Day24——晚课 风格迁移实战

系列教程说明

这是「AI专家养成计划」系列教程的第48篇，共140篇。从AI零基础出发，每天进步一点点。晚课以实操为主，手把手带你完成完整的风格迁移项目——读完这篇，你就能用自己的照片生成油画、水墨画、动漫三种风格的作品。

上篇回顾

今天早课我们学习了风格迁移的理论基础。三个核心要点：

• 风格迁移的本质：把图片的”内容”（物体、场景、构图）和”风格”（笔触、色彩、质感）分离，然后自由组合
• 三代技术演进：从慢速的神经风格迁移，到快速的前馈网络，再到如今基于扩散模型的灵活方案
• 三种主流方法：img2img（最简单）、ControlNet+风格提示词（最精确）、IP-Adapter（最傻瓜式）

理论讲完了，今晚我们动手。你将完成三个完整的风格迁移项目，从”知道”变成”做到”。

---

准备工作：环境搭建

在开始之前，确保你已经准备好以下工具。

方案一：本地部署（推荐有显卡的同学）

如果你有NVIDIA显卡（显存6GB以上），推荐本地安装Stable Diffusion WebUI：

`bash

# 克隆项目

git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

cd stable-diffusion-webui

# 启动（首次会自动下载模型）

./webui.sh

`

启动后浏览器访问 http://127.0.0.1:7860，你就能看到操作界面了。

方案二：在线平台（没有显卡也能用）

没有显卡也没关系，这些平台免费或低成本就能体验：

平台	特点	访问方式

|——|——|———|

通义万相	阿里出品，免费额度充足，中文友好	tongyi.aliyun.com
LiblibAI	国内最大的SD模型分享平台，在线生图	liblib.art
Leonardo.ai	国际平台，免费额度每天150张	leonardo.ai
Google Colab	免费GPU，运行SD WebUI	colab.research.google.com

方案三：ComfyUI（进阶玩家推荐）

ComfyUI是节点式工作流编辑器，比WebUI更灵活。今晚的第三个实战项目（IP-Adapter）用ComfyUI实现最方便。

`bash

# 安装ComfyUI

git clone https://github.com/comfyanonymous/ComfyUI.git

cd ComfyUI

pip install -r requirements.txt

python main.py

`

---

实战项目一：照片变梵高油画

这是最经典的风格迁移场景。我们用img2img方法，把一张普通风景照变成梵高《星空》风格的油画。

第一步：选择一张合适的照片

打开你的手机相册，选一张风景照。选择标准：

• 构图简洁：主体明确，不要有太多杂乱元素
• 光线充足：太暗的照片风格化后会更暗
• 分辨率适中：太大的图会很慢，建议先缩放到1024×768左右

小技巧：城市夜景、田野风光、海边日落这类照片特别适合油画风格迁移，因为它们本身就很有”画面感”。

第二步：进入img2img模式

在Stable Diffusion WebUI中：

1. 点击顶部的 img2img 标签页
2. 上传你选好的照片
3. 你会看到照片出现在编辑区域

第三步：填写提示词

在提示词输入框中写入：

`

oil painting style, Vincent Van Gogh starry night,

swirling bold brushstrokes, thick impasto texture,

vibrant deep blues and warm yellows,

expressive post-impressionist masterpiece

`

在负面提示词中写入：

`

photorealistic, photograph, blurry, low quality,

deformed, ugly, watermark, text

`

第四步：设置关键参数

这是最重要的一步，参数设置直接决定效果好坏：

参数	推荐值	说明

|——|——–|——|

Sampling method	DPM++ 2M Karras	效果稳定，细节好
Sampling steps	25-30	步数越多细节越好，但超过30提升不大
Denoising strength	0.45-0.55	核心参数！下面详细讲
CFG Scale	7-10	越高越遵循提示词，但过高会不自然
图片尺寸	和原图一致	保持原始比例

