
你在网上刷到一张构图惊艳、色彩高级的 AI 图片,想做出类似风格,但发布者没写提示词。你保存了原图,却发现社交平台早就把图片里的生成参数抹得干干净净。去评论区留言求参数,往往石沉大海。
我自己做 AI 绘画这几年,反推过不下五千张图。很多人对“反推提示词”有个误区,以为反推工具能把原作者敲下的每一颗标点符号都百分之百找回来。这是不可能的。反推工具的本质是“图像识别重构”,它不是在查数据库,而是在用自己的视觉认知模型重新描述这张画。
要想真正还原一张画面的精髓,不是把工具吐出的几百个英文单词直接塞进生成框,而是要搞懂怎么剥离出关键的风格标签、光影逻辑和主体结构。
先做基础检查:看元数据是否还在
在花时间反推之前,先花十秒钟做个排查。如果原图没有被二次压缩,里面的生成信息可能还在。
先打开 Stable Diffusion WebUI 的 “图片信息”(PNG Info) 标签页,或者打开 ComfyUI,直接把图片拖进去。如果图片保留了原始生成信息,界面的文本框会直接显示出正向提示词、负向提示词、采样器、步数、CFG 和种子数(Seed)。
但是,如果这张图来自微信朋友圈、小红书、微博或者经过截图处理,EXIF 元数据就已经彻底丢失。这时候,你就必须转入反推流程。
四大反推工具的核心差异与选型
不同的反推工具,底层逻辑截然不同。用错了工具,还原出来的效果就会牛头不对马嘴。
1.Midjourney /describe:擅长提取艺术风格词汇、色彩情绪和艺术家名字。它会一次给出四种描述方案,适合用来找画风灵感。
2.WD14 Tagger(WebUI / ComfyUI 插件):基于 Danbooru 数据集训练,把画面拆分成标准的英文标签(Tags)。对二次元动漫角色、特定发型、服饰拆解非常准。
3.JoyCaption / Florence-2:专门为新一代大模型(如 FLUX.1、SD3)优化的本地视觉反推模型。它输出的是连贯的自然语言长句子,能准确理解主体之间的相对位置、材质反光和景深。
4.多模态大语言模型(如 Claude 3.5 Sonnet / GPT-4o):通用视觉理解强,擅长拆解镜头机位、用光方式(如体积光、轮廓光)和高级艺术风格流派。
下面是针对主流反推工具的实测对比:
| 工具名称 | 核心适用场景 | 输出格式 | 画风还原精度 | 典型局限 |
|---|---|---|---|---|
| Midjourney `/describe` | 概念设计、摄影写实、插画灵感 | 4 组自然语言句子及参数 | 中等(偏向重新联想) | 无法精准锁定小物件与复杂交互 |
| WD14 Tagger | 二次元动漫、SD1.5 / SDXL 模型 | 逗号分隔的标签(Tags) | 极高(仅限特征与服装) | 不懂画面语法,无法描述长句空间关系 |
| JoyCaption (推荐配合 FLUX) | 写实光影、复杂构图、长提示词底模 | 详细的自然语言叙述 | 极高(细节与空间层次) | 需要本地 8GB 以上显存运行 |
| Claude / GPT-4o 视觉分析 | 结构化拆解、工业设计、构图解析 | Markdown 模块化分析文本 | 高(适合辅助编写) | 容易过度描写画面,生成过多冗余修词 |
从反推到还原的四步操作法
以一张“赛博朋克雨夜街道中的机械少女特写”为例,如果直接拿反推结果出图,十有八九会得到一个要素过载的怪异拼贴。要还原精髓,按照以下四步操作:
步骤一:先裁剪画面,排除干扰信息
如果原图包含复杂的文字水印、平台边框或者无关的杂乱背景,先用系统自带的截图工具把主体和关键画风区域截取出来。不要直接把带大黑边或作者文字水印的图扔进反推工具,这会导致模型把“watermark, text, frame”这些负面特征当成画面核心元素记录下来。
步骤二:选对提取路径,导出原始特征
根据你最终打算使用的生成平台来选择反推工具:
•如果你打算用 Midjourney,直接在聊天框输入 `/describe`,把截好的图片拖进去,回车。
•如果你打算用 FLUX.1,建议在 ComfyUI 中接入 JoyCaption 节点,选择输出带有详细光影和构图细节的自然语言。
