图像生成的领域模型——为什么同一描述画出来不一样，以及怎么让它一致

一句话

自然语言确定的是「是什么」（一个区域），而不是「具体长什么样」（一个点）。从语言到图像必须经过领域模型：不要让自然语言直接控制像素，而是先让语言变成一个可操作的「世界模型」，最后才交给绘制器。

一、为什么同一描述画出来不一样

给十位画家同一句描述：「一位二十岁左右的少女，黑色长发，穿白色连衣裙，站在湖边，夕阳下微笑。」最终十张画，一眼就知道是同一个人设，但又明显不是同一个人。

第一层：自然语言只描述了少量特征

一句描述只包含几十个信息点（性别、年龄、发型、衣服、场景、时间、表情），而一张图片包含几万个连续变量（脸型、下巴宽度、鼻梁高度、嘴唇厚度、肩宽、衣服褶皱、光照方向……）。自然语言只规定了几十个，还有大量自由度没有约束。

第二层：每个人脑中的默认值不同

没有说明的信息，画家会自动补全。「黑色长发」有人想到及腰长发，有人想到齐肩长发。「微笑」有人画 🙂，有人画 😊。每个人都把未指定的信息用自己的经验填满。

第三层：人的经验库不同

日本画师天天看动漫，脑中「少女」是大眼睛、小鼻子、V 脸；欧美画师天天看真人，脑中「少女」是高鼻梁、深眼窝。即使提示词一样，脑中的默认模型不同。

第四层：语言本身就是抽象

「树」没有指定高度、品种、树叶数量、树皮颜色。语言天然是压缩信息。

第五层：AI 也是这样工作的

扩散模型：Prompt「A beautiful girl」只固定了 girl 和 beautiful，其它全部随机采样。所以才有 Seed（随机种子）——Prompt 固定的是大方向，Seed 固定的是细节（那些没有描述的信息如何补全）。

第六层：为什么整体还是很像

自然语言提供的是约束条件：限制搜索空间 → 所有符合条件的图片集合 → 随机选择其中一个。

自然语言 → 高层语义（必须满足）
──────────────────────
细节A：默认补全
细节B：经验补全
细节C：随机补全
细节D：风格补全
──────────────────────
最终图片

自然语言确定的是「是什么」，而没有完全确定「具体长什么样」。 这正是同一描述能够对应无数幅不同但又相似的图片的根本原因。

二、自然语言能否唯一确定角色

理论上可以，实际上几乎做不到。 原因有两个层次：

第一层：描述不够细（最常见）

「一个二十岁的少女」当然画出来千差万别。不断增加描述（鹅蛋脸、双眼皮、杏眼、鼻梁高度 32mm、左眼角有痣……），不同人的结果会越来越接近。增加约束，可以不断缩小可能的角色集合。

第二层：自然语言本身不是精确坐标（更根本）

「眼睛大」什么叫大？「漂亮」「高」「年轻」「微笑」都没有统一标准。自然语言很多词其实是模糊集合（fuzzy set），而不是精确数值。

如果全部改成精确数据呢

改成参数语言（脸宽 152.34mm、眼睛长 31.2mm、鼻梁高 19.3mm……），再加三维骨骼、材质、光照、相机参数——另一位画家完全可以画出几乎一样的人。因为这时候已经不是普通自然语言，而是参数语言，本质上就是一个三维模型的数据。

三种表达能力：

1
2
3

自然语言              「漂亮少女」——信息很少
高度结构化自然语言    年龄20/身高165/脸长18cm——接近 CAD 说明书
直接数据              Mesh/Texture/Material/Skeleton/Animation——没有歧义

角色是高维空间中的一个点

一个角色可以理解成位于一个极高维空间中的一个点。自然语言更像是在说「我要这个区域里的角色」——描述的是一个区域，而不是一个唯一的点。只有当描述不断增加、把每一个自由度都固定下来时，区域会不断缩小，最终收敛到几乎唯一的角色。

