3.2《像生成模型》教学课件-2025-2026学年清华大学版A版 初中信息科技八年级下册

该初中信息科技课件围绕图像生成模型展开，从AI绘画效果差异导入，引导学生认识模型定义、核心特征，深入探究GAN与扩散模型两大技术流派，再拆解生成流程并开展实操体验，构建“现象观察-原理探究-实践应用”的学习支架。 其亮点在于采用问题驱动与对比分析，通过GAN“对抗博弈”与扩散模型“加噪去噪”原理对比培养计算思维，结合“我的家乡风景”插画实操提升数字化学习与创新能力，融入版权隐私讨论强化信息社会责任。学生能直观理解AI技术原理与伦理规范，教师可依托结构化资源与互动设计提升教学效率。

《图像生成模型》 教学课件 2025-2026学年 第二学期 清华大学版A版 (2024新教材) · 初中信息技术八年级下册 1.7.2013 大家好，欢迎来到今天的信息技术课堂。今天我们将一起探索一个非常酷的话题——图像生成模型。你有没有想过，机器也能像艺术家一样创作绘画？这节课，我们将揭开AI绘画的神秘面纱，看看它们是如何“妙笔生花”的。让我们一起开启这段奇妙的探索之旅吧！ ‹#› AI绘画，为何效果天差地别？ 早期生成 · 低质模糊 早期AI模型生成，画面模糊、细节缺失 色彩失真，缺乏真实感与逻辑性 GAN模型 · 清晰写实 基于生成对抗网络(GAN)生成 人物面部清晰、纹理逼真，接近真实摄影 扩散模型 · 细节丰富 基于扩散模型生成，画面细节丰富 光影层次分明，具有独特的艺术创作风格 同样是AI生成图像 为什么效果差距这么大？ 背后的“图像生成模型” 有什么不同？ 它们是怎么让机器 画出全新图像的？ 1.7.2013 同学们请看屏幕上的三张图片，它们都是AI生成的。但大家有没有发现，它们的效果天差地别？左边这张看起来很模糊，中间这张非常逼真，而右边这张则充满了艺术感。这究竟是为什么呢？这背后其实是不同的“图像生成模型”在起作用。今天，我们就来深入探究这些模型的奥秘。 ‹#› 走进图像生成模型的世界 教师小结：AI绘画的核心是图像生成模型，不同模型技术原理不同，生成效果也有很大差异。理解这些模型，是掌握AI绘画的第一步。 模型·原理 深入探究图像生成模型的核心类型与底层技术逻辑。 生成·流程 拆解一幅AI画作从文本指令到最终画面的诞生全链路。 创意·体验 亲手操作，体验让机器根据你的想法“画”出图像。 # 图像生成模型 1.7.2013 通过刚才的对比，我们知道了AI绘画效果的差异源于其背后的模型。这节课，我们将正式走进图像生成模型的世界。我们将一起探究它们的类型和原理，了解一幅AI画作是如何诞生的，并最终亲手体验创作的乐趣。现在，让我们正式板书课题：图像生成模型。 ‹#› 定义：让机器学会“创造” 定义 图像生成模型是一类基于深度学习的生成式AI模型，旨在赋予机器产生新视觉内容的能力。 核心本质 通过学习海量图像数据的特征规律，将抽象的语义转化为具象的像素，从而自主生成全新、逼真且符合逻辑的图像内容。 通俗类比 它不是简单的“复制粘贴”，而是“学习创造”——就像我们学画画，在看过、临摹过很多名作后，最终画出了一幅只属于自己的新画。 1.7.2013 那么，到底什么是图像生成模型呢？简单来说，它是一种能让机器学会“创造”的AI技术。它的核心工作，就是学习海量图片的规律，然后像一位刚出师的画家一样，创作出全新的图像。它不是简单地复制粘贴，而是真正意义上的“学习创造”。就像我们学画画一样，看的画多了，自然就能画出自己的风格。 ‹#› 核心特征与价值 核心本质 学习图像规律，生成全新图像（非简单复制） 技术基础 深度学习、海量图像数据集、神经网络算法的综合应用 核心价值 降低创作门槛、快速生成创意图像、高效辅助专业设计与艺术创作 典型工具 国内外涌现多款应用，涵盖商业级、开源社区及研究实验室等不同类型 文心一格 ERNIE-ViLG Stable Diffusion 开源社区主流 Midjourney Discord平台应用 DALL·E OpenAI 出品 1.7.2013 总结一下，图像生成模型的核心特征是学习规律并创造新图像。它的技术基础是深度学习和神经网络。它的价值在于能极大地降低创作门槛，帮助我们快速实现创意。目前市面上有很多基于这项技术的工具，比如大家看到的文心一格、Stable Diffusion等等，它们都是图像生成模型的具体应用。 ‹#› 思考与讨论 教师提问 “图像生成模型生成的图像，是直接复制网上已有的图片吗？为什么？” 学生回答 “不是。它是机器自己学习图像规律后，生成的全新图像。” 1.7.2013 现在，我们来思考一个问题：AI生成的图像，是直接从网上复制粘贴的吗？有没有同学知道答案？没错，不是的。它是通过学习海量图片的特征，然后自主创作出来的。这正是它和简单的图片搜索最本质的区别。 ‹#› 从“认识”到“深入” 01 · 认识 我们已经知道了图像生成模型是什么， 以及它的核心价值所在。 02 · 深入 接下来，我们将深入探索它的 两大主流技术流派。 1.7.2013 好的，我们已经对图像生成模型有了基本的认识。接下来，我们将进入更深层次的探索，了解目前主流的两种技术流派。它们就像是两位风格迥异的绘画大师，各自有着独特的创作方法。 ‹#› 两大主流技术流派 生成对抗网络 (GAN) 核心思想：“对抗博弈”学画画 由“生成器”与“判别器”互相对抗，在不断的博弈中共同进步，最终产出高质量的生成内容。 扩散模型 (Diffusion Model) 核心思想：“先破坏再重建”画好画 正向过程逐渐增加噪声，反向过程逐步去除噪声，通过不断“去噪”还原出清晰、逼真的图像。 1.7.2013 这两大主流技术流派，分别是生成对抗网络，简称GAN，和扩散模型。我们可以把GAN的学习过程想象成一场“对抗博弈”，而扩散模型则像是在玩一个“先破坏再重建”的游戏。接下来，我们就来详细了解它们各自的玩法。 ‹#› GAN：“画家”与“评委”的对抗博弈 01 / 核心结构：两大“角色”的协作 生成器 (Generator) 像一位“画家”，尝试学习规律并生成以假乱真的图像。 判别器 (Discriminator) 像一位“评委”，辨别输入图像是真实数据还是生成的“赝品”。 02 / 工作原理：对抗与提升 两者进行持续的博弈与对抗。生成器不断优化技艺以骗过判别器，判别器也不断提升水平以识别真伪。最终，生成器将进化到能生成足够逼真的图像。 1.7.2013 我们先来看GAN。它的结构非常有趣，包含一个“生成器”和一个“判别器”。生成器就像一个努力学习的画家，不断尝试画出逼真的画。而判别器则像一位严格的评委，负责分辨这幅画是真的还是假的。在这场持续的对抗中，画家的技艺越来越高超，直到画出的作品能以假乱真。 ‹#› GAN的特点与应用 核心优势 • 生成速度快，能在短时间内产出大量内容 • 图像整体清晰度高，能还原物体主要特征 技术局限 • 局部细节容易失真（如手指数量、眼睛纹理等） • 生成内容的风格相对单一，多样性不足 典型应用 早期AI绘画工具（如ProGAN、StyleGAN系列）多基于GAN架构，也是当前AI换脸技术的核心基础之一。 