“AI超越·交叉赋能”实用技术丛书--生成式AI绘画：Stable Diffusion从基础到实战

1.本书内容丰富，包含了AI绘画的历史沿革、原理革新、伦理道德等重要内容，读者可以以本书深入学习AI绘画相关知识。 2.本书内容由人工智能方向的老师和设计方向的老师联合打造，为读者解析绘画思路，而并非只限于平台操作步骤。 3.本书内容包含了行业实践，分别以建筑设计、动漫设计、平面设计为例，进行了剖析，以帮助读者可以深入到各行业中。

图像生成AI已经掀起了一场对各个领域有深刻影响的革命。本书深入研究了这一技术变革对产业、创意及社会伦理所带来的深远影响。
首先，图像生成AI的崛起正在迫使传统产业重新审视自身。其每日生成的图像数量相比传统方法呈指数级式增长，这使得传统产业的运营模式面临着翻天覆地的改变。相关领域的从业者需要重新思考他们在这一新时代的定位，更多地发挥指导者的角色，与AI协同工作，指导整体创作过程。这不仅是技术手段的变化，更是对从业者技能的全新要求，需要更广泛地理解和操作AI系统。
图像生成AI也为创作者提供了前所未有的机会。它被认为能够轻松将抽象概念转化为视觉作品，使更多人能够表达自己的创意，从而达到了创意的多样性。这不仅是对创作者的解放，也被认为是沟通方式的革命，使更多的人能够通过视觉媒体实现自我表达和主张。图像生成AI为创意领域开辟了新的可能性，改变了人与人之间的创意交流方式。
本书通过深入研究AI绘画的探索历程，全面探讨了深度学习与AI绘画的交汇，以及AI绘画在多模态、大模型和产业赋能方面的发展。同时，本书还深入剖析了AI绘画引发的伦理问题，包括知识产权、信息安全、就业等方面，着重强调了技术发展与伦理之间的协同进步。
本书共分8章，详细介绍了AI绘画的发展历程、道德伦理，以及Stable Diffusion的技术细节。
在第1章中，回溯了AI绘画的发展历程，从早期的纺织图案“计算”探索到计算机科学与绘画的融合。主要探讨数学规则与算法之美如何影响艺术创作，以及AI遗传算法与有机艺术的结合。此外，深度学习如何推动AI绘画的发展也是本章的重点内容。
第2章着重于AI绘画在AIGC时代的多模态应用，探讨了从文本到图像的转换技术，包括DALL·E和CLIP模型，以及深度学习的新兴架构等内容。此外，本章还将介绍AI绘画如何赋能不同行业，带来创意和设计上的新机遇。
第3章探讨了AI绘画引发的社会问题，包括知识产权、信息安全和就业等方面的挑战。这一章旨在提供一个全面的视角，讨论技术进步带来的伦理问题，以及如何在保持创新的同时应对这些挑战。
第4章至第7章深入介绍Stable Diffusion等工具的本地部署和操作流程，探索图像生成的高级应用和技术细节，可为有志于深入了解和应用AI绘画技术的读者提供实用的指导。
第8章展示了AI绘画在各行业的应用案例，包括建筑设计、动漫设计和平面设计等领域。通过这些实际案例，读者将能够更好地理解AI绘画技术在实际应用中的潜力和影响。
通过阅读本书，读者将全面理解图像生成AI，见证它如何在创意领域引发革命，重塑创意的本质和范围。本书为读者提供了实践操作的指南，使他们能够更好地应对图像生成AI的时代。无论是专业创作者还是普通爱好者，都将发现在这个充满活力的领域中的无限可能，迎接技术与创意共同进步的未来。

著者

《生成式AI绘画：Stable Diffusion从基础到实战》一书用简洁而又生动的语言，全方位地解读了生成式人工智能绘画的原理、历史沿革、伦理道德等，同时，通过对Stable Diffusion平台的全面介绍，以经典案例和典型行业应用（建筑设计、动漫设计、平面设计）为载体，解读了用人工智能进行绘画的思路与步骤，内容包含了文生图、图生图、图生文等，让读者在学习平台操作流程的同时，理清AI绘画的底层逻辑，即知其然也要知其所以然，全面且细致、有趣又有吸引力。
本书适合使用AI工具辅助工作的设计人员、绘画创作者阅读学习，对AI绘画感兴趣的人群也可以阅读，同时，本书也可以作为AI绘画专业的教材使用。

