【AI绘画】Midjourney进阶：对角线构图详解

💯前言

【AI绘画】Midjourney进阶：对称构图详解     https://blog.csdn.net/2201_75539691?type=blog

【AI绘画】Midjourney进阶：三分线构图详解     https://blog.csdn.net/2201_75539691?type=blog

【AI绘画】Midjourney进阶：中心点构图详解     https://blog.csdn.net/2201_75539691?type=blog

【AI绘画】Midjourney进阶：留白构图详解     https://blog.csdn.net/2201_75539691?type=blog

【AI绘画】Midjourney进阶：引导线构图详解     https://blog.csdn.net/2201_75539691?type=blog

• 在之前的文章中，我们已经详细介绍了对称构图、三分线构图、中心点构图、留白构图以及引导线构图等常用的构图方式，帮助大家理解这些构图在画面中平衡感和视觉冲击力的表现。接下来，我们将继续探讨另一种具有独特表现力的构图技巧——对角线构图。通过对角线的巧妙运用，作品可以呈现出更强的动感和深度，让画面更具视觉张力，进一步提升作品的艺术表现力。

Midjourney官方使用手册

💯什么是构图

构图是摄影、绘画、设计等视觉艺术中的一个基本概念。它指的是艺术家如何在二维平面上安排元素，包括形状、线条、色彩、质地、空间等，以达到一定的视觉效果和艺术表达。

为什么Midjourney要使用构图

• 简单来说，Midjourney有构图词画面质量更高
• 构图的目标是引导观众的视线，突出主题，增加视觉吸引I力，以及传达艺术家的观点或情感。
  

• 在Midjourney中使用构图是非常重要的，有两个方向可以解释其必要性：非共性和共性。

  • 从非共性的角度来看，在Midjourney中使用构图相关的提示词可以显著提升生成画面的质量。这是因为Midjourney的模型在训练时，不仅使用了图像，还结合了与这些图像相关的提示词。通常来说，这些图像来源于专业摄影或高质量渠道，具有较高的视觉标准。当模型学习了这些图片与提示词之间的关联后，用户在生成图像时如果使用了构图相关的提示词，系统会优先选择类似图库中的优质素材，从而生成更为精致的画面。因此，通过使用构图提示词，可以明显地提高生成图像的质量。
    

  • 从共性的角度来说，构图本身就是一种极为有效的手段，可以用于引导观众的视线、突出画面的主题、增强视觉吸引力，并传递创作者的情感和观点。构图所带来的这些视觉上的提升效果，是不受具体工具限制的，无论是在摄影、绘画还是AI生成图像中都是通用的。因此，当在Midjourney中使用构图提示词时，画面的质量提升几乎是必然的结果。这些道理或许听起来有些抽象，但在实际操作和练习时，大家会切实地感受到构图带来的效果提升。
    

💯对角线构图

对角线构图利用画面中的对角线元素来增强画面的动力感和深度，引导观众的视线。

• 对角线构图是一种通过在画面中引入对角线元素来增强动感和深度的构图方式。相比于水平或垂直构图，对角线构图更能有效地引导观众的视线，使视觉焦点自然集中在画面的关键区域上。通过巧妙地运用对角线元素，如风景中的河流和山脉、建筑中的倾斜线条、人物的姿态等，可以为画面带来层次感和方向感，使画面更具吸引力和空间感。这种构图手法不仅提升了画面的动态效果，也增强了视觉的平衡性，使作品更加生动而富有表现力。
  

特点

1. 动态感：相较于水平线和垂直线的构图方式，对角线构图更能呈现出一种动态的视觉效果，赋予画面一种运动感，使观众产生一种流动的视觉体验。
   

2. 引导视线：对角线元素能够有效地引导观众的视线，将他们的关注点自然地引向画面的重点区域，从而更突出主体，强化视觉中心。
   

3. 增加深度：通过对角线构图，可以创造出强烈的空间感和深度感，使画面更具立体效果，赋予作品更丰富的视觉层次。
   

4. 创造平衡：在画面中使用对角线构图，可以形成一种动态的平衡感，既保持了画面的稳定性，又增添了活力与张力。
   

应用场景

1. 风景图：在风景摄影中，可以利用山脉、河流、道路等自然的对角线元素，增强画面的深度感和动态感，让画面更加生动有层次，呈现出大自然的广阔与流动性。
   

2. 建筑图：在建筑摄影中，建筑物的倾斜线、楼梯、走廊等元素可以作为对角线，用于创造强烈的空间感和深度感，突出建筑结构的几何美感与立体效果。
   

3. 人像图：在人像摄影中，可以通过模特的姿态、视线等构成对角线，引导观众的视线，增强人物的表现力，使画面更具情感与吸引力。
   

提示词书写技巧

• 在书写与对角线构图相关的提示词时，使用Diagonal Composition可以帮助Midjourney生成具有动感和深度的图像。这个提示词会让图像中的元素沿对角线排列，形成一种视觉上的引导效果，吸引观众的视线聚焦在画面的重点区域。无论是在风景、人像还是建筑摄影中，通过这个提示词可以增强画面的立体感和方向感，符合自然的视觉习惯。因此，建议在创作中结合其他细节描述，例如“ultra details”或“8k”，进一步提升画面的整体质量和视觉冲击力。
  