GAN生成的高逼真度虚拟人物面部示例 (仔细观察可能发现细微的不自然之处) 1.7.2013 GAN模型的优点是生成速度快，图像也比较清晰。但它的缺点也很明显，就是生成的图像细节容易失真，风格也相对单一。大家看到的这张人脸照片，就是典型的GAN生成效果，整体很逼真，但仔细看可能会发现一些不自然的细节。早期的很多AI绘画工具都是基于GAN技术的。 ‹#› 扩散模型：“先破坏再重建”画好画 核心原理：从“破坏”中学会“创造” 01. 正向加噪 · 破坏过程 给一张清晰的真实图像，一步步、有规律地添加高斯噪声，就像给画作蒙上一层层雾，直到它彻底变成一团毫无细节的“噪声”。这是模型学习“如何变坏”的过程。 02. 反向去噪 · 重建过程 模型从随机噪声出发，利用学到的“加噪规律”逆向推导，一步一步地去除噪声。在这个过程中，新的清晰图像逐渐显现，最终生成细节丰富、结构合理的全新画作。 1.7.2013 接下来我们看扩散模型，它的思路非常巧妙。它先学习一个“破坏”的过程：给一张清晰的图片不断添加噪声，直到它变成一团模糊。然后，它再学习一个“重建”的过程：从一团模糊的噪声中，一步步把图像还原出来。通过这个过程，模型能学到非常丰富的图像细节。 ‹#› 扩散模型的特点与应用 核心优势 · Advantages ✅ 生成图像细节极其丰富，能捕捉微小纹理与光影 ✅ 支持多样化艺术风格，从写实到抽象均可驾驭 ✅ 生成结果画质逼真，整体视觉质感高 主要局限 · Disadvantages 相比GAN等模型，受采样步骤影响，图像生成速度较慢，对算力有一定要求。 广泛应用：目前绝大多数主流AI绘画工具均采用此架构， 典型代表：Stable Diffusion、Midjourney (V3+) 等。 1.7.2013 扩散模型的优点非常突出：生成的图像细节极其丰富，风格多样，画质也非常逼真。就像这张赛博朋克风格的插画，细节和氛围都非常到位。它的缺点主要是生成速度相对较慢。但由于其出色的效果，目前主流的AI绘画工具，比如Stable Diffusion，都采用了扩散模型。 ‹#› 对比与总结 思考：“GAN像‘画家和评委比赛’，扩散模型像‘把画弄脏再还原’，哪种模型生成的图像细节更丰富？为什么？” 答案：扩散模型 它通过“一步步去噪”，能学到更多图像细节规律。 核心原理 GAN：生成器与判别器的对抗博弈，在互博中提升能力。 扩散模型：模拟“加噪-去噪”过程，从纯噪声中逐步还原图像。 模型特点 GAN：训练不稳定，但生成速度快，生成主体轮廓通常较清晰。 扩散模型：训练稳定，擅长细节刻画与风格多样性，可解释性强。 生成效果 GAN：容易出现“模式崩溃”，生成的图像细节容易出现逻辑错误或失真。 扩散模型：生成结果逻辑连贯，画质逼真自然，纹理和光影表现更优。 应用现状 GAN：早期AI生成领域的主流，在特定场景（如图像翻译）仍有应用。 扩散模型：目前AI绘画领域的绝对主流，如Midjourney、Stable Diffusion等。 1.7.2013 现在我们来对比一下这两种模型。大家思考一下，哪种模型生成的图像细节更丰富呢？没错，是扩散模型。因为它通过“逐步去噪重建”的方式，能捕捉到更多图像的细节和纹理。这张表格清晰地总结了它们的差异。正是因为扩散模型效果更好，它才成为了当前AI绘画领域的主流技术。 ‹#› AI是如何画出一幅画的？ 01 海量数据学习 （打基础） AI模型通过学习互联网上数以亿计的图片和文本数据，建立图像与语义的对应关系。 