1 AI绘画的探索时代 001
1.1 AI绘画的早期探索 002
1.1.1 纺织中的图案“计算” 002
1.1.2 计算机科学与绘画的融合 003
1.1.3 数学规则与算法之美 004
1.1.4 AI遗传算法与有机艺术 006
1.2 深度学习与AI绘画 007
1.2.1 从神经元到深度学习 007
1.2.2 卷积神经网络与图像特征 011
1.2.3 Sketch-RNN，从序列到图像 014
1.3 生成模型下的AI绘画 015
1.3.1 无中生有VAE 015
1.3.2 左右互搏GAN 018
1.3.3 具有创造性的CAN 020
1.3.4 强化学习与AI绘画 021
1.3.5 扩散模型与AI绘画 025

2 AI绘画迎来AIGC时代 029
2.1 AI绘画迎来多模态 030
2.1.1 从文本描述到图像 030
2.1.2 DALL·E与CLIP模型 031
2.1.3 模型训练的基石：数据集 034
2.1.4 Transformer——深度学习的新宠儿 037
2.1.5 GPT模型进化论 038
2.2 AI绘画大模型 042
2.2.1 Stable Diffusion 042
2.2.2 Midjourney 044
2.2.3 Adobe Firefly 045
2.2.4 ChatGPT与AI绘画 046
2.3 AI绘画赋能行业 048
2.3.1 内容创意与可视化 048
2.3.2 实用与功能性设计 050
2.3.3 数据驱动的分析与解读 053

3 AI绘画引发的社会问题 055
3.1 AI绘画与知识产权 056
3.1.1 “自觉”退赛的AI摄影作品 056
3.1.2 以假乱真“太空歌剧院” 057
3.1.3 AI绘画潜在的知识产权问题 058
3.2 AI绘画与信息安全 061
3.2.1 AI绘画潜在的信息安全问题 061
3.2.2 真假难辨的Deepfake 062
3.2.3 警惕AI绘画的虚假传播 063
3.3 AI绘画与就业 065
3.3.1 AI绘画与就业新机遇 065
3.3.2 AI绘画面临的失业风险 067
3.4 AI绘画与人机共进 068

4 本地部署使用 071
4.1 Stable Diffusion本地部署 072
4.1.1 开源社区中的WebUI 072
4.1.2 电脑配置需求 073
4.1.3 Stable Diffusion整合包推荐 074
4.1.4 Stable Diffusion自主配置流程 076
4.2 Stable Diffusion基本操作流程 085
4.2.1 WebUI界面介绍 085
4.2.2 AI绘图操作流程 087

5 Stable Diffusion图像生成 089
5.1 提示词生成图像 090
5.1.1 正向提示词与反向提示词 090
5.1.2 提示词的逻辑与分类 091
5.1.3 提示词的权重及语法 093
5.2 出图参数设置 096
5.2.1 迭代步数与采样方法 096
5.2.2 分辨率设置 098
5.2.3 生成批次与生成张数 099
5.2.4 提示词引导系数 101
5.2.5 随机数种子 101
5.3 图像生成图像 102
5.3.1 图生图入门 102
5.3.2 局部重绘 104
5.3.3 涂鸦重绘 107
5.3.4 其他图生图方式简介 108

6 Stable Diffusion进阶使用 111
6.1 图像生成进阶 112
6.1.1 主模型的介绍与使用 112
6.1.2 拓展模型的介绍与使用 117
6.1.3 使用AIGC工具辅助生成提示词 124
6.2 常用脚本介绍 126
6.2.1 X/Y/Z脚本 126
6.2.2 提示词矩阵脚本 129
6.2.3 批量提示词出图脚本 130
6.3 常用拓展插件介绍与下载 132
6.3.1 图片信息反推 132
6.3.2 图片高清放大 133
6.3.3 插件下载与配置 135

7 可控的图像生成 137
7.1 ControlNet插件介绍 138
7.1.1 ControlNet实现原理 138
7.1.2 ControlNet下载与配置 139
7.2 ControlNet插件的使用 141
7.2.1 基本使用方式 141
7.2.2 参数设置 142
7.2.3 多重控制网络 145
7.3 常用ControlNet模型分类介绍 146
7.3.1 常用对象类模型介绍 146
7.3.2 常用轮廓类模型介绍 147
7.3.3 常用景深类模型介绍 150
7.3.4 常用重绘类模型介绍 151
7.3.5 其他ControlNet模型简介 152

8 常见行业应用案例 157
8.1 建筑设计 158
8.1.1 发挥建筑设计创意 158
8.1.2 生成可控的建筑图像 162
8.2 动漫设计 166
8.2.1 现实转化为动漫 166
8.2.2 图书插画、绘本创作流程 169
8.3 平面设计 174
8.3.1 定制AI模特 174
8.3.2 可控的创意海报设计 180

附录 184
附录一 Stable Diffusion在线网站使用指南 185
附录二 Comfy UI使用指南 190