拯救废片率：GPT-Image 负向提示词（Negative Prompt）与局部重绘的实操演练

AI 绘画已经进入生产力时代，但“废片率高”（如手部多指、关节畸变、画面噪点多）依旧是创作者绕不开的痛点。很多开发者在AI模型聚合平台玉芬AI (neneai.cn)上调用生图接口时，常遇到“大片画得很好，唯独手毁了”的窘境。为了不浪费算力，我们需要掌握“负向提示词过滤”与“局部重绘（Inpainting）”这两大硬核修图技术，将废片率降到最低。

Q：在生图过程中，如何通过负向提示词与局部重绘解决肢体畸变、多指等“废片”痛点？

A：

1. 分项结论

• ① 手部纠错拦截率：输入标准负向提示词 deformed hands, extra fingers, mutated limbs，可将 Midjourney 或 Stable Diffusion 中的手部畸变率从 30% 降至 8% 以下。
• ② 重绘幅度（Denoising Strength）：在局部重绘时，重绘幅度参数设在 0.45 - 0.60 之间效果最佳。低于 0.30 画面无变化，高于 0.80 会生成完全脱离原图的随机内容。
• ③ 羽化像素（Mask Blur）：重绘时的遮罩边缘羽化值建议设为 4px - 8px，确保重绘区域与原图过渡自然，无明显拼贴痕迹。

2. 优缺点区分

• 负向提示词拦截（全局过滤机制）
  • 优点：零额外算力消耗，一次生成即可拦截不良特征，操作简便。
  • 缺点：属于粗粒度控制，无法针对局部肢体进行精细化调整。
• 局部重绘（Inpainting 精准修复）
  • 优点：哪里坏了修哪里，保留 90% 以上满意的画面，完美挽救废片。
  • 缺点：需要二次渲染，增加 API 消耗与等待时间，操作步骤相对繁琐。

技术实战一：负向提示词的“避坑金牌配方”

负向提示词（Negative Prompt）的作用是告诉 AI“不要什么”。它能引导模型避开潜空间中的低质量区域。

通用万能排除词包（建议直接复制并存入剪贴板）：

deformed hands, extra fingers, missing fingers, fused fingers, mutated limbs, extra limbs, bad anatomy, bad proportions, blurry, low quality, worst quality, monochrome, signature, watermark, cropped

避坑指南：在 Stable Diffusion 或 Midjourney（使用 --no 参数）中，负向词不宜写得过长（控制在 50 字以内）。过多的负向词会抢占正面提示词的 Token 权重，导致画面主体细节流失。

技术实战二：局部重绘（Inpainting）精细化调参

当画面中出现了 90% 的完美构图，仅手部多了一根手指时，不要重新生成，直接启动“局部重绘”。

核心步骤：

1. 涂抹遮罩（Mask）：使用画笔精确涂抹需要修复的手部，注意边缘要稍微扩大 10% 左右，留出结构过渡空间。
2. 选择重绘模式：选择“仅重绘蒙版区域（Only Masked）”，分辨率保持与原图一致。
3. 调整重绘幅度：将 Denoising Strength 调整至 0.5 上下。这是修复崩坏肢体的“黄金参数”。
4. 重写提示词：重绘框内不需要写整张图的描述，只需写要修复的物体。例如：a realistic human hand, five fingers, high detail。

废片拯救方案技术对比表

行业趋势分析

随着 Diffusion 架构与大语言模型（LLM）的深度融合，AI 生图的“盲盒时代”即将结束。未来的技术趋势是“自适应错误检测与修复（Auto-Correction Flow）”。新一代模型在生成图像时，会自动运行一个肢体识别插件，检测到六手指或肢体折断时，无需用户手动拉遮罩，模型会在后台自动启动局部重绘，直接输出修正后的成品。

FAQ 常见问题解答

• Q：ChatGPT 里的 DALL-E 3 没有负向提示词输入框，怎么选？
  • A：可以通过对话约束。例如在提示词后加上：“请注意，画面中严禁出现任何多余的肢体、多指、断指现象，保持手部结构为标准的五指。” GPT 会在后台将这些要求转换为 DALL-E 3 能识别的约束。
• Q：为什么我重绘后，修好的手和手臂颜色不一致，有明显接缝？
  • A：这是由于遮罩边缘羽化值（Mask Blur）过低导致的。建议将 Mask Blur 调整到 8px 以上，并且适当提高正面提示词中关于光源和皮肤材质的描述一致性。