Stable Diffusion绘画教程：从零开始掌握AI绘画的核心技巧

想学Stable Diffusion绘画教程却不知从哪入手？这篇指南从底层原理讲起，手把手带你搞定本地部署、提示词编写、参数调优和ControlNet精准控制。不堆砌术语，只讲你真正用得上的实操方法。无论你是设计师还是绘画爱好者，跟着走一遍，就能画出让自己满意的作品。

一、Stable Diffusion到底是什么，为什么它跟别的AI画图不一样

如果你之前用过一些在线AI画图工具，可能会有一种感觉：输入一句话，出来一张图，好看是好看，但你没办法控制它“怎么画”。构图是随机的，风格是平台定好的，你只能不停地重新生成，碰运气。

Stable Diffusion（简称SD）的逻辑完全不同。它是一款开源的AI绘画模型，装在你自己的电脑上运行，不联网也能画，没有积分和次数限制，画风靠换模型就能切换。更关键的是，它提供了大量可以“介入”生成过程的工具——你可以控制人物的姿势、画面的构图、线条的走向，甚至指定某个区域画什么、不画什么。

Stable Diffusion的本质是一种潜在扩散模型（Latent Diffusion Model，LDM）。它的核心思路分两步：先把一张图压缩成更小的“潜空间”表示，然后在这个压缩后的空间里逐步去噪，最后再解码回完整图像。这个设计让SD的生成速度远快于传统的像素空间扩散模型，也让普通消费级显卡能够跑得动。

从组成上看，SD由三个核心模块协作完成工作：文本编码器（CLIP Text Encoder）负责理解你写的提示词，U-Net负责在潜空间里一步步去噪，VAE（变分自编码器）负责把潜空间的表示解码成最终看到的图片。理解这个结构，后面调参数的时候就不会一头雾水。

二、装好它，比你想的简单

部署方式怎么选

SD的部署有两条路。一条是从官方项目拉源码自己配环境，适合有编程基础的人。另一条是用整合包——把界面程序、Python运行环境和常用模型提前打包好，解压双击就能跑。

对于刚接触SD的人来说，整合包是更务实的选择。目前Windows平台上使用最广泛的是秋叶整合包，最新版本已经更新到v4.11.1，同时支持NVIDIA和AMD显卡。

硬件门槛

SD对硬件的要求比很多人想象的要低。显卡方面，NVIDIA显卡显存4GB就能跑起来，8GB以上体验会好很多。内存建议16GB起步。硬盘需要留出100GB到200GB的空间，因为模型文件本身就很大，再加上生成的图片会不断累积。没有独立显卡也能运行，只不过速度会明显慢下来，适合先熟悉流程再考虑升级硬件。

部署步骤

安装过程归纳起来就是三步：安装启动器运行依赖，解压整合包，把下载好的大模型和ControlNet模型分别放进对应的文件夹，然后双击启动器，点“一键启动”。浏览器会自动打开操作界面，地址是 http://127.0.0.1:7860。

装好之后，建议先不要急着调参数，用默认设置生成几张图，感受一下从输入文字到出图的完整流程。

三、提示词：SD的“方向盘”

正向提示词的结构逻辑

提示词是SD生成图片最直接的输入。一个好的提示词不是堆砌形容词，而是按一定的逻辑组织信息。一个实用的结构是：先写主体，再写环境，然后是光照、风格和质量词。主体永远放在最前面，因为SD对靠前的词汇权重更高。

举个具体的例子。如果你想画“一个穿红色裙子的女孩站在雨中的东京街头，赛博朋克风格，电影感光照”，提示词可以这样组织：a girl in a red dress, standing on a rainy Tokyo street, cyberpunk style, cinematic lighting, neon reflections on wet pavement, 8k, masterpiece。注意每个逗号分隔的部分都是一个独立的信息单元，SD会分别理解它们。

提示词的总长度建议控制在75个单词以内，大约60个汉字。太长反而会让模型“分心”，导致每个词的效果都被稀释。

权重调整

SD允许你用括号来调整某个词的影响力。小括号增加权重，每加一层乘以1.1；中括号降低权重，每加一层乘以0.9。比如 (red dress:1.3) 会让红裙子更突出，而 [blurry:0.8] 会减弱模糊感的影响。

