【AI绘画】Midjourney进阶：引导线构图详解

博客主页：[小ᶻZ࿆] 本文专栏: AI绘画|Midjourney

文章目录

💯前言
💯什么是构图
- 为什么Midjourney要使用构图
💯引导线构图
💯小结

💯前言

【AI绘画】Midjourney进阶：对称构图详解 https://blog.csdn.net/2201_75539691?type=blog

【AI绘画】Midjourney进阶：三分线构图详解 https://blog.csdn.net/2201_75539691?type=blog

【AI绘画】Midjourney进阶：中心点构图详解 https://blog.csdn.net/2201_75539691?type=blog

【AI绘画】Midjourney进阶：留白构图详解 https://blog.csdn.net/2201_75539691?type=blog

在之前的文章中，我们深入探讨了构图在 Midjourney 中的核心作用。通过对称、三分线、中心点构图和留白构图，我们理解了如何利用视觉平衡、比例和位置，使画面更具表现力。今天，我们将重点探讨引导线构图，这是一种极具实用性的技巧。通过自然或人为的线条，巧妙地引导观众的视线，赋予作品更强的层次感和视觉流动性。这不仅能够增加画面的深度感，还能让作品在视觉上更具吸引力。无论是在风景绘画、建筑场景，还是人物作品中，引导线构图都能够帮助创作者实现更精致的画面布局。本文将详细解析这种构图方法，助你在 Midjourney 中更高效地运用引导线技术，创造出引人入胜的视觉效果。
Midjourney官方使用手册

💯什么是构图

构图是摄影、绘画、设计等视觉艺术中的一个基本概念。它指的是艺术家如何在二维平面上安排元素，包括形状、线条、色彩、质地、空间等，以达到一定的视觉效果和艺术表达。

为什么Midjourney要使用构图

简单来说，Midjourney有构图词画面质量更高

构图的目标是引导观众的视线，突出主题，增加视觉吸引I力，以及传达艺术家的观点或情感。

在Midjourney中使用构图是非常重要的，有两个方向可以解释其必要性：非共性和共性。
- 从非共性的角度来看，在Midjourney中使用构图相关的提示词可以显著提升生成画面的质量。这是因为Midjourney的模型在训练时，不仅使用了图像，还结合了与这些图像相关的提示词。通常来说，这些图像来源于专业摄影或高质量渠道，具有较高的视觉标准。当模型学习了这些图片与提示词之间的关联后，用户在生成图像时如果使用了构图相关的提示词，系统会优先选择类似图库中的优质素材，从而生成更为精致的画面。因此，通过使用构图提示词，可以明显地提高生成图像的质量。
- 从共性的角度来说，构图本身就是一种极为有效的手段，可以用于引导观众的视线、突出画面的主题、增强视觉吸引力，并传递创作者的情感和观点。构图所带来的这些视觉上的提升效果，是不受具体工具限制的，无论是在摄影、绘画还是AI生成图像中都是通用的。因此，当在Midjourney中使用构图提示词时，画面的质量提升几乎是必然的结果。这些道理或许听起来有些抽象，但在实际操作和练习时，大家会切实地感受到构图带来的效果提升。

💯引导线构图

引导线构图是一种常用技巧，它利用图像中的线条引导观者的视线，将注意力引向图片的主要焦点或者让眼睛在画面中流动。

引导线构图是一种非常实用的构图技巧，它通过利用图像中的线条来引导观众的视线，将他们的注意力自然引向画面的主要焦点。这种技巧不仅能够强化作品的视觉重点，还可以创造出一种流动感，使得观众的视线能够顺着线条在画面中移动，从而增加画面的层次感和深度。无论是在风景摄影、建筑设计，还是人物肖像中，引导线构图都能有效提升作品的表现力，帮助观众更好地理解创作者想要传达的主题。
为了更好地理解引导线构图的概念，我们来看几张示例图片。首先是一张风景图，公路从近处延伸到远方。通过道路两侧的边缘线以及道路中央的分隔线，观众的视线会自然而然地从画面前景引导至远处的风景。这种构图手法非常直观地展现了引导线的作用，将视线引向更为广阔的远景。
接着我们来看另一组建筑设计的图片。在这些画面中，建筑物的线条同样起到了引导视线的作用。通过建筑物的结构和线条，观众的目光会被引导在画面中流动，仿佛在空间中探索。这不仅使画面更具秩序感，也增加了视觉的层次感和延展性。

特点

引导视线
- 引导线能够有效地引导观众的目光，使他们的视线自然地沿着线条移动，进而突出画面中的重点元素。这种构图方式让观众的视线在画面中流动，从而增强作品的表现力。
增加深度：
- 引导线，特别是有序排列的线条，能够为图片增添空间感，使二维的画面呈现出类似三维的效果。尤其是在建筑类作品中，不同线条的组合能够带来强烈的深度感和秩序感，使得整个画面更加立体、富有层次。

使用场景

首先，在风景摄影中，我们可以利用自然界中的线条作为引导线，比如山脉、河流或道路等元素。这些线条能够有效地引导观众的视线，深入到画面的远方，增强景物的层次感。
其次，在建筑摄影中，建筑物的线条、形状和结构同样可以作为引导线，帮助观众的目光在画面中流动。这种构图方式可以使建筑作品更具秩序感和空间感。
最后，在人像摄影中，模特的姿态、眼神甚至衣物的线条都可以成为引导线，吸引观众的注意力，强调人物的重点细节，增强照片的情感表达。

