于进阶技法的探索，AI绘画细节增强技巧中介绍了如何在迭代中逐步提升画面精度。

迭代的"止损点"：什么时候该停

迭代不是越多越好——有一条明确的收益递减曲线。三轮以后质量提升开始放缓，五轮以后基本上是在兜圈子。识别"该停了"的信号比知道怎么迭代更重要。该停的三个信号：信号一——你开始改动之前已经满意的部分。这说明你在"为了改而改"，不是在优化。一旦出现"这个细节上一轮更好，但我已经覆盖掉了"的遗憾，立刻停。信号二——连续三轮改动后画面质量没有明显提升。用客观标准判断：手还歪吗？光影还乱吗？构图还偏吗？如果三个核心问题都解决了，剩下的"感觉哪里还不够好"往往是主观偏好在作祟。信号三——你开始尝试用完全矛盾的词。比如同一句提示词里同时出现"realistic"和"painterly"、同时出现"warm"和"cold"——这说明你对画面的方向已经不确定了，继续迭代只会越来越乱。这三个信号出现任何一个，就导出当前最佳版本，关掉工程，第二天再看——隔夜审美重置往往比再多迭代十轮都有效。关于AI绘画效率优化的更多思路，Learn Prompting网站的系统性提示词课程虽然不是AI绘画专属的，但其中关于迭代优化的方法论完全可以迁移过来。

Iterative Upscaling：分辨率迭代的进阶策略

分辨率迭代是另一条重要的迭代线——先在低分辨率跑构图和色彩方案，确认满意后逐级放大，在每一级分辨率上用Inpainting修正该级别才会暴露的细节问题。具体流程：第一阶段（512-768px）——跑构图、氛围、色彩大关系。这个阶段不纠结细节，只看大感觉。第二阶段（1024-1536px）——中分辨率暴露了手部、面部、文字之类的问题，用Inpainting修。第三阶段（2048px以上）——高分辨率暴露了纹理、材质、毛发级别的细节问题，用精细Inpainting或SD Ultimate Upscale插件逐区域处理。这个逐级放大的好处是：低分辨率跑得快（一轮几秒钟），可以快速试错；高分辨率只针对"已经被确认的好构图"做精修，不浪费算力。SD用户搭配Ultimate SD Upscale脚本做分块放大、MJ用户用Zoom Out + Vary Region做区域精修——工具不同但逻辑一致。关于AI绘画分辨率和画质的深度讨论，Upscale Wiki上有丰富的放大算法对比数据，对理解不同算法在不同类型画面上的表现很有参考价值。

常见问题

迭代多了画面反而越来越丑是为什么？

这叫"过迭代退化"——每次迭代都在微调，但微调的方向逐渐偏离了最初的合理方向。类似AI生成的图片再喂给AI生成图片，几代之后就崩了。对策是每三轮之后回到第一版种子重新出发，换一条微调路线。

锁了种子但Vary出来的图完全不一样怎么办？

因为你的改动太大了。种子的锁定只保证"同一个随机起点"，但如果你把提示词的主体都改了（比如从"dog"改成"cat"），AI从一个起点出发也会走向完全不同的终点。小幅改风格或属性词（20%以内的提示词变动），构图骨架才会保留。

Inpainting修了手但接缝太明显怎么处理？

这是最常见的问题。三个解决方案：一是扩大Inpainting选区（把手臂甚至肩膀都选进去，让AI重新生成一个连续的肢体，而不是只补手腕那个截面）；二是降低Inpainting的denoising强度（0.6-0.75之间，让过渡更柔和）；三是修完后用低强度的img2img整图过一次（denoising 0.15-0.25），让接缝融入整体画面纹理。