02 提示词输入 （提需求） 用户通过文字描述画面的内容、风格、光影和细节，向AI下达创作指令。 03 模型生成 （创图像） AI基于学习到的数据和算法，将文字描述转化为像素点，生成初始的视觉图像。 04 效果评估 （看质量） 从构图、色彩、逻辑和细节等维度，判断生成的图像是否符合预期。 05 迭代优化 （出精品） 根据评估结果，修改提示词或参数，再次生成，直至产出满意的作品。 循环往复：这不仅是一个单向的流水线，更是“需求-生成-评估-优化”不断循环迭代的创作过程。 1.7.2013 了解了核心技术后，我们来看看AI画一幅画的完整流程。这个过程可以分为五个步骤： 首先是海量数据学习，这是AI创作的基石，它需要学习大量的数据来理解图像和语义；然后是我们输入提示词，向AI明确提出需求；接着AI模型根据算法和数据开始生成图像；之后，我们需要从多维度评估生成效果的质量；最后根据评估结果修改指令或参数，再次进行生成，也就是“迭代优化”。 大家可以看到，这并不是一个单向的流水线，而是一个“需求-生成-评估-优化”不断循环的过程，直到产出我们满意的精品。 ‹#› 步骤1 & 2：学习与输入 01 / 海量数据学习 模型学习数百万甚至数千万张各类图像，提取颜色、形状、纹理、风格等底层特征规律，从而建立起庞大的图像“知识库”，为生成内容打下基础。 Prompt 输入示例： “校园风景插画，春天，樱花树， 卡通风格，高清，温暖色调” 02 / 提示词输入 (Prompt) 这是用户与AI的沟通桥梁。通过输入清晰、具体的文字指令，精准描述生成图像的主体内容、艺术风格、色彩氛围、细节程度以及画质要求，引导模型生成符合预期的结果。 1.7.2013 我们来详细看前两步。第一步，海量数据学习，就像我们小时候看很多画册一样，AI模型通过学习海量图片，建立起自己的图像知识体系。第二步，提示词输入，这是我们与AI沟通的关键。我们需要用清晰的语言告诉AI我们想要什么，比如“校园风景插画，春天，樱花树，卡通风格，高清”。 ‹#› 步骤3 & 4：生成与评估 03 / 模型生成 模型接收到提示词后，会结合学习到的海量图像规律与风格特征，自动进行推理计算。 通常会一次性生成3-5张不同风格、构图的备选图像，为用户提供多样化的选择空间。 04 / 效果评估 由用户主观判断或利用辅助工具进行多维评估，筛选出最契合需求的作品。核心评估维度包括： • 是否精准还原了提示词的文字描述与核心要素 • 画面的清晰度、光影质感与细节丰富度 • 整体艺术风格是否与预设基调保持一致 1.7.2013 接下来是第三步和第四步。模型接收到我们的提示词后，就开始工作，生成几张备选图片供我们选择。然后，我们需要对这些图片进行评估，看看哪一张最符合我们的要求。这个评估过程非常重要，它决定了我们是否需要进行下一步的优化。 ‹#› 步骤5：迭代优化的关键 核心优化逻辑 生成的图像不符合需求时，不要放弃！ •优化提示词：补充关键细节、明确画面风格、增加构图要求； •调整参数：修改比例、切换模型版本、调节“创意度”参数； •循环往复：重新生成，直到获得满意的结果。 课堂互动时刻 思考：如果给AI的提示词只写“画校园”，它能生成让你满意的插画吗？为什么？ 💡 引导思考：很难！因为提示词太模糊，AI模型无法理解你想要的是：写实风格还是卡通风格？是春天的樱花校园还是冬天的雪景？这些细节都需要你告诉它。 1.7.2013 第五步是迭代优化，这是出精品的关键。如果生成的图片不满意，我们就要反思是不是我们的提示词不够清晰。比如，只说“画校园”，AI可能会画出各种各样的校园。