Midjourney Omni-Reference功能实现图像生成万物一致化
Midjourney近期推出多项更新:图片编辑器向所有会员开放,支持智能选择和图层导入;新增--exp参数调节美学风格,数值越高创意越强;核心功能Omni-Reference全向参考实现人物、物体等一致性输出,人物相似度可达80%以上。
最近Midjourney的更新节奏快得让人应接不暇——上周刚推出图片编辑器,昨天又上线了 --exp 参数,今天更是直接发布了重磅功能 Omni-Reference 全向参考。说实话,之前即梦3.0的那波升级确实令人心动,甚至让我动了“下个月不续费MJ了”的念头。结果这波新功能一出来,手又缩了回去——真香。
今天就集中梳理一下最近这几项更新,以及它们在实际工作中的应用场景,帮助大家快速跟上节奏。
一、图片编辑器功能优化
这次的编辑器升级主要解决了两个长期存在的问题:使用门槛和操作效率。
- 向所有会员开放,不再要求年费会员,也不需要生成10000张以上图片才能使用——这对大多数用户来说省事多了。
- 智能选择,可以直接在图片上点选对象进行删除,也能一键擦除背景,操作变得直观了不少。
- 多图层导入拼接,以前需要导出再拼合,现在内部就能完成,流程缩短了一大截。
二、新增 --exp 参数
这是一个全新的美学调节参数,核心作用是让图片细节更精致、画面更生动、创意感更强。
参数范围0–100,默认0。数值越高,模型越“放飞”,对提示词的遵循程度会下降,但图像之间的多样性也会随之降低。建议以5的倍数取值,比如5、10、25、50、100。在5–50这个区间变化比较明显,超过50后变化幅度会收窄。
它和之前的 --stylize 有些相似,也可以跟风格化参数 --p 叠加使用。不过要注意,多参数混搭时,各个值都适当调低一些,效果反而更稳定。
三、Omni-Reference 全向参考
这应该是今天最值得关注的一个更新。它的定位类似于之前的 --cref 人物一致性功能,但做了全面升级——不仅能控制人物,还能对物体、车辆、甚至非人类生物进行一致性输出。Midjourney 管它叫“全向参考”,确实名副其实。
使用方法
在输入提示词左侧点击图片图标,选择最右侧的 Omni-Reference 选项,上传参考图片,然后设置权重即可。也可以在提示词里直接写 --ow 参数来调整,取值范围是0–1000,默认100。
参数选择策略
- 想改变图片风格:适当降低权重,比如调到
--ow 25左右,让模型有更多自由度。 - 想保持人物面部清晰或服装细节:可以调到
--ow 400左右,此时模型会更“忠实”于参考图。 - 如果同时使用较高的
--exp和--s:那么--ow也需要相应提高,否则风格化会压过参考效果。 - 如果不使用过高的
--exp和--s:那--ow尽量不要超过400,否则容易过拟合。
从有限的几十次测试来看,人物一致性明显优于之前的 --cref,相似度基本能达到80%以上。因为一直对人物一致化比较关注,所以这部分的效果深有体会;至于物品或非人类对象的还原度,还没有系统测试,感兴趣的朋友可以多试试。
至少从这几次更新来看,Midjourney 依然是我们做AI视频时绕不开的工具——这个判断,目前来看还没变。
游乐网为非赢利性网站,所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系youleyoucom@outlook.com。
同类文章
WAIC首日关键变化,没来也需了解
2026年WAIC首日,AI从聊天升级到干活,覆盖国产算力、大模型、具身智能、端侧AI等领域。互联网大厂全栈布局,国产芯片转向超节点集群,机器人进入真实场景,端侧AI重构操作系统,技术创新进入群体性突破。
WAIC世界人工智能大会六大趋势解读
2026年世界人工智能大会显示六大趋势:大模型竞争转向系统效率与产业落地;机器人从演示转向真实作业,数据与闭环成为关键;国产算力从单卡转向超节点系统;AI手机、眼镜等智能体硬件争夺入口;资本集中流向机器人、算力及头部模型公司;AI治理正成为产业竞争的一部分。
Firecrawl NAS私有化安装教程:AI网页抓取工具部署步骤
Firecrawl适合把网页内容整理成AI可用数据,NAS私有化部署可降低外部依赖。安装前需确认硬件、Docker、端口与合规边界,再按目录、配置、启动、测试、维护流程执行。
Tabula安装失败解决:自动启动服务与中文界面设置指南
Tabula安装失败多与Java环境、端口占用、权限不足和文件路径有关。可按系统检查依赖、改用本地启动脚本,并通过任务计划、launchd或systemd配置开机运行,中文界面建议采用浏览器翻译或本地化封装方案。
Camelot私有化部署实战教程图文详解配置参数测试
Camelot适合在内网环境中部署PDF表格抽取能力,重点关注系统依赖、Python环境、Ghostscript配置、参数调优、批量测试与权限隔离,避免把扫描件或复杂版式直接当作结构化结果使用。
- 热门数据榜
相关攻略
2026-07-18 14:59
2026-07-18 14:59
2026-07-18 06:31
2026-07-18 06:31
2026-07-18 06:30
2026-07-18 06:30
2026-07-18 06:30
2026-07-18 06:30
热门教程
- 游戏攻略
- 安卓教程
- 苹果教程
- 电脑教程

