感谢阅读《生成形式》 AI 行业解决方案手册系列博客，全系列分为 4 本文将系统介绍生成型 AI 电子商务、游戏、泛娱乐行业的解决方案手册和典型场景及应用实践。目录如下：

• 第一篇 《生成式 AI 行业解决方案手册及布局手册
• 第二篇 《生成式 AI 实践电子商务平台的应用场景 – 赋能营销材料高效生产
• 第三篇 《生成式 AI 实践在游戏行业的应用领域 – 加快游戏艺术内容制作(本文)
• 第四篇 《生成式 AI 实践泛娱乐行业的应用场景 – 助推风格化视频内容写作

自人类诞生以来，绘画是学习、沟通和创造的重要载体。即使在标准字出现之前，人们也在用图形来记录对世界的认知，交换彼此的想法。即使在标准字出现之前，人们也在用图形来记录对世界的认知，交换彼此的想法。一幅画能承载的信息量非常大，比千言万语好。从古埃及壁画到数字制作、存储和传输的照片、图片等，绘画内容作为信息的载体，其创作方式正在不断转变。从 DALL-E 渐渐地，人们创造了一种新的绘画方法 – 生成式 AI 绘画，又称生成式 AI。 AI 绘画给人们带来了无尽的想象力，但就像人类科技发展的曲线一样，在最初的几年里，这种新的 AI 在大规模工业生产场景下，技术一直无法真正应用。作为创业设计和艺术场景的严重依赖领域，游戏市场一直在努力寻找能够在游戏生产管道中有效帮助他们的东西 AI 为了提高效率，降低游戏研发成本，绘画工具。这种情况发生在去年，也就是说 Stable Diffusion，MidJourney 问世后发生了巨大的变化。最近几个月 Stable Diffusion Web UI 随着开源社区的快速发展，游戏创意者已经看到了 AI 将技术融入艺术生产管道的巨大潜力。现在你可以看到，许多游戏公司已经生成了 AI 在这条赛道上投入了大量的精力，并取得了以前无法想象的进展。

正如前面提到的，游戏市场严重依赖于设计理念和艺术资源，也是规定创意和艺术视频质量最大的行业之一。对于游戏的艺术设计师来说，无论二维图片有多精致，都很难直接用于游戏中的材料生产。因为除了设计理念，场景制作和角色设计还需要考虑很多细节，比如角色姿势是否当然，细节是否清晰，光线是否可行等等。AI 它可能会带来一些超出人类想象力的内容，但抽卡作品并不能真正提高艺术管道的生产效率。我们应该使用工具来让步 AI 更准确地形成符合预期的照片。

在这个阶段，你可以通过以下方式进行调整 AI 绘画的形成结论。首先是文生图，即使用文本-提示词来调整界面产生的内容。在提示词中，我们可以定义场景、对象、风格、角度等，但作为最常见的控制方法，提示词仅限于对基本模型的强烈依赖，同一提示词在不同基本模型中的表现可能会有很大的差异。其次，图生图应用参考图集成提示词进行转移 AI 局部重绘。本质上，它与文本照片没有太大区别，可控性仍然无法保证。 还有一种常见的方法是通过模型调整来操纵和形成。 Stable Diffusion 包括调整模型 Text Inversion (Embedding)，Hypernetworks，DreamBooth 和 LoRA，最受欢迎的是 LoRA。作为模型调整的训练方法，LoRA 能对基本模型的神经网络进行微妙的改变，却能带来惊人的效果。在游戏行业， 我们发现 LoRA 很长一段时间以来，人物设计的风格、角度等都被广泛使用。最后，我们想解释一下游戏行业的情况 ControlNet。ControlNet 自今年 2 自从开源社区出现以来，月亮一直是人们关注的焦点，因为他让 Stable Diffusion 从游戏发散思维时期的辅助软件，开始进入艺术设计师的工作流。可以说这是 AI 绘画是一个重要的里程碑。

让我们先了解一下 ControlNet 的原理。ControlNet 根据可以锻炼的情况，在原有模型的外部积累一个神经网络结构 Encoder 团本应用零卷积和初始网络连接到副本中，以在边缘投影、分割投影和关键点等基本模型中输入更多条件作为指导，以实现输出内容的准确控制。

原理图引用来自 Adding Conditional Control to Text-to-Image Diffusion Models[link]

我们可以使用软件来选择预处理器和载入 ControlNet 模型。预处理器 Preprocessor（又称 annotator），它可以让我们应用现有的照片来生成所需的导图类型。如图所示，我们可以使用角色三视图，然后选择 openpose_full 预处理器可以获得角色全身的多视角 openpose 导图，这样在后期照片中就可以使用这个导图和 ControlNet 的 OpenPose 模型可以更可控地写作。