但如果我们加上“春天”、“樱花树”、“卡通风格”这些细节，结果就会精确得多。通过不断优化提示词，我们才能得到理想的作品。 ‹#› 流程总结：从想法到作品 清晰的提示词 Prompt Engineering 精准描述意图、细节与风格 是AI生成的“灵魂剧本” 强大的模型 Model Selection 选择适配场景的生成模型 决定图像的质量上限 合理的参数 Parameter Tuning 调整采样、步数与分辨率 精细打磨生成效果 = 高质量的生成图像 (High-Quality Image) 创意构思与技术实现的完美结合，将脑海中的抽象灵感转化为独一无二的视觉艺术作品。 1.7.2013 总结一下整个流程，我们可以得到一个简单的公式：清晰的提示词，加上强大的模型，再加上合理的参数设置，最终就能得到高质量的生成图像。这三者缺一不可，尤其是提示词的设计，是我们发挥创造力的关键环节。希望大家在后续的练习中，能够灵活运用这个公式，创造出更多精彩的作品。 ‹#› 动手实践：用扩散模型生成创意插画 🎯 实践目标 模仿教材中的经典案例，尝试生成一幅名为“我的家乡风景”的创意插画。 全程体验扩散模型从输入提示词、参数调整，到最终图像生成与优化的完整流程。 💻 操作平台 使用教材配套的可视化扩散模型平台。 无需编写任何代码，仅需通过简单的界面操作，即可直观感受AI绘画的魅力。 ✨ 小贴士：尝试在提示词中加入独特的家乡元素，例如特色建筑、美食小吃、当地方言词汇，让生成的画面更有“人情味”！ 1.7.2013 理论学习结束，现在是大家最期待的动手实践环节！我们将使用一个可视化的AI绘画平台，尝试生成一幅“我的家乡风景”的插画。大家将亲身体验从输入提示词到生成、优化图像的全过程。 ‹#› 实操步骤（一）：输入需求 & 配置模型 1. 输入提示词：结构化描述 格式公式：主题 + 风格 + 细节 + 画质 💡 示例：“我的家乡风景插画，乡村小屋，青山绿水，油菜花田，手绘风格，高清，色彩明亮” 2. 选择模型与参数 •模型选择：推荐“通用插画扩散模型”，平衡创意与还原度 •关键参数：生成数量设为3张(增加筛选余地)，画质设定为高清 AI 绘画工作台 在此输入提示词 (Prompt)... 例如: 古风女子，手持团扇，荷花池背景，工笔画，8K高清... 🎨 模型选择 通用插画扩散模型 (默认) → 二次元模型 (可选) ⚙️ 生成配置 生成数量：3 张 | 宽高比：16:9 画质设置：高清 (High-Res) 立即生成 (Generate) 1.7.2013 第一步，我们来输入需求并配置模型。大家看这个示例提示词，它包含了主题、风格、细节和画质要求，非常完整。我们也要按照这个格式来设计自己的提示词。然后，在平台上选择合适的模型和参数，比如生成3张图片，选择高清画质。 ‹#› 实操步骤（二）：开始生成 & 筛选评估 03 开始生成 点击界面上的“生成”按钮，观察页面上的进度条。 这代表后台的扩散模型正在进行“反向去噪”运算，请耐心等待。 04 筛选评估 通常系统会一次性生成3-4张备选图像。 从细节、风格、清晰度、创意度等维度进行对比，选出最符合需求的一张。 1.7.2013 设置好后，我们就可以点击“生成”按钮了。大家可以看到进度条在走动，这代表后台的扩散模型正在努力工作。生成完成后，我们会得到几张图片，这时就需要我们发挥审美能力，从中挑选出最满意的一张。 ‹#› 实操步骤（三）：优化迭代 05 / 优化迭代：提示词微调 若生成图像细节不足、画面单调或缺乏动态感，可针对性修改提示词，补充关键细节后重新生成，直至达到满意效果。 