这是由 EJ Yao 生成的 Midjourney V6.1 的自然光下成功的茅屋渲染图之一。

Midjourney V6.1 感官板：创造童话故事的实用经验

视频

在制作一段 5 分钟的梦幻茅屋环境视频时，我发现 Midjourney 的感官板功能并不像我最初想象的那样是一个“随便放入任何参考图，魔法就会发生”的工具。在这个过程中，我学到了关于图像选择和感官板优化的宝贵经验，我非常想分享。同时，作为新年对 Midjourney 创作者的礼物，我们在这篇博客的末尾包含了一个实用工具，以帮助在影响您的感官板结果之前识别可能存在问题的参考图像。

视频创作之旅

这是由 EJ Yao 生成的 Midjourney V6.1 的自然光下成功的茅屋渲染图之一，使用的提示如下：

一座小巧奇幻的木屋，具有精致的细节和陡峭的屋顶，坐落在阳光明媚的迷人森林中，四周高耸的树木。柔和的阳光透过树木洒下，形成斑驳的光影在丰盛的绿叶上。在房子前面，一座拱形石桥跨越了一个池塘 --ar 16:9 --profile ayv579y --stylize 69 --v 6.1

通过使用单一提示并调整样式参数，我生成了大约 100 个不同场景的奇幻木屋和石桥。每个图像展示 3 秒，并配有放松的背景音乐。虽然这个项目听起来很简单，但它揭示了关于使用感官板的几项惊人见解。

上述的 Midjourney AI 提示是始终一致的基础提示。

感官板需要仔细策划

这是由 EJ Yao 生成的 Midjourney V6.1 的对比强烈的茅屋渲染图之一。

你知道让我最惊讶的是什么吗？感官板并不是我曾认为的简单“收集和创建”工具。当我刚开始这个项目时，我以为只需收集一些视觉上吸引人的图像，然后让 AI 工作即可。然而，我错得离谱。

这不仅仅是找到好看的图片——同时也涉及技术质量。那些看起来很吸引人的浓重阴影实际上造成了问题，因为它们包含纯黑色区域。这就像拍照时，你的相机 LCD 屏幕看起来没问题，但当你回家在电脑上查看时，你会发现那些阴影完全没有细节，黑得发亮。

最有效的方法是仔细检查每个图像，以确保：

• 自然阴影而不是纯黑区域
• 保持细节的高光，而不会变白
• 具有适当渐变的水面反射
• 一致的光照方向和质量

第2课：“少即是多”原则

这是由 EJ Yao 生成的 Midjourney V6.1 的极大成功的茅屋渲染图之一。

我发现了一个反直觉的事实：添加更多的参考图像往往会使事情变得更糟，而不是更好。我最初只有 4-5 张图片，并取得了一些惊人的结果。然后我想，“如果几张图片效果很好，那更多的图片一定更好，对吧？”错了。

当我扩展到 20 张以上的图像时，AI 似乎变得困惑，就像它在试图同时迎合太多不同的艺术方向。这就像请求建议——向太多人征求意见，你最终比开始时还要困惑。

快速参考指南

对于时间有限的朋友，这里是我们讨论的关键工作流程要点的快速总结：

• ✓ 在 100% 放大查看参考图像
• ✓ 检查高光和阴影以获取自然细节
• ✓ 从 4-5 个完美参考开始
• ✓ 扩展之前进行测试
• ✓ 一次添加一个新参考
• ✓ 移除任何导致不一致的内容

感官板的转折点

这是一个有趣的问题：我们为什么现在才发现这些挑战？答案在于感官板的发展。之前，我们是在 Midjourney 生态系统内选择经过策划的图像。现在，凭借上传我们自己参考的能力，我们有了更多的控制权——但同时也承担了更多的责任。

这额外的努力值得吗？完成这个项目后，我可以自信地说“值得”，理由如下：

我想花一点时间感谢 Midjourney 团队。他们在这里所取得的成就是了不起的。这个“简单”的提示关于森林中的茅屋实际上涉及的是非常复杂的 AI 工作——植被的自然变化、房屋的建筑细节、桥的真实石材纹理以及微妙的水面反射。更令人印象深刻的是，他们解决了一个长期存在的挑战——获取高质量的 16:9 风景构图。之前，我必须生成 3:2 的图像，然后仔细重构为 16:9，在这个过程中失去了宝贵的细节。而现在，通过感官板，我得到了美丽的 16:9 结果，直接来自于提示。

展望未来

这是由 EJ Yao 生成的另一个极大成功的 Midjourney V6.1 茅屋渲染图。

这个项目改变了我在 Midjourney V6.1 中创建感官板的方式。虽然它需要更初步的努力来适当地评估参考图像，但改善的输出质量使其变得值得。关键是要记住，我们添加到感官板的每一张图像都应该积极贡献于我们的愿景，而不是潜在地削弱它。