截止到目前 ControlNet 官方模型逐渐从 1.0 的 8 种子早已增多 1.1 的 14 种（11 种子生产就绪 3 预处理器也超过了试验模型) 30 种。它包含各种不同的控制方法，您可以大致分类：

我们将在这里融合 ControlNet 这些模型探索了如何在游戏行业的细分场景中完成可控性 AI 照片。

在游戏制作中，原画家（Concept Artist ）游戏地编（Level Artist）在创作初期，他们必须根据游戏策划的需要编辑地图和地貌，制作特效，打下地图的基本风格，以呈现更好的游戏视觉冲击。我们使用下面的例子 ControlNet 的 Segment 创建动画场景的设计理念，模型和指导图。大家可以在 3D 制作软件如 Blender 在中间，根据简单的白模图建立简单的白模图 ADE20K 用标志构图或现有场景图参考的颜色区分规范着色 Segment 生成的预处理 Segment 引导图。大家可以在 3D 制作软件如 Blender 在中间，根据简单的白模图建立简单的白模图 ADE20K 用标志构图或现有场景图参考的颜色区分规范着色 Segment 生成的预处理 Segment 导图。在这里，我们应用一个事先准备好的。 Segment 为了生成一个定义的场景，导图。

我们使用以下提示：

正提示：

反向提示：

对游戏场景中的建筑环境，你也可以用 Canny 模型可以在保证关键物体一致性的同时，创造不同风格的环境。

我们首先使用文生图片，选择模型来形成初始概念图片。

正面提示：

反向提示：

把符合概念设计的照片放进去 ControlNet 并选择 canny 生成线稿的预处理器，以后可以通过修改提示词来改变不同的场景风格，不改变图片主体。

沙漠效果

正提示：

反向提示：

暗夜效果

正提示：

反向提示：

雪地效果

正提示：

反向提示：

在制作游戏时，游戏中大量的物品设计是一个非常耗时和费力的部分，可能有无数的设备、皮肤、道具、药物和其他东西。从设计概念到游戏中的资源可能需要很长时间和很多预算。我们试着在这里使用 lineart_anime 获取动画人物线稿，创建不同的角色套装。我们试着在这里使用 lineart_anime 获取动画人物线稿，创建不同的角色套装。

我们还是先选择自己的基本模型，根据提示词生成初始概念图片。

正提示：

反向提示：

然后应用 lineart_anime 加上预处理 lineart_anime 模型，我们可以调整提示词中与人物特征相关的部分，生成示例中的差异套装。

游戏原画实现了一个角色的设计 ，一般以三视图的形式交给建模师。

游戏原画实现了一个角色的设计 ，一般以三视图的形式交给建模师。因为最终的角色是三维的。三视图包含正面图、背面图和侧面图，使建模师能够快速理解原画家的设计意图。根据 OpenPose 我们可以制作编辑器软件或其他图片编辑工具 3-4 对于人物模型导图，应注意宽度与最终图像的像素保持一致，然后通过 ControlNet 的 OpenPose 模型可以根据提示词及其特殊模型生成效果良好的角色三视图。

正提示：

反向提示：

本文以生成式为基础 AI 以行业解决方案手册为载体，工作原理如下图所示：

生成式 AI 行业解决方案手册架构图

生成式 AI 行业解决方案手册将在前面 Stable Diffusion WebUI 在容器服务中部署 Amazon ECS 上面，无服务器服务器服务器应用于后面 Amazon Lambda 根据处理前后端 Amazon API Gateway 通信启用。通过模型训练和布局，通过模型训练和布局 Amazon SageMaker 开展。一起使用 Amazon S3、Amazon EFS、Amazon DynamoDB 依次存储模型数据、临时文件和应用数据。详情请参阅系列博客的第一篇文章《生成式》 AI 行业解决方案手册和布局手册。

本行业解决方案手册可使用 CloudFormation 一键部署。如需使用生成式 AI 《行业解决方案手册》可参考系列博客的第一篇文章 AI 本文不重点介绍行业解决方案手册和布局手册。

在本文中，我们大致阐述了如何在游戏行业的几个场景中使用亚马逊云技术 AI 行业解决方法手册及其行业解决方法手册 ControlNet 更有效地形成可控强的图片素材。我希望你能应用亚马逊云技术的生成型 AI 行业解决方法手册多练习 AI 绘画技巧，让它成为你创造性辅助和提高效率的利器。

1. 生成式 AI 行业解决方案指南 Workshop：https://catalog.us-east-1.prod.workshops.aws/workshopsbae25a1f-1a1d-4f3e-996e-640

2. Stable-diffusion-webui：https://github.com/AUTOMATIC111stable-diffusion-webui

3. Hugging Face：https://huggingface.co/

4. https://arxiv.org/abs/2302.05543

5. https://github.com/lllyasviel/ControlNet

7. https://huggingface.co/blog/train-your-controlnet