1. 项目概述直面AI绘画的“脸崩”顽疾画一幅绝美的风景人物却长着一张扭曲的脸生成一个酷炫的角色五官却像被随机打乱重组。这大概是所有AI绘画玩家尤其是使用Stable Diffusion这类工具的朋友最常遇到也最头疼的问题——脸部崩坏。它就像一个幽灵在你最期待的时刻出现毁掉一张本可以封神的作品。我玩AI绘画快两年了从早期的NovelAI到现在的各种SD大模型、LoRA几乎每天都在和“脸崩”作斗争。今天要分享的不是什么高深莫测的理论而是我经过无数次失败和尝试后总结出的一套成功率极高、操作快速的“组合拳”方案。这套方案的核心思路不是依赖单一的“魔法咒语”或某个神秘参数而是通过理解AI生成图像的底层逻辑在生成前、生成中、生成后三个环节进行精准干预和修复。简单来说我们要做的不是“祈祷”AI不出错而是主动“引导”和“修正”AI。这就像一位经验丰富的修图师不仅要知道怎么拍好照片更要精通后期如何补救瑕疵。无论你是刚入门的新手还是已经能熟练出图的老手这套从模型选择、提示词构建、到参数调整、再到后期修复的全流程方案都能显著提升你作品中人物脸部的稳定性和美观度让“脸崩”成为小概率事件。2. 核心思路拆解为什么AI总是画不好脸在动手解决之前我们得先弄明白“脸崩”的根源。这不是AI笨而是有其内在原因。2.1 数据与算力的天生局限AI模型比如Stable Diffusion是通过学习海量图片-文字对来认识世界的。然而训练数据中的人脸虽然数量庞大但角度、光照、表情、种族、质量参差不齐。模型学到的是一种“平均脸”和“概率分布”。当你的提示词Prompt不够具体或者采样步数Steps较少时AI就会在这个庞大的概率空间里“随机漫步”很容易采样到一些不符合人类审美但符合它学到的某种数据分布的五官组合比如眼睛一高一低、嘴巴歪到耳根。此外标准文生图txt2img是一次性生成整张图计算资源注意力会平均分配给画面的各个部分。在有限的算力和迭代步数下对于需要精细结构的脸部分配到的“思考”资源可能不足导致细节模糊或结构错误。2.2 分辨率与构图引发的连锁反应一个非常关键但常被忽视的因素是生成分辨率。很多新手喜欢直接用512x512或768x768这样的低分辨率起步因为出图快。但问题在于在这个分辨率下人脸在整张画面中所占的像素面积非常小。对于SD模型来说它可能只用了几十个像素来“描绘”一双眼睛的复杂结构这几乎是不可完成的任务崩坏的概率自然极高。另一种情况是当你使用高分辨率如1024x1024但采用“低分辨率修复”流程时如果初始小图如512x512的脸部就已经有轻微畸变那么在高清放大阶段这个畸变会被显著放大和固化变得更加刺眼。2.3 提示词与模型的不匹配“一个美丽的女孩”这种提示词太模糊了AI有无数种理解方式。如果你用的模型是偏二次元的它可能画出动漫风格的大眼睛如果是写实模型可能偏向真人。但如果模型本身在训练时对于“美丽”和“女孩”的关联数据存在偏差就可能产生奇怪的结果。更糟糕的是同时使用多个强调面部特征的LoRA比如一个用于眼睛一个用于嘴巴如果这些LoRA之间风格或权重冲突会直接导致面部特征紊乱。3. 前期防御生成一张“好底子”的脸最好的修复是不需要修复。我们首先要在生成阶段就尽可能避免崩坏。3.1 模型与VAE的精准选择不要迷信所谓的“万能模型”。针对你的目标风格选择专门优化过的模型是第一步。写实人脸优先选择像ChilloutMix、Realistic Vision这类在高质量人像数据集上微调过的大模型。它们对人脸结构、皮肤质感的理解远胜于通用模型。二次元/动漫脸Anything、Counterfeit等系列是更好的选择。如果你追求特定画风比如《原神》风格就去寻找对应的LoRA或模型。检查VAEVAE变分自编码器负责将潜空间数据解码为最终像素图。一个合适的VAE能显著改善色彩和细节。许多优秀模型会推荐配套的VAE如vae-ft-mse-840000-ema-pruned.ckpt务必使用它。错误的VAE会导致面部灰暗、细节模糊为后续修复增加难度。3.2 提示词工程给AI清晰的“面部蓝图”模糊的指令得到模糊的结果。你需要用提示词把AI的“注意力”牢牢锁定在脸部。正面词汇强化在提示词中明确加入对脸部的正面描述。例如beautiful detailed face, perfect symmetrical face, delicate facial features, sharp eyes, detailed eyes, nose, lips, (best quality, masterpiece, ultra-detailed)。括号可以增加权重。负面词汇排除负面提示词Negative Prompt同样重要。