优化前提示词 "蓝天，白云，远山" （画面单调，缺少生机） 优化后提示词 "蓝天，白云，远山，天空有飞翔的小鸟" （增加动态元素，更生动） 小组协同 / 分工实操 以4人一组为单位进行创作，明确分工，完成实操任务并填写记录表。 🎨 提示词设计 构思画面，撰写并优化指令 ⚙️ 参数设置 调整风格、比例、版本号 🚀 生成操作 执行生成，检查图像效果 📝 结果记录 记录最终词与图像成品 1.7.2013 如果对生成的图片不满意，比如觉得画面太单调，缺少一些动态元素，我们就可以进行优化迭代。比如，在提示词里加上“天空有小鸟”，然后重新生成。现在，请大家以小组为单位，分工合作，完成你们的创作任务吧！ ‹#› 实操心得分享 学生 A · 成功经验 “我们组生成效果很好，因为我们的提示词写得非常具体，比如‘金色的油菜花田’、‘红色的屋顶’，越具体的描述越能得到想要的效果。” 学生 B · 问题排查 “我们一开始生成的图像很奇怪，后来发现是选错了模型。想画二次元漫画，应该选插画模型而不是写实模型，匹配场景很重要。” 核心技巧总结：清晰提示词 + 适配模型 + 合理参数 = 高质量生成图像 细节决定成败，工具选择与精准描述是AI绘画的两大基石。 1.7.2013 好了，时间到。我们请几个小组来分享一下他们的心得。非常好，大家都发现了，成功的关键在于清晰的提示词和合适的模型选择。这再次验证了我们之前总结的公式。希望大家通过这次实践，都掌握了AI绘画的基本技巧。 ‹#› 图像生成模型的应用 艺术创作 AI可作为创作者的得力助手，快速产出高质量的插画设计、商业海报，也能高效完成风格多样的动漫角色与场景设计，极大释放创意潜能。 设计辅助 在工业与空间设计领域，AI能快速生成产品外观草图，辅助室内设计师生成不同风格的装修效果参考图，缩短方案验证周期，丰富设计维度。 教育教学 为课件、教材制作生动的配图，降低备课成本；还能基于史料生成逼真的历史场景或人物复原图，化抽象文字为直观画面，增强学生的理解与兴趣。 生活娱乐 走进大众日常生活，支持用户快速生成专属风格的个性化头像、趣味表情包，或生成创意画作装点生活，让每个人都能轻松成为生活的“艺术家”。 1.7.2013 图像生成模型的应用非常广泛。在艺术创作领域，它可以帮助设计师快速生成插画和海报；在设计领域，它能辅助产品和室内设计；在教育领域，它可以为课件制作配图，甚至复原历史场景；在生活中，我们也可以用它来生成个性头像和表情包。 ‹#› 技术是双刃剑：潜在风险 版权侵权 模型学习数据可能包含大量受版权保护的图像，导致生成内容的版权归属界定模糊，引发法律纠纷。 虚假图像 不法分子可利用技术生成以假乱真的人物、场景或新闻图片，用于制造虚假信息，误导公众舆论。 隐私泄露 若在提示词中输入包含个人信息的内容，或模型意外生成特定人物面部图像，可能会导致个人隐私数据的意外暴露。 创作依赖 过度依赖AI生成图像，可能会削弱创作者独立思考和手绘能力，忽视了对自身原创性和审美能力的培养。 1.7.2013 然而，任何技术都是一把双刃剑。图像生成模型也带来了一些潜在风险。比如，可能存在版权侵权问题；可能被用来生成虚假图像，误导公众；也可能泄露个人隐私；更重要的是，我们可能会过度依赖AI，从而丧失自己的创意能力。这些都是我们需要警惕的。 ‹#› 我们应该如何做？ 尊重版权 不生成侵权图像，AI生成作品需主动标注来源，维护原创权益。 拒绝伪造 不生成、不传播虚假图像，坚决抵制利用AI技术进行造谣、诈骗等违法行为。 