自然语言是为了在人与人之间高效交流，而不是为了唯一编码现实。它天然会抽象、压缩、泛化。

三、角色设计文档的五层结构

UI 规格书不适合描述角色形象——它关注按钮宽度 120px、字体 16pt，目标是让界面一模一样。角色设计关注的是角色本身。

按信息层级拆分：

层级	作用	是否容易产生歧义
高层语义	角色是什么	较大
中层描述	各部分外观	中等
底层参数	精确尺寸、比例、颜色	很小
参考素材	图片、草图、三视图	几乎没有
最终资产	3D 模型、PSD、SVG 等	没有

角色设计文档
├── 1. 概念文档（Concept）        高层语义：18岁少女、冷静理性、科幻风、医生身份
├── 2. 外观规格文档（Appearance）  鹅蛋脸、黑色长发、杏眼、发尾微卷
├── 3. 参数规格文档（Parameter）   身高168cm、头身比7.5、瞳孔RGB、发色HEX
├── 4. 参考素材（Reference）       真人照片、AI参考图、草图、三视图、配色板
└── 5. 最终资产（Assets）          模型、贴图、源文件

很多公司真正依赖第四层（参考素材）——因为一句「鹅蛋脸」不同人理解仍然不同，直接放参考图，所有人都会向同一目标靠近。

与软件架构的对应

高层语义 ≈ 需求文档（要做什么）
外观规格 ≈ 设计文档（应该长什么样）
参数文档 ≈ 接口/数据结构规格（把歧义变成精确、可验证的数据）
最终资产 ≈ 编译后的程序

更完整的对照：

软件开发	角色设计
需求	高层语义
软件架构	风格、比例、外观设计
接口/API	参数规范
UML/设计图	草图、三视图
源代码	最终绘制、建模
编译产物	图片、模型资产

比例是关系，不是普通参数

「眼睛宽 32mm」是参数；「眼睛宽 ÷ 脸宽」是比例，它属于关系。真正决定角色感觉的是比例：Q 版 1:1、正常动漫 1:6、真人 1:7.5、超模 1:8.5 头身比。动漫角色很多不是五官不同，而是比例完全不同。

八层完整拆解

如果越来越完善，角色设计会变成八层：

角色设计
├── 一、语义层      身份 / 年龄 / 性格 / 世界观 / 职业
├── 二、风格层      写实 / 动漫 / 美漫 / 像素
├── 三、外观层      发型 / 脸型 / 衣服 / 配饰
├── 四、比例层      身体比例 / 五官比例 / 四肢比例 / 头身比
├── 五、参数层      长度 / 角度 / 颜色 / 材质 / 数值
├── 六、参考层      Moodboard / 真人参考 / AI参考 / 草图
├── 七、标准化层    三视图 / 表情集 / 动作集
└── 八、资产层      PSD / SVG / FBX / Blend

几何关系（比例、结构）值得单独成层

这里还可以再加一个概念，它能解释很多 AI 和美术制作流程：

高层语义（为什么）
    ↓
设计约束（应该是什么）
    ↓
几何关系（比例、结构）
    ↓
精确参数（尺寸、颜色、材质）
    ↓
视觉验证（草图、参考图、三视图）
    ↓
最终资产（插画、模型、贴图）

几何关系（比例、结构）描述的是各部分之间的关系，而不是各部分自身的属性——很多角色即使五官参数接近，只要比例不同，整体印象就截然不同。

四、从语言到图像的可执行领域模型

关键原则

不要让自然语言直接控制像素，而是让自然语言先变成一个可操作的「世界模型」，最后才交给绘制器。

链路示例

「一个戴红帽子的男孩」
        ↓
Person（gender: male, age: child, hat: red）
        ↓
Scene
        ↓
Geometry
        ↓
Style
        ↓
Renderer
        ↓
Image

每一层都可以单独测试、修改和替换。例如用户后来说「把帽子改成蓝色」——不需要重新理解整句话、重新画整个人物，只需要修改 Hat.color = blue，然后重新执行后面的渲染阶段。

