在本地从提示词生成并修正一张 AI 图片

可以得到什么

一张由本地 Stable Diffusion 生成、并经过结构约束与人工局部修正的 AI 图片。过程不是"输入提示词即得成图"，而是一条可拆解、可迭代的工作流。

适合哪些情况

• 希望离线或在自有机器上生成 AI 图像，不依赖云端服务。
• 接受在安装、模型管理和反复修图上投入时间。
• 需要对画面结构、人物姿态或局部细节进行精细控制。
• 希望了解本地扩散模型的完整链路，作为后续学习 ComfyUI、Midjourney 等工具的基础。

需要准备什么

• 硬件与运行环境：满足 Stable Diffusion WebUI 部署需求的本地机器。
• 模型与扩展：合适的 checkpoint、采样器，以及 ControlNet 等可选扩展。
• 输入素材：自然语言提示词、负面提示词，以及可选的参考图片或姿态/结构信息。

常见做法

1. 文生图：先用提示词和基础参数生成第一批候选，确定构图和画面目标。
2. 图生图 / 结构约束：用参考图、姿态或 ControlNet 约束保持原图结构并探索变化。
3. 局部重绘：针对人物脸部、手部、物体边缘、文字等常见错误区域做二次生成。
4. 高清放大：通过 Hires Fix 或放大模型达到可交付尺寸，再人工检查成图。

完整可复用的迭代链见 Stable Diffusion 本地出图迭代链（候选—约束—修正—放大）。

真实案例与教程

• 案例：AI轻创汇 Stable Diffusion 本地出图系统课案例
• 教程来源：SRC-VISUAL-001：Stable Diffusion零基础入门系统课：从安装部署到AI绘画实战
• 创作者：AI轻创汇

限制和检查点

• 不同模型、checkpoint 对相同提示词可能产生差异显著的结果，不可简单跨模型复用结论。
• 模型版本、WebUI 界面、扩展接口截至 2026-07-13 可能已变化，需重新核验项目文档与平台条款。
• 生成结果需人工检查人物畸形、错误文字、相似角色、商标和潜在侵权，见 Stable Diffusion 本地出图的模型来源、版权与时效风险。
• 本地出图的视觉素材可与 PPT 改稿、生成演示文稿局部视觉素材 形成互补——后者是"人工信息架构 + AI 局部视觉"，本任务是"AI 主生成 + 人工局部修正"。

相关任务

• PPT 改稿
• 生成演示文稿局部视觉素材

来源

• SRC-VISUAL-001：Stable Diffusion零基础入门系统课：从安装部署到AI绘画实战