必须加入deformed face, ugly face, asymmetric face, bad eyes, fused eyes, blurred eyes, extra limbs, missing limbs, mutated hands, poorly drawn hands, mutation, deformed, blurry, bad anatomy。这相当于告诉AI哪些雷区绝对不能踩。避免过度描述与冲突不要同时用大量互相可能冲突的细节词轰炸AI比如blue eyes, green eyes, smiling, serious expression。保持描述的一致性。3.3 生成参数的科学设置参数不是玄学每一个都有其物理意义。分辨率策略这是我个人最推荐的“黄金法则”。不要直接用你想要的高分辨率进行文生图。采用“低分辨率构图高分辨率修复”的两步法。第一步用较低的分辨率如512x768或640x640生成一张构图和姿势满意的图。这个阶段的目标是“确定布局和大致形象”对脸部的细节要求可以放宽。因为分辨率低单次生成速度快方便你快速迭代找到满意的构图。第二步选中这张低分辨率的“草稿”使用“高清修复”Hires. fix或“图生图”的放大功能。将目标分辨率设置为你最终想要的尺寸如1024x1536。关键在这里在放大阶段将“重绘幅度”Denoising strength设置在一个较低的范围通常是0.3 - 0.5。这个参数控制AI在放大时重新“绘制”的程度。0.3-0.5意味着AI会在保留原图基本结构和面部特征的前提下补充细节和清晰度而不是推倒重来从而极大降低了在高分辨率下直接“画崩”的风险。采样器与步数对于人脸推荐使用DPM 2M Karras或Euler a。步数Steps建议在20-30步。过少的步数20细节不足容易崩过多的步数50可能引入不必要的噪声和奇异点收益不大且耗时。面部修复插件的慎用WebUI自带的“面部修复”如CodeFormer、GFPGAN选项可以在文生图最后阶段对脸部进行后处理。我的经验是在文生图阶段不要开启它因为它有时会过度平滑脸部产生塑料感或与整体画风不搭。我们更推荐将其作为后期精修的可选工具在需要时单独使用。4. 中期控制与后期修复精准救火即使前期工作做得再好偶尔的崩坏也在所难免。这时就需要我们拿出精准的修复工具。4.1 局部重绘手术刀式的精准修正这是解决面部崩坏最强大、最常用的功能没有之一。核心思想是只重画坏了的部分其他好的部分完全保留。蒙版绘制在“图生图”的“局部重绘”标签页上传崩坏的图。用画笔工具仔细地、仅将崩坏的区域涂上蒙版。例如只是嘴巴画歪了就只涂嘴巴区域千万不要把整张脸甚至头发都涂进去。蒙版区域越精准修复效果越好对周围画面的影响越小。蒙版设置蒙版模式选择“重绘蒙版内容”。蒙版模糊设置一个较小的值如4-8。这个值决定了蒙版边缘的羽化程度值太大会导致重绘区域与周围衔接不自然。重绘区域选择“仅蒙版”。这能最大程度地保护蒙版外的画面。重绘参数重绘幅度这是核心参数。对于小范围的面部修正如歪嘴、大小眼建议使用0.5-0.7。这个幅度足以让AI重新理解这个区域该画什么又不会因为变化太大而产生新的不协调。提示词在提示词框中需要非常具体地描述你希望蒙版区域变成什么样。例如如果修复嘴巴可以写perfect lips, closed mouth, natural mouth, detailed lips。同时保留原有的正面提示词并在负面提示词中强调deformed mouth。采样器与步数可以和主图一致也可以使用更擅长细节的采样器如DPM 2M Karras步数25-30。多次迭代一次重绘可能不完美。可以保存一张效果最好的以其为基础对仍不满意的微小区域再次进行局部重绘。通过这种“层层递进”的修复最终能达到非常精细的效果。4.2 ADetailer扩展自动化的面部检测与重绘这是一个能极大提升效率的神器。它能在图片生成后自动检测画面中所有的人脸或手部等然后对每个检测到的区域自动进行一次“局部重绘”。安装与启用在WebUI的“扩展”中安装adetailer。安装后在文生图或图生图页面的下方会出现ADetailer的折叠选项。模型选择它内置了多种检测模型。对于人脸最常用的是face_yolov8n.pt或mediapipe_face_full。前者精度高后者速度快。参数配置提示词这里可以填写专门针对面部的提示词比如detailed face, beautiful eyes。如果留空则会沿用主提示词。重绘幅度建议设置在0.3-0.5之间。因为这是对已生成面部的“微调”和“增强”幅度不宜过大。检测置信度默认0.3即可调得太高可能会漏掉一些脸。工作流集成你可以将ADetailer作为工作流的最后一步。先生成一张构图满意的图可能脸部细节略糙然后通过ADetailer让AI自动为图中的每张脸进行一次细节增强和修正相当于给所有脸部上了一道保险。