领域对象拆解（以「一个20岁的黑发女孩站在樱花树下」为例）

第一层：实体     Person / Tree / Dress / Sun / Ground
第二层：属性     Person{gender=female, age=20, hair=black, pose=standing}
                 Dress{color=white}  Tree{type=sakura}
第三层：空间关系 Person 站在 Ground；Tree 在 Person 左边；Sun 方向 45°
                 ——已经不是自然语言，而是「场景图（Scene Graph）」
第四层：继续拆   人物→头/身体/左手/右手/左腿/右腿；头→眼睛/鼻子/嘴/耳朵/头发
第五层：再继续   脸→Bezier→Mesh→纹理→颜色
最后：          Bezier→Rasterize→Pixel→PNG——真正开始画图片了

这种思想很像 CAD 或游戏引擎：Scene → GameObject → Transform → Mesh → Material → Texture。

两条路线

路线A（领域对象驱动）：
自然语言 → 需求分析 → 领域对象 → 图片结构 → 绘制指令 → 最终图片

路线B（端到端神经网络）：
自然语言 → 神经网络 → 图片

路线 A 每层可测试、可修改、可替换；路线 B 更接近主流扩散模型。真正值得做的最小原型甚至不需要 AI 绘画模型：先限定一个非常小的领域——「自然语言 → 简单 2D 卡通人物 → Pillow PNG」，把整个链路跑通，再逐渐增加人体、姿势、服装、光影和风格。

最大的难点：同一个领域对象有几千种画法

领域对象方案最难的环节不是「拆出对象」，而是：

如何从「领域对象」生成一张自然、漂亮的人物图。

例如 Eye → 怎么画？ 有很多种：动漫、写实、水彩、厚涂、像素风、Q 版。同一个 Eye 对象，最后可能有几千种画法。所以需要：

1	Eye → Style → Renderer → Image

而不是：

1	Eye → Image

领域对象定义「是什么」（眼睛、位置、大小），风格（Style）定义「用什么画法呈现」（动漫/写实/水彩），渲染器（Renderer）负责把两者变成像素。三层缺一不可——这就是链路里 Style 那一层存在的理由，也是「为什么同一描述画出来不一样」在领域对象方案里的另一面：对象是稳定的，风格是不稳定的。

五、素描模型：结构、形状、比例、约束与修正

结构、形状、比例、约束共同定义目标；绘画是在不断比较与修正中逼近目标。

画画不是「画一笔 → 下一笔 → 完成」，更像是：

1	目标模型 → 画 → 比较 → 修正 → 再比较 → 再修正 → 不断逼近 → 完成

四个要素

结构（Structure）：它是怎么搭起来的——人体骨架/关节/胸腔/骨盆；杯子圆柱/厚度/底部
形状（Shape）：外轮廓长什么样——圆/方/三角/S 形轮廓
比例（Proportion）：各部分之间的关系——头身比/肩宽/眼距/手掌长度
约束（Constraints）：哪些东西不能错——两只眼睛应在同一水平附近；同方向平行边朝同一消失点汇聚；发色必须保持黑色

第五项：比较（Comparison）

画家画一条线后会一直问：是不是长了？是不是短了？是不是歪了？比较之后才修正。

它更像控制系统

1	目标 → 当前结果 → 误差 → 修正 → 误差越来越小 → 完成

这和软件里的调试、机器人控制甚至自动驾驶都有相似之处：不是一开始就做到完美，而是不断检测误差并修正。

结构、形状、比例、约束并不是「素描」独有的，它们是所有绘画（素描、色彩、油画、数字绘画、建模，甚至 AI 生成）的共同基础。 不同的只是后续增加了颜色、材质、光照等信息。

