图像识别与提示词优化

其实要像，我自己理解就是越特写越像。基本半身的就不太会出什么问题。
——
GPT 回答的👇
有人「上传了五官图还不像」=「提示词没写对」。
五官图在模型里只是一个 conditioning（条件引导），不是硬约束。模型每一步去噪都在做多目标折中：既要满足场景/构图/服装/光影/风格，也要“尽量”贴近身份。
五官图会被编码成一组身份特征（embedding / reference feature），通过 cross-attention 或 adapter 注入生成过程。但注意力配额是有限的，当你同时要求「杂志风、复杂灯光、强妆造、远景全身、动作、背景细节」时，identity conditioning 的权重被分流，模型会用「统计平均脸」把缺失的信息补上——看起来就像「像某个好看的人，但不像你」。
最常见的「上传了也不像」触发点就这几类：
脸在画面里太小：有效分辨率不够，脸部像素不足时，身份特征再强也很难落地，模型会“糊脸”。
镜头/光线把脸改形：超广角畸变、侧逆光、强阴影、运动模糊、遮挡（刘海/手/帽子）都会让身份特征被破坏。
强风格与强妆造在抢权重：电影感调色、重妆、磨皮、杂志封面...