图像生成进入“草图可控”时代：构图指哪改哪的工程实践

在生成式图像应用落地过程中，最常被低估的成本不是模型调用费用，而是“沟通成本”——用户腦海里有明确构图，却只能用自然语言反复描述“左边放标题、右边站个人、背景虚化一点”，来来回回对齐十几轮。本文讨论一种正在成型的交互范式：以草图（Sketch）作为构图中间表示，配合参考图约束，把图像生成从“文本碰运气”推进到“版式可控、局部可改”的工程化阶段。下文不绑定任何具体商业产品，只讨论通用能力与可复用流程。

一、为什么“文字描述构图”天生低效

自然语言擅长表达语义，不擅长表达空间。以下三类信息在纯文本提示中极易丢失：

1. 空间拓扑：元素相对位置（左上/居中/右下）、遮挡关系、层级前后。
2. 版式比例：标题占画面百分比、留白区域、安全边距。
3. 风格与写实的边界：哪些区域要写实、哪些区域要扁平化。

当这些约束只存在于文本中，模型只能按训练分布的“平均审美”去猜，于是出现典型的失败模式：构图漂移（每次都不同）、元素缺失、文字区域被主体侵占。工程上表现为“不可复现”，这对需要批量产出封面的团队是致命的。

草图的价值在于：它把空间信息从“语义空间”搬到“像素空间”，用一张低成本的线框图承载版式约束，让模型的条件输入维度从一维文本扩展到“文本+图像”。

二、草图驱动生成的基本链路

一个可落地的草图可控生成流程，通常包含四个环节：

[草图输入] → [参考图绑定] → [约束生成] → [局部迭代]

1. 草图输入：低保真即可，关键是“分区”

草图不需要绘画基础，本质是一张分区示意图：用矩形表示标题区、用圆形表示人物头部位置、用色块表示背景层次。经验上，草图应满足：

• 区域闭合：每个元素用闭合形状圈定，避免模型把两个区域合并。
• 比例真实：草图的长宽比必须与目标输出一致（如 16:9），否则模型会做二次裁剪导致构图错位。
• 标注可读：文字区域可写入占位文字，帮助模型理解“这里要放字”。

一个常见的误区是把草图画得过细。过度细节会与提示词冲突，反而降低可控性；草图的定位是“版式骨架”，不是“最终画面”。

2. 参考图绑定：把“我是谁”交给参考图

草图解决“东西放哪”，参考图解决“长什么样”。典型做法是同时提供：

• 构图参考：草图本身；
• 主体参考：人物照片或产品图，用于约束外观一致性；
• 风格参考（可选）：色调、质感样本。

在多条件输入下，需要一个明确的优先级约定，否则条件之间会互相压制。实践中较稳的优先级是：

版式（草图） > 主体外观（参考图） > 风格（文本/风格图）

也就是说，当风格描述与草图冲突时，应让版式优先，风格让步。

3. 约束生成：提示词只写“草图表达不了的东西”

既然草图已经承载了构图，提示词就应退化为“补充说明”，重点描述：

• 画面风格（写实/插画/三维渲染）；
• 光影与色调；
• 材质与细节程度；
• 文字区域的排版要求（字号层级、对齐方式）。

一个可直接复用的提示词模板：

任务：生成 {宽}:{高} 比例图像
版式：严格遵循所提供草图的区域划分与元素位置
主体：外观参考所提供参考图，保持人物/产品一致性
风格：{写实摄影 | 扁平插画 | 三维渲染}，{色调}，{光影描述}
文字区：标题位于草图标注区域，字号醒目，居中对齐
约束：不新增草图中不存在的元素，不改变区域比例

注意最后一条“负面约束”非常关键：显式禁止模型自由发挥，是提升构图命中率的低成本手段。

4. 局部迭代：指哪改哪

可控生成的另一半价值在“改”。当整体构图正确、仅局部不满意时，应使用区域重绘而非整图重生成：

• 用蒙版圈定待改区域（如人物手部、背景一角）；
• 保持草图与参考图不变，仅对该区域重新采样；
• 迭代次数控制在 2~3 轮，避免全局风格漂移。

这相当于把图像编辑变成了“局部函数调用”，每次只改一个变量，便于定位问题。

三、实测流程：从草稿到封面图

以内容团队高频的“文章封面图”为例，给出可复用的操作序列：

1. 确定画布：先定 16:9，再画草图，顺序不可颠倒。
2. 画版式草图：标题区占上方 1/3，人物区在右侧，背景留白区在左侧。
3. 上传主体参考：提供人物照片，约束面部与服装。
4. 提交结构化提示词：套用上面的模板，风格写“写实摄影、柔和侧光”。
5. 验收与局部重绘：检查标题区是否被主体侵占，必要时对背景区域做一次蒙版重绘。

在这个流程下，构图对齐从“多轮对话”压缩为“一次草图+一次生成”，对批量生产的意义在于：草图可作为模板资产沉淀下来。同一版式草图配不同参考图与文案，即可批量产出风格统一的系列封面——这才是工程化的真正收益。

四、常见失败模式与排查清单

现象	可能原因	处理方式
构图每次不同	草图比例与输出比例不一致	统一长宽比后重生成
元素被合并	草图区域未闭合或间距过小	加大区域间距，闭合形状
主体外观漂移	参考图权重不足	提高参考图约束，减少风格词
文字区被侵占	负面约束缺失	显式声明“不覆盖标题区”
局部改动引发全局变化	直接整图重生成	改用蒙版区域重绘

五、工程化建议

1. 把草图当代码管理：草图文件与提示词模板一起入库，配合版本号，保证可复现。
2. 建立验收标准：至少定义“构图命中、主体一致、文字区可用”三项硬指标，避免主观判断。
3. 区分生成与编辑两条链路：生成走“草图+参考图”，编辑走“蒙版+局部重绘”，不要混用。
4. 关注成本结构：草图降低了试错轮次，真正的降本来自“少调用几次模型”，而非单次调用价格。

结语

草图驱动生成的本质，是把“构图”这一隐式意图显式化为可传输、可复用、可版本化的中间表示。对开发者而言，这意味着图像生成第一次具备了类似“接口契约”的属性：输入确定、输出可预期、局部可修改。当版式可以画出来、指哪改哪，图像生成才真正从演示走向生产管线。