测试

原图：

landscape, river, mountains, cinematic light, ultra realistic, high contrast, 8k --ar 16:9

• 在原图中，画面布局较为平衡，主要呈现水平和垂直的视觉结构，使画面显得宁静而稳定。山脉和河流自然地交织在一起，但缺乏明显的视线引导，整体感觉较为平淡。
  

原图+Diagonal Composition：

landscape, river, mountains, Diagonal Composition, dynamic depth, leading lines, cinematic light, ultra realistic, high contrast, 8k --ar 16:9

• 当加入对角线构图后，图像则显得更具动感和层次感。通过对角线的构图，画面中的元素（如河流的流向和山脉的走势）形成了强烈的视线引导效果，将观众的视线从画面一角自然引向另一角，增加了画面的深度和视觉张力，使图像更加引人入胜。这种构图方法不仅强化了场景的空间感，还赋予画面一种动态的平衡感。
  

💯小结

• 
  在AI绘画中，构图技巧能有效提升作品的视觉张力和品质。对角线构图尤其能够带来动感和深度，通过对角线元素的引导，使观众的视线自然聚焦于画面重点区域。在风景、建筑和人像摄影等场景中，这种构图方式不仅增加空间感和层次感，还让画面更具吸引力，帮助作品实现更高质量的呈现。
• 随着AI绘画技术的不断进步，构图技巧将不仅仅是提升视觉效果的工具，更会成为AI表达艺术视角和情感的重要桥梁。未来，AI绘画有望通过对构图、色彩和风格的深度学习，实现更自然的创作流程，帮助创作者跨越技术障碍，聚焦于艺术表达。AI绘画将不再只是生成图像，而是成为一种能理解构图艺术、传递情感和美感的创造性伙伴，引领人类进入更丰富的视觉艺术新时代。

import torch, torchvision.transforms as transforms; from torchvision.models import vgg19; import torch.nn.functional as F; from PIL import Image; import matplotlib.pyplot as plt; class StyleTransferModel(torch.nn.Module): def __init__(self): super(StyleTransferModel, self).__init__(); self.vgg = vgg19(pretrained=True).features; for param in self.vgg.parameters(): param.requires_grad_(False); def forward(self, x): layers = {'0': 'conv1_1', '5': 'conv2_1', '10': 'conv3_1', '19': 'conv4_1', '21': 'conv4_2', '28': 'conv5_1'}; features = {}; for name, layer in self.vgg._modules.items(): x = layer(x); if name in layers: features[layers[name]] = x; return features; def load_image(img_path, max_size=400, shape=None): image = Image.open(img_path).convert('RGB'); if max(image.size) > max_size: size = max_size; else: size = max(image.size); if shape is not None: size = shape; in_transform = transforms.Compose([transforms.Resize((size, size)), transforms.ToTensor(), transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225))]); image = in_transform(image)[:3, :, :].unsqueeze(0); return image; def im_convert(tensor): image = tensor.to('cpu').clone().detach(); image = image.numpy().squeeze(); image = image.transpose(1, 2, 0); image = image * (0.229, 0.224, 0.225) + (0.485, 0.456, 0.406); image = image.clip(0, 1); return image; def gram_matrix(tensor): _, d, h, w = tensor.size(); tensor = tensor.view(d, h * w); gram = torch.mm(tensor, tensor.t()); return gram; content = load_image('content.jpg').to('cuda'); style = load_image('style.jpg', shape=content.shape[-2:]).to('cuda'); model = StyleTransferModel().to('cuda'); style_features = model(style); content_features = model(content); style_grams = {layer: gram_matrix(style_features[layer]) for layer in style_features}; target = content.clone().requires_grad_(True).to('cuda'); style_weights = {'conv1_1': 1.0, 'conv2_1': 0.8, 'conv3_1': 0.5, 'conv4_1': 0.3, 'conv5_1': 0.1}; content_weight = 1e4; style_weight = 1e2; optimizer = torch.optim.Adam([target], lr=0.003); for i in range(1, 3001): target_features = model(target); content_loss = F.mse_loss(target_features['conv4_2'], content_features['conv4_2']); style_loss = 0; for layer in style_weights: target_feature = target_features[layer]; target_gram = gram_matrix(target_feature); style_gram = style_grams[layer]; layer_style_loss = style_weights[layer] * F.mse_loss(target_gram, style_gram); b, c, h, w = target_feature.shape; style_loss += layer_style_loss / (c * h * w); total_loss = content_weight * content_loss + style_weight * style_loss; optimizer.zero_grad(); total_loss.backward(); optimizer.step(); if i % 500 == 0: print('Iteration {}, Total loss: {}'.format(i, total_loss.item())); plt.imshow(im_convert(target)); plt.axis('off'); plt.show()