第五步：生成并对比

点击 Generate 按钮，等待几秒到几十秒，你就能看到风格化后的效果了。

多生成几张对比：同样的参数，生成4张图（Batch count设为4），选最好的那张。

第六步：微调优化

如果效果不理想，按这个表调整：

问题	调整方向

|——|———-|

油画感不够强	Denoising +0.05，或在提示词中加 “thick paint texture”
太抽象了看不懂	Denoising -0.05，保留更多原图信息
颜色太暗	加 “bright vivid colors, warm lighting”
颜色太艳	加 “muted earth tones, subtle palette”
笔触不够明显	加 “visible brushstrokes, heavy texture”

经验法则：Denoising strength 0.45-0.55 是油画风格迁移的”甜蜜区间”。低于0.4风格化不足，高于0.6原图细节开始丢失。

---

实战项目二：照片变中国水墨画

水墨画是一种非常有东方韵味的风格。和油画不同，水墨画追求的是”留白”和”意境”——越简洁越高级。

为什么水墨画风格迁移比较难？

水墨画有几个特殊之处，让AI不太容易搞定：

1. 色彩极简：主要就是黑、白、灰，偶尔有点淡彩
2. 留白很多：大面积空白是构图的一部分，AI生图习惯”填满”画面
3. 线条讲究：毛笔的粗细变化、飞白效果，AI不容易模拟

所以我们需要一些特殊的提示词技巧。

提示词模板

`

Chinese traditional ink wash painting, shuimo hua,

sumi-e style, black ink on white rice paper,

minimalist composition with negative space,

flowing brush calligraphy strokes,

monochrome with subtle ink wash gradients,

traditional Chinese landscape painting aesthetic

`

负面提示词：

`

colorful, vibrant colors, photorealistic, photograph,

busy composition, cluttered, modern, digital art,

oil painting, watercolor

`

关键参数调整

水墨画的参数和油画有所不同：

参数	推荐值	原因

|——|——–|——|

Denoising strength	0.55-0.65	需要更强的风格化，因为原图和水墨画差异太大
CFG Scale	8-12	比油画高一点，确保AI严格遵循”简洁”的风格要求
Sampling steps	20-25	水墨画不需要太多细节渲染

进阶技巧：用ControlNet保留构图

水墨画风格化力度大，容易丢失原图的构图。建议配合ControlNet使用：

1. 启用ControlNet
2. 选择 Canny 或 Lineart 预处理器
3. ControlNet权重设为 0.6-0.8
4. 这样原图的轮廓会保留，但风格完全变成水墨

小技巧：如果你想要”淡彩水墨”效果（黑白中带一点颜色），可以提示词中加 light color wash, subtle ink tints of green and blue。

---

实战项目三：用IP-Adapter实现”一键风格迁移”

前两个项目需要你写英文提示词。如果你不想写提示词，IP-Adapter是最好的选择——只需要一张风格参考图。

什么是IP-Adapter？

IP-Adapter全称是”Image Prompt Adapter”，它的核心思路是：用图片作为提示词。

你提供一张风格参考图（比如莫奈的画），IP-Adapter会从中提取风格特征（色调、笔触、构图氛围），然后把这些特征注入到新的图像生成过程中。

实操步骤（以ComfyUI为例）

步骤1：安装必要的模型

你需要下载以下模型文件：

`bash

# IP-Adapter模型（放在 ComfyUI/models/ipadapter/ 目录）

# 推荐：ip-adapter-plus_sd15.safetensors 或 ip-adapter-plus-face_sd15.safetensors

# CLIP Vision模型（放在 ComfyUI/models/clip_vision/ 目录）

# 推荐：CLIP-ViT-H-14-laion2B-s32B-b79K.safetensors

# 基础SD模型（放在 ComfyUI/models/checkpoints/ 目录）

# 推荐：v1-5-pruned-emaonly.safetensors

`

步骤2：搭建ComfyUI工作流

在ComfyUI中，用以下节点搭建工作流：

`

[Load Checkpoint] → [KSampler]

↓ ↑

[Load Image(原图)] [CLIP Text Encode(正面+负面)]

↓ ↑

[IP-Adapter Apply] ← [CLIP Vision Encode(风格参考图)]

↓

[VAE Decode] → [Save Image]

`

节点连接说明：

1. Load Checkpoint：加载SD基础模型
2. Load Image：两次，一次加载你的原图，一次加载风格参考图
3. CLIP Vision Encode：编码风格参考图（IP-Adapter专用）
4. IP-Adapter Apply：将风格特征注入到模型中
5. CLIP Text Encode：可选，写简单的内容描述（如”a landscape photo”）
6. KSampler：采样生成
7. VAE Decode + Save Image：解码并保存结果