提示词书写技巧

在撰写提示词时，准确地使用引导线构图（Guide Line Composition）这一关键词非常关键。这一构图技巧通过线条的排列与设计，引导观众的视线沿着特定路径在画面中流动，最终聚焦在图像的重点区域。在提示词中加入guide Line Composition，能够帮助AI生成的图像更好地体现视觉引导效果，强化画面的层次感和空间感。这一技巧广泛应用于风景、建筑以及人像摄影等领域，使生成的图像更具深度和视觉连贯性。

测试

原图：

landscape photography, mountains, valley, river, sunset, soft lighting, 8k, cinematic, wide angle --ar 16:9

原图展示的是自然风光的整体美感，主要以山脉、河流和夕阳为主，画面中的元素没有明显的引导，观众的视线在画面中可能会随机游走，无法集中在某一特定区域。画面虽然美丽，但缺乏明确的视觉焦点，层次感和纵深感相对较弱。

原图+guide Line Composition：

landscape photography, mountains, winding road, river, sunset, guide line composition, leading lines, cinematic, 8k, dramatic lighting, wide angle --ar 16:9

添加guide line composition后大大增强了视觉引导效果。通过蜿蜒的道路和河流作为引导线，观众的视线会自然地从画面前景延伸至远处，画面中的线条结构强化了纵深感，使得图像看起来更加有序和立体。同时，观众的目光被有效地引导至远方的风景，使得画面的层次更加分明，整体的视觉体验更具连贯性和冲击力。

💯小结

引导线构图作为一种重要的视觉表现手法，在Midjourney生成图像的过程中，能够显著提升画面的视觉效果和层次感。通过合理运用线条，将观众的视线自然而然地引向图像的主要焦点，不仅可以强化画面中的视觉重点，还能够创造出一种流动感，使图像看起来更加生动、有深度。在风景、建筑和人像摄影等场景中，引导线构图的运用都能帮助创作者实现更具吸引力的作品。这种构图技巧，结合了美学与技术，能够有效增强图像的视觉连贯性和表现力，尤其在使用Midjourney进行AI生成图像时，通过在提示词中添加相关的构图词汇，作品的质量和层次感可以得到显著提升。
随着AI绘画技术的不断进步，构图技巧的应用将变得更加智能化和细致化。未来，AI不仅能够根据提示词生成高质量的图像，还会逐渐掌握艺术创作中的隐性规则，如情感表达、主题深度和视觉美学。通过不断优化对构图、光影、色彩等元素的理解，AI将能够更加精准地捕捉创作者的意图，甚至在无明确提示的情况下自主生成具有艺术性和内涵的作品。AI绘画的未来，不仅仅是工具的升级，更是艺术与技术深度融合的时代，它将拓宽人类艺术表达的边界，激发出更多富有创意与思考的视觉作品。

python 复制代码

import torch, torchvision.transforms as transforms; from torchvision.models import vgg19; import torch.nn.functional as F; from PIL import Image; import matplotlib.pyplot as plt; class StyleTransferModel(torch.nn.Module): def __init__(self): super(StyleTransferModel, self).__init__(); self.vgg = vgg19(pretrained=True).features; for param in self.vgg.parameters(): param.requires_grad_(False); def forward(self, x): layers = {'0': 'conv1_1', '5': 'conv2_1', '10': 'conv3_1', '19': 'conv4_1', '21': 'conv4_2', '28': 'conv5_1'}; features = {}; for name, layer in self.vgg._modules.items(): x = layer(x); if name in layers: features[layers[name]] = x; return features; def load_image(img_path, max_size=400, shape=None): image = Image.open(img_path).convert('RGB'); if max(image.size) > max_size: size = max_size; else: size = max(image.size); if shape is not None: size = shape; in_transform = transforms.Compose([transforms.Resize((size, size)), transforms.ToTensor(), transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225))]); image = in_transform(image)[:3, :, :].unsqueeze(0); return image; def im_convert(tensor): image = tensor.to('cpu').clone().detach(); image = image.numpy().squeeze(); image = image.transpose(1, 2, 0); image = image * (0.229, 0.224, 0.225) + (0.485, 0.456, 0.406); image = image.clip(0, 1); return image; def gram_matrix(tensor): _, d, h, w = tensor.size(); tensor = tensor.view(d, h * w); gram = torch.mm(tensor, tensor.t()); return gram; content = load_image('content.jpg').to('cuda'); style = load_image('style.jpg', shape=content.shape[-2:]).to('cuda'); model = StyleTransferModel().to('cuda'); style_features = model(style); content_features = model(content); style_grams = {layer: gram_matrix(style_features[layer]) for layer in style_features}; target = content.clone().requires_grad_(True).to('cuda'); style_weights = {'conv1_1': 1.0, 'conv2_1': 0.8, 'conv3_1': 0.5, 'conv4_1': 0.3, 'conv5_1': 0.1}; content_weight = 1e4; style_weight = 1e2; optimizer = torch.optim.Adam([target], lr=0.003); for i in range(1, 3001): target_features = model(target); content_loss = F.mse_loss(target_features['conv4_2'], content_features['conv4_2']); style_loss = 0; for layer in style_weights: target_feature = target_features[layer]; target_gram = gram_matrix(target_feature); style_gram = style_grams[layer]; layer_style_loss = style_weights[layer] * F.mse_loss(target_gram, style_gram); b, c, h, w = target_feature.shape; style_loss += layer_style_loss / (c * h * w); total_loss = content_weight * content_loss + style_weight * style_loss; optimizer.zero_grad(); total_loss.backward(); optimizer.step(); if i % 500 == 0: print('Iteration {}, Total loss: {}'.format(i, total_loss.item())); plt.imshow(im_convert(target)); plt.axis('off'); plt.show()