六、表达型 vs 生产型绘画

两个维度不要混

第一维：画什么（目标）——风格：写实、动漫、美漫、卡通、抽象、水墨、像素风
第二维：怎么画（方法）——实现流程：线稿流程、厚涂、色块塑形

为什么写实训练强调结构

因为写实有客观标准：现实世界。苹果在那里，可以不断比较比例、结构、明暗、透视。

抽象不是不用结构，而是约束改变了

蒙德里安只有横线、竖线、红黄蓝，但仍有约束：只能水平竖直、颜色不能乱、块面比例要平衡。动漫人物眼睛不符合真人，但在动漫自己的世界里比例是一致的——不是没有结构，而是结构不同。

两种目的

类型	目标	约束	例子
表达型（Expression）	表达思想	很少，自由度很高	抽象艺术、水墨写意、表现主义、儿童画
生产型（Production）	交付资产	很多（后面还有建模/动画/程序/商业使用）	游戏角色、动画角色、漫画人物、UI 插画、概念设计

生产型需要三视图、比例、结构、参数，因为建模师、动画师、绑定师都要继续使用。这也是计算机产业大量采用生产型方法的原因——它更符合协作、迭代和资产生产的需求。

七、画画没有唯一的实现流程

真正固定的是设计产物（Design Artifacts），而不是绘画顺序（Implementation Process）。

画家A：草图 → 线稿 → 上色 → 阴影
画家B：大色块 → 直接塑形 → 细节
画家C（油画）：直接铺颜色 → 边画边改
AI：噪声 → 逐步去噪 → 成图

实现流程完全不同，但最终结果一样。因为设计描述的是最终状态（What），实现描述的是达到最终状态的方法（How），这两个本来就是独立的。

真正稳定的是信息层：

1 2	① 建立整体 → ② 建立结构 → ③ 建立比例 → ④ 建立体积 → ⑤ 建立细节 → ⑥ 建立材质 → ⑦ 建立光照 → ⑧ 最终修饰

绘画训练在训练什么能力

一味模仿训练的是「观察→复制」能力：图片 → 观察 → 分析形状 → 控制手 → 画出来。它没有训练「脑海 → 分析 → 设计 → 创造 → 画出来」，所以很多人看着能画，离开图片就不会。
凭记忆画总是模糊：因为人的记忆不是照片，你记住的是「猫 → 四条腿 → 两个耳朵 → 尾巴」，不是精确尺寸。
画不出直线还能学会画画：可以。画画真正要求的不是「每一笔都完美」，而是「能不断修正」。手抖不是最大问题，真正的问题是不知道正确应该长什么样。
物体总是不受控制地变形：原因不是手，而是没有建立约束。新手想到哪画到哪越画越歪；高手先建圆 → 中心轴 → 上下两个椭圆 → 左右宽度一致 → 再细化。

真正训练的是四种能力

① 观察   看到这个角其实是 47°，不是 60°
② 比例   眼睛其实只有脸宽的 1/5，不是 1/3
③ 结构   手臂不是一根线，而是肩→上臂→肘→前臂→手掌
④ 控制   最后才能画出来

绘画能力可以拆成四个独立模块

① 看懂（Observation）
    ↓
② 建模（Structure）
    ↓
③ 判断（Proportion）
    ↓
④ 输出（Hand Control）

很多人误以为自己「不会画」，其实可能只是其中某一个模块比较弱：有的人手很稳但比例判断差；有的人比例判断很好但线条控制不熟练。把这些能力拆开训练，通常比笼统地一直临摹更容易发现问题和改进。

为什么美术老师让学生练几何体

练直线、圆、方块、球体、立方体、圆柱不是为了以后画方块，而是训练：手的控制能力（线条是否稳定）、眼睛的测量能力（比例是否准确）、脑子的空间建模能力（把复杂物体拆成简单体）。人物、动物、建筑最后都可以分解成基础几何体。

画画的实现方法：五种画法

不同流派、不同媒介、不同目标会混在一起显得乱，但按专业绘画教学，最经典的是这一条线稿流程（动漫、插画最常见）：

1 2	① 构图 → ② 大形 → ③ 比例 → ④ 结构 → ⑤ 草稿 → ⑥ 线稿 → ⑦ 固有色 → ⑧ 明暗 → ⑨ 材质 → ⑩ 细节 → ⑪ 特效 → ⑫ 后期