步骤3：调整风格强度

IP-Adapter最关键的参数是 weight（权重），控制风格迁移的强度：

weight值	效果

|———-|——|

0.3-0.5	轻微风格化，原图特征保留多
0.5-0.7	平衡，最常用的范围
0.7-1.0	强烈风格化，风格参考图的特征非常明显

经验法则：从0.6开始尝试，根据效果上下调整。

步骤4：风格参考图的选择

好的风格参考图：

• 风格特征明确（笔触、色彩、质感清晰可见）
• 画面不要太复杂
• 分辨率不需要太高，512×512就够

不好的风格参考图：

• 内容太复杂（AI会同时学内容和风格）
• 风格不明确（普通的照片没有明显的”风格”）
• 太小或太模糊

---

三种方法对比：该选哪个？

实战了三个项目，我们来总结一下三种方法的优缺点：

维度	img2img	ControlNet+提示词	IP-Adapter

|——|———|——————-|————|

上手难度	★☆☆ 最简单	★★☆ 需要了解ControlNet	★★☆ 需要ComfyUI基础
提示词要求	需要英文提示词	需要英文提示词	不需要提示词
构图保真度	中等	最高	中等偏高
风格还原度	中等	高	最高
灵活性	高（任何风格都能写）	高	中等（依赖参考图质量）
推荐场景	快速尝试、滤镜效果	精确控制、商业用途	不会写提示词时、批量处理

选择建议

• 刚入门：先用img2img，简单直接，马上能看到效果
• 需要精确控制：用ControlNet，构图不会跑偏
• 不想学提示词：用IP-Adapter，找一张好图就行
• 批量处理：IP-Adapter最合适，一个风格参考图可以处理一堆照片

---

进阶技巧：风格混合

当你掌握基本方法后，可以尝试”风格混合”——同时使用两种以上的风格。

技巧1：提示词加权混合

`

oil painting style:1.2, Van Gogh starry night:0.8,

watercolor soft edges:0.5

`

用冒号后面的数字控制每种风格的权重。数值越大，该风格的影响力越强。

技巧2：IP-Adapter双参考图

在ComfyUI中串联两个IP-Adapter节点，分别输入不同的风格参考图，调整各自的权重：

`

[原图] → [IP-Adapter 1 (油画, weight=0.5)] → [IP-Adapter 2 (水彩, weight=0.3)] → [生成]

`

这样生成的图片会同时具有油画和水彩的特征，创造出独特的混合风格。

技巧3：区域风格迁移

使用 Inpaint + ControlNet，对照片的不同区域应用不同风格：

1. 用ControlNet锁定整张图的构图
2. 用Inpaint蒙版选择天空区域，应用水彩风格
3. 再用Inpaint蒙版选择建筑区域，应用油画风格

效果：同一张照片，天空是水彩的柔和，建筑是油画的厚重——这是单一方法做不到的。

---

常见问题速查

问题一：生成速度太慢

原因：图片太大或步数太多。

解决：先缩放到768×768，步数设20，速度和质量的平衡点。

问题二：风格化后人脸变形

原因：AI对人脸区域的风格化容易”用力过猛”。

解决：

• 安装ADetailer插件，自动检测并修复人脸
• 或者降低整体Denoising strength到0.35-0.4
• 或者用Inpaint单独处理人脸区域，降低去噪强度

问题三：色彩偏差严重

原因：风格参考图的色彩和原图差异太大。

解决：在提示词中补充色彩指令，如 “keep original color scheme, warm tones”。

问题四：ComfyUI节点报错

原因：模型文件缺失或路径错误。

解决：检查三个模型目录是否都有对应的文件，文件名不要有中文或空格。

---

今日行动项

今晚回去做一件事：

完成你的第一个风格迁移作品。步骤：

1. 选一张你拍的照片（风景、宠物、建筑都可以）
2. 用img2img方法，Denoising设为0.5
3. 分别生成以下三种风格：

• 梵高油画：oil painting, Van Gogh style, swirling brushstrokes
• 中国水墨：Chinese ink wash painting, sumi-e, minimalist
• 赛博朋克：cyberpunk style, neon lights, futuristic