保护隐私 严禁输入个人敏感信息，不生成他人未经授权的人脸图像，保护个人隐私安全。 合理依赖 将AI视为辅助创作的工具，坚持“人机协同”模式，注重培养和发挥自身的创意能力。 1.7.2013 面对这些风险，我们应该怎么做呢？首先，要尊重版权，不生成侵权内容。其次，要拒绝伪造，不传播虚假信息。第三，要保护隐私，不随意输入个人信息。最后，也是最重要的，要合理依赖AI，把它当作辅助工具，而不是替代我们思考和创意的机器。 ‹#› 小组讨论：我们应该完全依赖AI吗？ 🤔 讨论议题：“图像生成模型能帮我们快速画插画、做设计，我们应该完全依赖它吗？为什么？” 核心观点：不能完全依赖 把AI作为辅助工具而非最终答案，保持独立思考与判断的能力。 AI的局限性 生成内容缺乏真情实感，容易陷入同质化、创意受限，且存在潜在的版权侵权风险。 最优解：人机协同 善用AI工具来提升效率，解决基础工作，把时间和精力留给更有价值的原创思考。 💡 教师小结：技术是工具，人类的创意、审美、原创思考不可替代。我们要做到“善用AI、尊重版权、拒绝伪造、人机协同”，让AI成为我们创意的助推器。 1.7.2013 现在，我们来进行一个小组讨论：我们应该完全依赖AI吗？大家可以从AI的局限性和人类的独特性等方面来思考。好的，大家的讨论非常深入。最终我们要明白，技术终究是工具，人类的创意、审美和情感是AI无法替代的。我们要学会善用AI，让它成为我们创意的助推器，而不是替代品。 ‹#› 本节课核心知识回顾：图像生成模型 核心定义 基于深度学习技术，通过学习海量图像数据中的潜在规律，能够自主生成全新且具有高保真度图像的AI模型。 两大主流类型 •GAN (生成对抗网络)：通过“生成”与“判别”的博弈进化。 •扩散模型：模拟“正向加噪”与“反向去噪”的物理过程。 底层运作原理 • GAN：生成器不断产出“赝品”，判别器努力识别真伪，二者持续对抗优化。 • 扩散模型：从清晰到混沌，再从混沌中一步步还原细节。 AI绘画标准流程 数据规律学习 → 精准提示词输入 → 模型生成图像 → 效果质量评估 → 迭代优化参数。 实操三要素 最终生成效果的质量，取决于三个关键变量的组合： 1. 提示词的描述精准度 2. 基础模型的选择 3. 各类生成参数的设置 伦理与使用规范 • 尊重原创，不侵犯他人版权 • 拒绝生成和传播虚假信息 • 严格保护个人隐私数据 • 坚持“人机协同”的创作理念 1.7.2013 课程接近尾声，我们来回顾一下本节课的核心知识点。我们学习了图像生成模型的定义、两大类型（GAN和扩散模型）及其原理，梳理了AI绘画的完整流程，并通过实操掌握了基本技巧，最后还探讨了相关的伦理规范。希望这张知识卡片能帮助大家更好地巩固今天所学。 ‹#› 课后拓展任务 任务目标 请发挥你的无限想象力，运用今天学到的扩散模型工具，生成一幅主题为“未来校园”的创意插画。 核心要求 1.优化提示词：尝试组合不同关键词，让画面更具细节和质感。 2.课堂展示：下节课请带上你的作品，向大家分享你的设计思路。 “ 期待看到你脑海中的未来校园！ ” 1.7.2013 今天的课就到这里。给大家留一个课后拓展任务：请大家发挥想象力，用今天学到的方法，生成一幅“未来校园”的插画。尝试优化你的提示词，让画面更精美。下节课我们将一起分享大家的作品和设计思路。 ‹#› 谢谢观看！ 1.7.2013 感谢大家的积极参与！希望通过今天的学习，大家不仅掌握了图像生成模型的知识，更能树立正确的AI使用观。让我们一起，善用AI，创想未来！下课！ ‹#› $