权重不是越高越好。超过1.5的权重容易让画面出现不自然的扭曲。Civitai社区的用户普遍发现，权重在1.1到1.4之间是最稳定的区间。

反向提示词

反向提示词告诉SD“不要画什么”。常用的反向提示词包括 blurry, low quality, bad anatomy, extra fingers, watermark 等。这些词能有效减少画面中的瑕疵。反向提示词不需要写太多，覆盖最常见的几个问题就够了。

四、参数调优：采样器和CFG的配合逻辑

采样器不是随便选的

采样器决定了SD在潜空间里“怎么走”去噪的路径。不同采样器的性格不一样，有的快但粗糙，有的慢但精细。

Euler是最基础的随机采样器，速度最快，适合快速预览构图。DPM++ 2M Karras是二阶数值方法，细节表现最好，适合最终出图。UniPC是通用预测校正框架，在中等质量需求下效率最优。

实测数据可以参考：在相同硬件环境下生成512x512的图片，Euler大约3.2秒，DPM++ 2M大约5.7秒，但DPM++ 2M的FID分数（越低越好）从12.8降到了8.3，说明画面质量提升明显。

新手可以记住一个简单的搭配原则：预览用Euler，步数10到15；正式出图用DPM++ 2M Karras，步数30到40。

CFG Scale：提示词的“听话程度”

CFG Scale控制SD有多“听话”。值太低（低于5），SD会自由发挥，画面可能偏离你的描述；值太高（超过16），SD会过度拟合提示词，画面变得僵硬、出现伪影。7到13是比较安全的范围，7到9适合创意型画面，10到13适合写实和精确控制。

一个容易被忽略的规律是：CFG越高，画面越“干净”但细节反而会减少，因为高CFG压制了噪声带来的随机变化。所以不要迷信高CFG，找到一个平衡点更重要。

步数

步数决定去噪迭代多少次。20到30步通常是性价比最高的区间。低于15步画面可能不完整，高于50步的收益递减得非常快——多出来的计算时间换来的质量提升微乎其微。

五、模型体系：大模型、LoRA和VAE各管什么

SD的模型不是单一文件，而是一个分层体系。

大模型（Checkpoint） 是画面的“基调”。它决定了整体的画风、色彩倾向和生成质量。写实类的大模型如majicMIX realistic和Realistic Vision，在生成亚洲面孔和真实质感方面表现突出。二次元类的大模型如Anything系列，则专注于动漫风格的线条和色彩表现。

LoRA 是附加在大模型上的小型微调模块，用来注入特定的风格、人物特征或概念。LoRA的权重通常设置在0.6到1.0之间，超过1.2容易出现画面扭曲。多个LoRA可以叠加使用，比如一个控制面部特征，另一个控制画风，分别调整权重就能组合出精细的效果。

VAE 负责色彩和对比度的微调。如果你发现生成的图片发灰、色彩不够鲜艳，很可能就是没有加载合适的VAE。

还有一个实用的提示词技巧值得单独提一下：(masterpiece:1.2), (best quality:1.3) 这类质量标签堆在提示词开头，是A1111 WebUI上被广泛验证有效的做法。它不能创造奇迹，但能让基础模型的输出更稳定。

六、ControlNet：从“碰运气”到“精确控制”

如果说前面的内容都是在学“怎么让SD画出一张好看的图”，ControlNet要解决的问题是“怎么让SD按照你的意图来画”。

ControlNet是斯坦福大学研究人员开发的SD扩展。它的原理是在SD的U-Net上附加可训练的网络模块，在不改变原始模型权重的前提下，让外部条件（比如人体姿态、线稿、深度图）参与到生成过程中。

这意味着你可以上传一张参考图，告诉SD“按这个人的姿势画”，或者画一张简单的线稿，让SD把它渲染成完整画面。

安装ControlNet的流程是：在WebUI的扩展页面填入GitHub地址安装，重启界面，然后下载对应的ControlNet模型文件放进 models/ControlNet 文件夹。

常用的ControlNet模型类型包括：

• OpenPose：提取人体骨骼关键点，控制人物姿态。适合需要特定动作的场景。
• Canny / Lineart：提取边缘或线稿信息，适合把草图变成成品。
• Depth：提取深度信息，保持画面的空间层次关系。

权重（Weight）控制ControlNet条件的影响力，引导介入时机（Guidance Start）控制从生成的哪个阶段开始应用ControlNet。这两个参数需要配合使用，通常从默认值开始微调。

七、横向对比：SD和它的“竞争对手”到底差在哪

为了帮你更清楚地判断SD是否适合自己，用一张表来对比当前主流的AI绘画方案。

有一种比喻很贴切：Midjourney像是艺术家，给出的东西往往超出你的预期，但你想精确指挥它很难；Stable Diffusion更像是美工，你告诉它做什么它就做什么，精确到每个细节。

