经过两周的翘首以盼，Midjourney 终于迎来了角色参考功能的支持！这意味着现在可以保持角色生成的一致性了。这个重磅消息绝对值得占据头条，相信网络上的众多AI领域博主们已经纷纷撰文详细介绍。在此，我不再赘述，直接切入正题，教大家如何上手这一新功能，并且会分享一些图片，让大家亲身体验这一新特性的魅力。

使用方法

总结来说：

• 在提示词后输入 —cref 网址，并附上一个角色图片的网址。
• 你可以使用 —cw 来调整参考“强度”从100到0。
• 强度100（—cw 100）是默认设置，会使用脸部、头发和衣服信息。
• 在强度0（—cw 0）时，它仅关注脸部（适合更换服装/头发等）。
• 你可以使用多个网址来混合多个图片的信息/角色，像这样输入 —cref 网址1 网址2（这类似于多个图像或风格提示）。

官方完整公告

这项功能与“风格参考”相似，不同之处在于，它不是匹配参考风格，而是试图让角色与“角色参考”图片相匹配。

使用方法：

• 在提示词后输入 —cref 网址，并附上一个角色图片的网址。
• 您可以使用 —cw 来调整参考的“强度”从100到0。
• 强度100（—cw 100）是默认设置，会使用脸部、头发和衣服的特征。
• 在强度0（—cw 0）时，它主要关注脸部（适合更换服装/发型等）。

适用场景：

• 此功能在使用Midjourney生成的角色图像时效果最佳。它并不适用于真实人物/照片（且可能会像普通图像提示一样扭曲它们）。
• Cref 与常规图像提示相似，但更专注于角色特征。
• 这项技术的精确度有限，它不会复制具体的酒窝/雀斑/或T恤标志。
• Cref 适用于 Niji 和普通 MJ 模型，并且可以与 —sref 结合使用。

高级特性：

您可以使用多个网址来融合来自多张图片的信息/角色，输入格式如下：—cref 网址1 网址2（这与多个图像或风格提示相似）。

在网页alpha版本中如何使用？

将图片拖拽或粘贴到想象栏中，现在有三个图标可供选择。选择这些图标可以设置图片提示为图像提示、风格参考或角色参考。使用 Shift+选择选项，可以用一张图片应用于多个类别。

请注意，尽管 MJ V6 目前处于alpha阶段，此功能和其他功能可能会突然变化，但V6官方测试版即将到来。

样图测试

为了方便测试，我拿大家熟悉的明星脸部特征，大家对比看看。

Anne Hathaway

原图

MJ出图

提示语：
girls portrait, thin lips, hair in a bun, studio light, black turtleneck, black background. --ar 9:16 --cref [https://s.mj.run/SwR3r2Tz6n0](https://s.mj.run/SwR3r2Tz6n0 "https://s.mj.run/SwR3r2Tz6n0") --s 750

提示语：
girls portrait, thin lips, blue short hair, studio light, black turtleneck, black background. --ar 9:16 --cref [https://s.mj.run/SwR3r2Tz6n0](https://s.mj.run/SwR3r2Tz6n0 "https://s.mj.run/SwR3r2Tz6n0") --cw 0 --s 50 --style raw

这次改变的发型和发色。

来个卡通效果的，效果也非常不错！

提示语：
A female person speaking look at camera, 3D cartoon, disney pixar style --ar 9:16 --cref https://s.mj.run/SwR3r2Tz6n0 --s 750 --cw 0 --niji 6

假如觉得# Anne Hathaway 的脸部轮廓过于Man了，可以加入东方的女性美，那就加上超越小姐姐中和一下吧 🤦‍。 超越小姐姐原图。

A female person speaking look at camera, 3D cartoon, disney pixar style --ar 9:16 --cref  https://s.mj.run/SwR3r2Tz6n0  https://s.mj.run/prELVtNTwzU --s 750 --cw 0 --niji 6

看起来更符合东方的审美了！

经过简单测试，可以说，mj这次的一致性功能还是非常赞的，已经超过了SD各种换脸和换风格方法，后面又新玩法，我会继续分享给大家！

Google在一致性模型的研究

也在今天，Google也发布了Multistep Consistency Models（多步一致性模型）论文，谷歌的新研究提出了一种多步骤一致性模型，它桥接了一致性模型和扩散模型的优势，通过增加步骤数量，实现了采样速度和质量之间的优化平衡。这种模型在图像生成任务中表现出色，并在多项实验中取得了高质量的样本，具有很高的实用价值。

以下是原文：

扩散模型训练相对简单，但生成样本需要多个步骤。一致性模型训练难度较大，但能在一步内生成样本。在这篇论文中，我们提出了一种融合了一致性模型（Song等人，2023年）与TRACT（Berthelot等人，2023年）的多步骤一致性模型，能在一致性模型和扩散模型之间进行插值：在采样速度和质量之间取得平衡。具体来说，一步的一致性模型是传统的一致性模型，而我们证明，无限步的一致性模型实际上就是扩散模型。多步骤一致性模型在实际应用中表现卓越。通过将样本预算从单步增加到2-8步，我们能够更容易地训练出生成高质量样本的模型，同时保留大部分采样速度的优势。值得注意的是，在使用一致性精馏的情况下，我们在8步内达到了Imagenet 64的1.4 FID和Imagenet128的2.1 FID。此外，我们还证明了我们的方法可以扩展到文本到图像的扩散模型，生成的样本质量与原始模型非常接近。

这项研究具有深远的意义，它预示着未来AI生成内容（AIGC）将更加精准和可控。 说来有趣，谷歌似乎总是错过焦点。记得上次是Gemini Pro 1.5的发布，结果风头却被Sora抢走，这真是让人会心一笑啊 😂。不过，谷歌的这项创新无疑将引领行业迈向新的发展方向。

关注我公众号（设计小站）：sjxz00，获取更多AI辅助设计和设计灵感趋势。