1. 把三张图放在一起对比，感受不同风格的魅力

进阶挑战：如果你已经会用ComfyUI，试试IP-Adapter方法——找一张你最喜欢的画作作为风格参考图，一键生成风格迁移作品。

---

🚇 地铁深读：风格迁移的商业应用

这个板块专为地铁通勤设计，每篇5-10分钟。不想深读可以跳过，不影响主线学习。

从技术到生意：风格迁移如何赚钱？

风格迁移不只是”好玩”，它已经是一个成熟的商业应用领域。

应用一：滤镜App

Instagram、美图秀秀里的”艺术滤镜”，本质上就是风格迁移。Prisma是这个领域的开创者——2016年上线后，一周内下载量超过1000万次，成为当年最火的App之一。

商业逻辑：用户免费使用基础滤镜，付费解锁高级风格。Prisma的付费订阅价格是每月7.99美元，高峰期年收入超过1亿美元。

应用二：电商产品图

服装电商面临一个痛点：同一个款式的衣服，需要在不同场景中展示（街拍、室内、户外）。传统方式需要多次拍摄，成本很高。

风格迁移的解决方案：拍摄一次，用风格迁移生成不同场景风格的产品图。一件白色连衣裙，可以变成”日系清新风”、”欧美街拍风”、”复古胶片风”——同一张底图，多种风格，省时省力。

应用三：游戏和影视

游戏公司用风格迁移快速制作概念艺术。比如，设计师画一个粗略的草图，用风格迁移把它变成”油画风”、”赛博朋克风”、”水墨风”的成熟概念图。效率提升了5-10倍。

影视行业用风格迁移做”预可视化”——在正式制作前，用风格迁移快速生成不同视觉风格的场景预览，帮助导演和美术指导确定视觉方向。

应用四：个性化商品

现在有很多”定制油画”服务：你上传一张照片，艺术家帮你画成油画。传统方式需要1-2周，价格几百到几千元。

用风格迁移，同样的服务可以做到10秒出图、10元价格。虽然不是真正的手绘油画（通常是打印到画布上），但对于大部分消费者来说，效果已经足够好。

风格迁移的局限

商业应用中，风格迁移有几个需要注意的局限：

1. 质量不稳定：同样的参数，不同照片的效果差异很大，需要人工挑选和调整
2. 人脸问题：风格化后人脸容易变形，在涉及人物的商业场景中需要额外处理
3. 版权风险：如果风格参考图是有版权的艺术作品，生成的风格化图片可能涉及侵权——这是一个法律灰色地带
4. 审美瓶颈：工具再好，也需要使用者有审美判断力——生成100张，能用的可能只有几张

推荐学习资源

如果你想深入学习风格迁移：

• 论文：Gatys et al., “A Neural Algorithm of Artistic Style” (2015) — 风格迁移的开山之作，值得一读
• 课程：fast.ai Practical Deep Learning — 有专门的风格迁移章节，适合有Python基础的学习者
• 社区：Civitai.com — 海量风格模型下载，看别人的作品找灵感
• 工具：ComfyUI官方示例工作流 — 包含多种风格迁移的现成模板，导入就能用

---

今日总结

三个关键要点：

• 三种实操方法：img2img（快速上手，提示词控制风格）、ControlNet+风格提示词（精确保构图，适合商业用途）、IP-Adapter（无需提示词，一张参考图搞定风格）
• Denoising strength是核心参数：油画0.45-0.55、水墨画0.55-0.65、风格差异越大需要越高——但超过0.6原图细节开始丢失
• 风格混合是进阶玩法：提示词加权混合、双IP-Adapter串联、Inpaint区域风格化——掌握这些你就能创造出独一无二的视觉效果

---

下篇预告

明天早上8点：Day25——早课 AI图像编辑：修图新方式。我们将学习如何用AI进行局部修图、背景替换、物体擦除——Photoshop需要半小时的工作，AI可能只需要30秒。

今天是Day24的完结：早课学理论，晚课练实操，风格迁移的理论和实践你都掌握了。明天开始我们进入AI图像编辑的新领域！