ai模特展示原理拆解：一张服装图从噪声到成图，中间发生了什么

工作室每来一个新美工，第一课都是我讲ai模特展示原理。讲这个不为掉书袋，是被逼出来的：新人不懂原理，出图坏了只会重roll，一天roll三百张，好图没几张，还不知道为什么好。原理这东西讲明白了，两周的摸索期能压到三天。

我把整套流程画在白板上，就三块：底模、控制网络、局部重绘。新人盯着白板听一小时，回去出的第一批图就能看出差别。下面按出一张服装图的顺序，把这三块一层层拆开讲。

第一层：底模去噪，一团雪花点怎么变成人

底模干的活是从纯噪声开始，照着提示词的引导一步一步去噪，二十多步之后人形才浮出来。提示词不是画笔，是每一步去噪的导航。

模型训练时学的是"加噪声"——把千万张图一点点加噪，直到变成雪花点，这个过程它学得滚瓜烂熟。生成的时候倒过来：给你一团纯噪声，它照着提示词描述的方向，一步一步把噪声"擦掉"，每擦一步都朝提示词说的样子靠近一点。我常用的采样步数是28，步数太少人形糊，太多浪费时间和电，画面差别不大。

理解了这一层，两件事就通了。一是提示词为什么管用：它是每一步去噪的方向盘，你写"侧身站立"，模型每一步都往侧身那个方向擦，权重越高擦得越狠。二是为什么换底模画风就变：不同底模"擦"的习惯不一样，有的偏写实，有的偏干净，跟请了不同的画师一个道理。新人知道这个，就不会再问"为什么我换了模型脸全变了"这种问题。

第二层：控制网络，姿势为什么这么听话

控制网络把一张骨骼图喂给模型，18个关键点钉死头、肩、肘、膝的位置，模型只能在骨架里填肉。姿势稳不稳，看的是这层，不是提示词。

只用提示词写"叉腰站立"，出来的姿势十张十样。加了控制网络就不同：先画一张骨骼图，十八个关键点把人的大结构钉死，模型去噪的时候被这副骨架约束着，想歪都歪不到哪去。我做服装图的流程里，姿势参考图是必备的，商业拍摄的姿势库存了四十多组，哪个款用什么姿势，基本固定。

跟这层配套的是重绘幅度。拿样衣图垫图换模特的时候，幅度压在0.35左右，版型基本不走样，图案不乱改；拉到0.6以上，模型开始自由发挥，碎花能给你重画一遍。裙摆的走向也归这层管，姿势图里裙摆飘向左边，成图就不会往右跑。这层的门道我整理过一份姿势库的用法，新人照着练就行。controlnet姿势控制在服装出图里的用法，这篇拆得更细

第三层：局部重绘，手和脸的抢救室

局部重绘只重画框选的区域，手糊了框手，脸崩了框脸，框外的像素一个不动。整张重roll是新手干的事，老手都进抢救室动小手术。

去噪和控制网络解决大结构，小细节还是靠修。AI画手为什么崩？因为手在训练数据里的姿态千变万化，模型对"五根手指"这件事的约束很弱。我的做法是框选手部区域，重绘幅度0.4，只让它重画这一块，衣服、背景、脸全都不动。脸要稳定，用的是炼好的LoRA，几十张底图喂下去，同一张面孔能钉在所有款式上。

为什么不能整张重roll？因为重roll等于回炉重造，好不容易调对的姿势、光线、版型全部重新抽签。局部重绘保住了已经满意的部分，只赌不满意的那一小块，废片率从一半降到两成左右，这就是原理层的账。这层再往后的放大、调色属于后处理，是另一段流水线。修手修脸的局部重绘参数，我在这篇里单独记过

白板上的三层，现在我家新美工三天就能过完。回过头看那张白板：底模管"人从哪来"，控制网络管"人站在哪"，局部重绘管"哪里不对修哪里"，三层各管一段，谁也替不了谁。你下次出图手糊了、姿势飘了、脸变了，先别急着重roll，对着这三层想一步——坏在哪一层，就去哪一层修，十有八九一张图就救回来了。