•如果你使用的是 二次元 SDXL 模型,打开 WD14 Tagger,模型选择 `wd-v1-4-moat-tagger-v2`,将判定阈值设在 0.35 到 0.45 之间。阈值太低会产生大量假阳性标签,阈值太高会丢失服装材质。
步骤三:按“四段式结构”剔除杂质
把工具给你的几十个词汇或长句子复制到记事本,按照下面的固定结构做分类提纯:
1.主体特征(Subject):去掉细枝末节,只保留人物数量、核心长相、发型、发色、标志性服装。例如从一大堆乱词中挑出:`1girl, short silver hair, cybernetic limbs, oversized dark jacket`。
2.构图与视角(Framing & Camera):提取机位信息。例如:`close-up, dutch angle, looking over shoulder, bokeh background`。
3.环境与光影(Lighting & Environment):这是还原画面氛围的核心。把反推中的光影词抓出来,例如:`neon lighting, wet reflections on asphalt, volumetric light, cyberpunk city street at night`。
4.画风与介质(Style & Medium):保留定义视觉语言的关键艺术词,删除重复的画质废话(比如 8k、masterpiece、highly detailed 这些在当前现代模型里权重极低的词)。只保留核心风格,例如:`retro anime aesthetic, 1990s cel shading, film grain`。
步骤四:重构测试与逐步加权
把提纯后的四组词按顺序拼接起来:主体 + 构图 + 环境与光影 + 风格。
先用基准参数跑第一批图(采样器选 Euler a 或 DPM++ 2M Karras,CFG 保持在 6.0 – 7.0 之间,FLUX 则保持指导值在 3.0 – 3.5)。
观察生成的样张与目标原图的差异:
•如果主体像了,但光影不够浓烈:在光影词上增加权重,在 WebUI 里用括号增加权重,如 `(wet reflections on asphalt:1.2)`。
•如果画风偏向现代 3D 渲染,而目标原图是手绘感:在负向提示词里加入 `3d render, octane render, smooth plastic texture`,同时把 `cel shading, hand-drawn texture` 挪到正向提示词的最前面。
必须警惕的三个踩坑点
第一,不要相信反推出来的艺术家名字。Midjourney `/describe` 特别喜欢在反推结果中塞入三个到四个具体的现代画家名字。很多时候原图根本不是那些画家的作品,只是画面里的某处配色撞了风格。直接保留这些名字,往往会导致画面被某个画家的固有画风带偏。先测试去掉人名后的纯风格描述词,如果质感不够,再单独补一个风格最接近的名字。
第二,注意词语污染与冲突。反推工具经常会给出互相矛盾的词。比如同一张图,它可能同时识别出了 `realistic photo` 和 `anime illustration`,或者同时出现 `daylight` 与 `night`。把词放进生成器前,必须人工通读一遍,删掉所有逻辑对立的描述。
第三,参数比提示词更决定质感。如果你反推的提示词完全正确,但生成的画面依然发灰、缺乏对比,问题通常不在提示词上,而在 底模选择(Base Model) 和 VAE 配置文件。拿写实风格反推词去跑二次元模型,无论词写得多完美,还原度都是零。先确定原图是 SD1.5、SDXL、FLUX 还是 Midjourney 生成的,再配上正确的采样步数(通常写实类在 28 到 35 步),才能真正做出那种干净通透的画面质感。
原创文章,作者:七点互动,如若转载,请注明出处:https://ai.qidianhudong.com/aikonw/prompt-template/4753.html