对于刚开始使用感官板的人，我建议：

• 认真评估每个参考图像的时间
• 小步前行，逐渐建立
• 定期测试您的感官板的有效性
• 乐于移除有问题的参考

最后感想

尽管创建这个视频需要比预期更多的技术关注，但从中学到的经验改善了我之后所有的感官板工作。在图像选择和评估上花费的额外时间带来了更一致、更高质量的输出。

工具与资源

在与 Claude AI 的讨论中，我们开发了一个质量控制工具，以帮助识别可能导致感官板问题的图像。该脚本识别出超过 5% 像素为极暗（RGB < 10）或极亮（RGB > 245）的图像。您可以在这里找到完整的脚本 here:

import os
import numpy as np
from PIL import Image
import shutil
from datetime import datetime

def check_extreme_pixels(image_path, threshold_percentage=5):
    with Image.open(image_path) as img:
        img_array = np.array(img)

    total_pixels = img_array.shape[0] * img_array.shape[1]

    if img_array.shape[-1] == 4:
        img_array = img_array[:, :, :3]

    # 检查纯黑色 (0,0,0)
    pure_black = np.sum(np.all(img_array == [0, 0, 0], axis=-1))
    pure_black_percentage = (pure_black / total_pixels) * 100

    # 检查近黑色 (R,G,B均低于10)
    near_black = np.sum(np.all(img_array < 10, axis=-1))
    near_black_percentage = (near_black / total_pixels) * 100

    # 检查纯白色 (255,255,255)
    pure_white = np.sum(np.all(img_array == [255, 255, 255], axis=-1))
    pure_white_percentage = (pure_white / total_pixels) * 100

    # 检查近白色 (R,G,B均高于245)
    near_white = np.sum(np.all(img_array > 245, axis=-1))
    near_white_percentage = (near_white / total_pixels) * 100

    return {
        'pure_black_percentage': pure_black_percentage,
        'near_black_percentage': near_black_percentage,
        'pure_white_percentage': pure_white_percentage,
        'near_white_percentage': near_white_percentage,
        'has_extreme': (near_black_percentage > threshold_percentage or 
                       near_white_percentage > threshold_percentage)
    }

def process_folder(folder_path):
    print(f"
开始扫描于 {datetime.now().strftime('%H:%M:%S')}")
    print(f"正在扫描文件夹: {folder_path}
")

    png_files = [f for f in os.listdir(folder_path) if f.lower().endswith('.png')]
    total_files = len(png_files)
    problem_files = 0

    print(f"找到 {total_files} 个 PNG 文件等待处理
")

    for i, filename in enumerate(png_files, 1):
        image_path = os.path.join(folder_path, filename)
        print(f"处理 {i}/{total_files}: {filename}", end='')

        try:
            results = check_extreme_pixels(image_path)
            if results['has_extreme']:
                print(f"
  近黑色: {results['near_black_percentage']:.1f}%")
                print(f"  纯黑色: {results['pure_black_percentage']:.1f}%")
                print(f"  近白色: {results['near_white_percentage']:.1f}%")
                print(f"  纯白色: {results['pure_white_percentage']:.1f}%")
                problem_files += 1

                if not filename.startswith('x-'):
                    new_filename = f'x-{filename}'
                    new_path = os.path.join(folder_path, new_filename)
                    try:
                        shutil.copy2(image_path, new_path)
                        os.remove(image_path)
                        print(f"  重命名为 {new_filename}")
                    except PermissionError:
                        print(f"  重命名时权限被拒绝")
            else:
                print(" - 正常")

        except Exception as e:
            print(f"
处理 {filename} 时出错: {e}")
            problem_files += 1

    print(f"
扫描于 {datetime.now().strftime('%H:%M:%S')} 完成")
    print(f"文件总数: {total_files}")
    print(f"有问题的文件数: {problem_files}")

if __name__ == "__main__":
    import sys

    if len(sys.argv) < 2:
        print("用法: python script.py <folder_path>")
        sys.exit(1)

    folder_path = sys.argv[1]
    if not os.path.isdir(folder_path):
        print("错误: 请提供有效的文件夹路径")
        sys.exit(1)

    process_folder(folder_path)

如果您不想复制该脚本，您可以直接提示一个 LLM，ChatGPT 或 Claude AI：

我需要一个 Python 脚本来扫描文件夹中的 PNG 图像，并：
- 检测近黑色 (RGB < 10) 和近白色 (RGB > 245) 像素区域
- 计算这些区域占图像的百分比
- 标记/重命名这些区域超过总像素 5% 的文件
- 在运行时显示处理状态和结果
- 处理 RGB 和 RGBA 图像

所需的库只要是常见的就可以（如 numpy、PIL 等）。