两者不是替代关系，而是不同场景下的不同选择。如果你需要画一张有明确构图要求的产品图或者角色设定图，SD的控制能力是其他工具目前难以替代的。

八、常见问题与排错思路

生成速度特别慢怎么办？ 首先检查是否在用CPU跑。NVIDIA显卡需要在启动器里确认CUDA环境正常。如果显存不足，在启动参数里加上 --medvram 或 --lowvram 可以降低显存占用，代价是速度略有下降。

图片发灰、色彩暗淡？ 大概率是VAE没有加载或者不匹配。在WebUI的设置里检查VAE选项，确认选择了一个合适的VAE文件。

人物手指画不好？ 这是扩散模型的常见问题。可以通过在反向提示词中加入 bad hands, extra fingers 来缓解，或者在生成后用局部重绘单独修手指。ControlNet的Depth或OpenPose模型也能在一定程度上改善手部的结构准确性。

模型加载失败？ 先检查模型文件的完整性，确认下载没有中断。模型文件通常有几百MB到几个GB，不完整的文件会导致加载报错。

九、从“能用”到“好用”的关键认知

写了这么多技术和操作层面的东西，最后想聊一个更深层的问题：为什么有些人用SD能持续产出高质量的作品，而有些人装了之后生成几十张就放弃了？

区别往往不在技术，而在“意图”。SD是一个极其灵活的工具，但灵活也意味着它不会替你做决定。提示词怎么组织、用哪个采样器、CFG设多少、要不要加ControlNet——每一个选择都在影响最终结果。如果你只是随便输入一句话就期待出好图，SD给你的反馈会很随机。

一个有效的练习方式是控制变量法：固定其他所有参数不变，每次只改一个变量——换一个词、调一次CFG、换一个采样器——然后对比结果。这样做虽然慢，但你能清晰地感知到每个参数在做什么，逐渐建立起对SD的“手感”。

另一个值得养成的习惯是分层处理。不要试图用一次生成就得到完美结果。先用低步数、低分辨率快速探索构图和配色，确定方向后再用高步数、高分辨率出图，最后用图生图或局部重绘修细节。这种“粗调→精调→精修”的流程，比反复重新生成要高效得多。

常见问题（FAQ）

Q1：Stable Diffusion绘画教程里说的“整合包”和“官方版”有什么区别？

整合包是把WebUI界面、Python运行环境和常用模型预打包好的版本，解压即用，不需要自己配环境。官方版是从源码部署，灵活性更高，但需要处理依赖和环境问题。新手建议从整合包开始。

Q2：没有独立显卡能学Stable Diffusion绘画教程吗？

可以。SD支持CPU运行，但生成一张512x512的图片可能需要几分钟而不是几秒。可以先用CPU模式熟悉界面和提示词逻辑，确认自己真的有持续使用的需求后再考虑升级硬件。

Q3：SD 1.5、SDXL和SD 3.x该选哪个？

SD 1.5的生态最成熟，ControlNet和LoRA资源最丰富，适合学习和练习。SDXL的画质和结构理解能力更强，但对显存要求更高。SD 3.x是最新的版本，在文字渲染和提示词理解方面有显著提升，但社区生态还在建设中。建议从SD 1.5入门，熟悉后再根据需求升级。

Q4：提示词一定要用英文写吗？

主流模型对英文的理解最好。部分模型（如快手的Kolors）支持中文，但覆盖面有限。最实用的做法是用中文写好描述，用翻译工具转成英文再粘贴进去。

Q5：ControlNet的模型文件放在哪个目录？

放在SD安装目录下的 models/ControlNet 文件夹里。放好之后在WebUI的ControlNet面板里点“刷新模型”就能看到。

Q6：生成的人脸总是变形怎么办？

可以尝试几个方向：降低CFG到7左右，避免过度拟合；在反向提示词中加入 deformed face, bad anatomy；使用专门优化人脸的大模型（如majicMIX realistic）；或者用ControlNet的OpenPose约束头部姿态。如果追求更高精度，可以用LoRA专门微调特定面孔。

Q7：为什么同样的提示词，换一个大模型结果完全不同？

大模型决定了画面的“底色”。不同大模型在训练数据、风格倾向、色彩偏好上差异很大。提示词是在大模型的框架内起作用的，换模型等于换了一个“画师”，风格自然不同。