4.3 高清修复与放大中的脸部保护当使用高清修复Hires. fix或专门的放大脚本如Ultimate SD Upscale来提升图片分辨率时脸部依然是高风险区。分块重绘尺寸如果使用Tiled Diffusion/VAE这类分块放大方法务必确保“分块宽度/高度”设置合理。一个经验法则是分块尺寸至少要是画面中最大脸部的2倍以上。例如如果脸部大约占256像素宽那么分块尺寸最好设置为512或更大。这样可以避免一张脸被分割到两个不同的图块中导致接缝处或结构错乱。控制网与重绘幅度在高清修复时如果开启了控制网如Tile来增强细节需要适当降低重绘幅度如0.2-0.35并密切观察脸部变化。一旦发现脸部开始畸变应立即停止或调整参数。5. 进阶技巧与问题排查实录掌握了基本流程后一些进阶技巧和问题排查经验能让你事半功倍。5.1 利用OpenPose或深度图固定脸部构图如果你有一张非常满意的脸部构图可以是真人照片也可以是另一张AI生成的完美脸部不希望在新图中改变可以使用控制网ControlNet。将满意的脸部图片放入ControlNet单元。预处理器选择openpose_face或depth_hand_refiner仅提取面部深度。模型选择对应的control_v11p_sd15_openpose或depth模型。在生成新图时启用这个ControlNet单元权重可以设置在0.6-0.8。这样AI在生成新的人物时会严格遵循你提供的这张“参考脸”的骨骼姿态或大致空间结构极大降低了崩坏的可能性。这特别适用于需要生成多张同一角色不同姿势的系列图时。5.2 多角度人脸的生成要点生成非正面脸部如侧脸、仰视、俯视时崩坏率更高。提示词必须明确描述角度例如from side, looking left, extreme low angle view。使用模型许多模型在训练时侧脸数据较少。可以尝试寻找专门针对多角度人像优化的模型或LoRA。降低期望勤用局部重绘对于极端角度一次生成完美的难度很高。可以先生成一个大致正确的角度和结构然后通过局部重绘反复修正五官细节。5.3 常见“脸崩”类型与急救方案速查表问题现象可能原因快速解决方案五官扭曲、错位分辨率过低采样步数太少提示词冲突。1. 使用“低分辨率草稿高清修复”流程。2. 增加采样步数至25。3. 简化提示词检查负面词是否包含deformed face。脸部模糊、缺乏细节VAE不匹配模型本身不够精细高清修复重绘幅度过低。1. 更换为模型作者推荐的VAE。2. 尝试更擅长细节的模型如Realistic Vision。3. 适当提高高清修复的重绘幅度0.4-0.5。多张脸融合双面人构图过于复杂提示词中人物描述不唯一。1. 简化画面避免两个人物头部靠得太近。2. 在提示词中明确人物数量与位置如one girl, solo。3. 使用局部重绘蒙版选中多余的脸部用极低重绘幅度0.1或仅用修复模型擦除。面部风格与身体不搭使用了影响全局的LoRA或风格化提示词。1. 在局部重绘脸部时使用更中性或与身体风格匹配的提示词。2. 调整LoRA权重或尝试仅对脸部区域应用不同的LoRA需要高级技巧。ADetailer修复后脸变僵ADetailer的重绘幅度过高其使用的提示词过于笼统。1. 将ADetailer的重绘幅度降至0.3-0.4。2. 为ADetailer填写更精细的面部提示词或直接留空沿用主提示词。5.4 我的独家实操心得“先整体后局部”工作流是王道我90%的图都采用这个流程低分辨率出构图 → 挑选满意的 → 中幅度高清修复放大 → ADetailer自动修脸 → 如有瑕疵手动局部重绘微调。这个流程在速度和质量上取得了最佳平衡。善用“X/Y/Z图表”功能当你不确定某个参数如CFG Scale、重绘幅度对脸部的具体影响时不要盲目试错。用X/Y/Z图表固定其他参数只让这一个参数在一个范围内变化如重绘幅度从0.3到0.7步长0.1一次性生成对比图直观找到最佳值。建立自己的负面词库将你经常遇到的脸部问题关键词如asymmetric eyescrooked nose收集到一个文本文件中每次生成时直接粘贴进负面提示词。这比每次都临时想有效得多。接受不完美利用不完美有时AI生成的一些轻微“不标准”的脸部特征反而会让角色更有辨识度和生动感。不必追求绝对的、千篇一律的“完美”在可接受的范围内保留一些特点也是创作的一部分。解决AI绘画脸部崩坏没有一劳永逸的“银弹”但它绝对是一项可以通过系统方法论和熟练工具使用来掌控的技术。其核心在于理解流程、拆分问题、精准干预。从选择对的模型和VAE开始用清晰的提示词和科学的参数生成一张好底稿然后用ADetailer和局部重绘这两把“手术刀”进行精修。在这个过程中耐心比任何技巧都重要。多尝试多对比积累自己的参数经验你很快就能对“脸崩”说再见让AI真正成为你表达创意的可靠伙伴。