学院派素描：构图 → 比例 → 结构 → 轮廓 → 大明暗 → 中间灰 → 细节 → 调整（几乎没有颜色）
厚涂：构图 → 颜色大块 → 颜色塑形 → 体积 → 光照 → 细节（没有线稿，第一步就是大坨颜色）
油画：底色 → 大色块 → 塑形 → 细化 → 罩染
AI：Prompt → 噪声 → 去噪 → 细化 → 放大 → 修图

为什么网上每个人步骤不同？因为省略与内化：新手画眼睛要先画圆 → 十字；高手直接画眼睛——不是不知道比例，而是比例已经内化了。建议学最完整版本，因为它可以对应任何画法：不同画法真正变化的主要是实现流程（是否需要线稿、是否先上色），而前面的设计阶段（角色设定、比例、外观）基本共通。

绘画 IDE：流程驱动的工具

目前主流软件几乎都是自由创作工具（打开 → 空白画布 → 随便画），而不是流程驱动工具。软件开发不会打开 VS 直接写代码，而是需求 → 架构 → 接口 → 编码 → 测试，都有产物；画画几乎还是「打开 PS → 开始画」。

现状的四类软件：

① 自由画布（绝大多数）    PS / Krita / Clip Studio / Procreate：打开→空白画布→随便画，软件不检查比例
② 带辅助功能              CSP 的透视尺/对称尺/三维人体/姿势模型——只是辅助，不是流程
③ 建模软件               Blender / Maya / ZBrush：开始分阶段（球体→Dynamesh→大形→中形→小细节），但仍不是设计流程
④ AI                    Prompt→草图(ControlNet)→姿势(OpenPose)→线稿→重绘→放大→修脸——已经开始拆步骤

一个真正流程化的软件可能长这样：

角色项目
├── 01 概念（世界观/身份/性格）
├── 02 外观（发型/衣服）
├── 03 比例（身高/三视图）
├── 04 配色
├── 05 草图 → 06 线稿 → 07 上色 → 08 光影 → 09 成品

每一步都有输入、输出，可以回退、审批、比较。更进一步结合 AI：进入「比例」软件自动检查（肩宽 ✓ / 腿长 × / 头身比 ✓ / 眼距 ✓）；进入「配色」自动生成十种方案；进入「线稿」自动检测左右是否对称，提醒「左手比右手短 12%」。

与软件架构一致：需求=概念设定；架构设计=外观/风格/比例；数据结构/API=参数/配色/约束；编码=草图/线稿/上色；测试=比例/透视/颜色检查；调试=修正/重绘；发布=成品导出。目前大多数绘画软件相当于直接给了你一个「代码编辑器」，却没有把前面的需求、设计和后面的检查整合进来——这更像是在设计一个「创作操作系统（Creative IDE）」，管理整个创作过程：左侧项目树、每阶段明确输入输出、AI 负责检查约束而不是直接替你画完。

最终总结

绘画是「设计模型 → 实现 → 反馈修正」的系统。设计阶段确定「画什么、什么不能变」；实现阶段选择「怎么画」；反馈阶段判断「现在画出来的东西是否符合设计」。

这也解释了为什么高手看起来「随便画」——他们不是没有步骤，而是把大量步骤内化成了自己的视觉模型和判断能力。

与其他线的关系

与绘制与图像线：本线讲「画什么、怎么保证一致」（模型层），绘制线讲「用什么画」（工具层）
与领域模型主题：领域模型是业务世界的压缩描述；本线是图像世界的压缩描述——同一种「语言→模型→执行」结构
与认知与语言主题：认知与语言主题（09/01）讲语言的信息密度（几十个高层特征 vs 几万个变量）；本线把这句话落到图像生成的具体链路
与设计主题：角色设计文档五层就是内容槽位在图像领域的应用；素描四要素是「结构/形状/比例/约束」在设计上的体现
与工程控制主题：绘画的「设计→实现→比较→修正」就是反馈闭环在绘画上的形态