负面提示是控制文本到图像生成的另一种方式。许多人将其视为稳定扩散1.4或1.5模型中的可选功能。随着稳定扩散v2版本的发布，情况发生了变化。负面提示变得不可或缺。
在这篇文章中，我将演示几个使用负面提示的用例，包括修改内容和修改风格。然后我将展示v2模型中负面提示的重要性，并演示如何搜索通用负面提示。
许多稳定的扩散GUI或Web服务提供负面提示。在AUTOMATIC1111，你可以在输入提示的位置下方输入负面提示。
负提示词使用场景
1、删除某个事物
首要用途是去除图像中不想看到的任何内容。
例如下面这个画作
Prompt: autumn in paris, ornate, beautiful, atmosphere, vibe, mist, smoke, fire, chimney, rain, wet, pristine, puddles, melting, dripping, snow, creek, lush, ice, bridge, forest, roses, flowers, by stanley artgerm lau, greg rutkowski, thomas kindkade, alphonse mucha, loish, norman rockwell. Seed: 1923936260
添加负向提示词 “people”
场景与原始图像非常相似但不完全相同。如果你需要原始图像，可以使用inpainting来去除人物并保持场景的连贯性。
你可能已经注意到上面的图片中还剩下一个人。通过把负向提示词（people:1.3）加重，可以告诉Stable Diffusion更努力地尝试。这告诉了Stable Diffusion现在关键字“人”更重要了30%。
2、修改风格
负面提示不仅可以用于修改内容，还可以用于修改风格。为什么要使用负面提示来改变风格？有时候过多地添加正面提示会让算法感到困惑，告诉算法你不想要什么更容易让算法理解。
比如，使用负面提示painting, cartoon使其更像照片。
如果你想把模特飘逸的头发放下来
可以把“windy”这个关键词加到负向提示词中。
3、提升美感
仅仅添加几个负向提示词，就可以把图片提升好几个台阶。对于v2 版本Stable diffusion来说更是非常重要。
为什么在V2中，负向提示词更重要？
v2的两个变化是使用更大的OpenCLIP语言模型和过滤掉训练数据中的NSFW内容。第一个猜测是从Open AI的CLIP模型切换到了OpenCLIP，这影响了模型嵌入。第二个猜测是被认为不适宜观看的内容可能也具有高度审美价值，因此排除这些图像会无意中对数据产生偏差。
负面提示词模板
对于人物特写类型的图片，可以用下面的负向提示词：
ugly, tiling, poorly drawn hands, poorly drawn feet, poorly drawn face, out of frame, extra limbs, disfigured, deformed, body out of frame, bad anatomy, watermark, signature, cut off, low contrast, underexposed, overexposed, bad art, beginner, amateur, distorted face