文生图模型为什么总是”拍歪”构图？控制条件从草图到深度图
用文生图做过实际项目的人都有过这种体验：人物位置对了，手部穿帮；构图对了，透视又歪了。改提示词、换措辞、加权重，出图几十张，想要的那种”摄影师摆好的构图”就是出不来。
这不是提示词写得不好，而是问错了工具。提示词只能描述”有什么”，很难精确描述”在哪里、什么角度”。要控制构图，需要另一套机制：控制条件。
第一步：先理解为什么提示词控不住构图
扩散模型生成图像的过程，是从一片随机噪声开始逐步”去噪”成图。文本编码器的作用，是把提示词变成引导去噪方向的向量——但这个向量是全局性的。
也就是说，当你写”左边一个人，右边一棵树”，模型收到的是”人”和”树”两个概念同时激活，至于它们最终落在画面的哪个区域，很大程度由初始噪声的随机分布决定。同一句话换个种子，人就从左边跑到了右边。
空间位置、透视关系、物体比例这类几何信息，靠自然语言传递的效率极低。这就是”拍歪”的根源：你在用一种不擅长描述几何的语言，去要求一个精确的几何结果。
第二步：空间条件注入——把”在哪里”画出来
解决思路很直接：既然文字说不清位置，那就用图像来补充。在扩散模型的去噪过程中，除了文本向量，再额外注入一层空间约束，告诉模型每个区域该放什么。
最常见的两类：
- 分割图/色块图：把画布划成区域，涂色标注——红色区域放人，绿色区域放树。模型生成时会尊重这些分区
- 草图（scribble）：几根线条勾出主体的轮廓和姿态走向，模型在线条基础上补全细节
这类控制对”多主体不乱跑”非常有效。商业项目里常见的做法是先花三十秒画一个粗糙的色块稿，构图准确率远高于反复堆提示词。
第三步：深度图——控制三维结构和透视
色块图解决”在哪里”，但解决不了”什么角度”。要让画面有确定的透视——比如一个低机位仰拍的产品镜头、一个一点透视的走廊——需要深度图（depth
map）。
深度图是一张灰度图：越亮代表离镜头越近，越暗代表越远。它携带了场景的三维结构信息。把深度图作为条件注入后，模型会生成一张三维结构完全一致的图：透视消失点、前后遮挡、物体的大小比例，全部被锁死。
实际获取深度图的方式有三种：从参考照片提取（用现成照片的构图）、用3D软件摆一个粗糙场景渲染深度、或用AI从一张草图直接推理。第三种是当前效率最高的：草图定构图，深度图定透视，提示词定内容，三层各管一段。
第四步：姿态与边缘——人物和产品的精确控制
还有两类更细的控制条件，分别对应两个高频场景：
姿态控制（pose）：提取参考图里人物的骨骼关键点——头部角度、手臂位置、腿部站姿——然后让生成的人物严格按这套骨架摆姿势。批量生成”同一动作不同人物”时，这是唯一稳定的方法。
边缘控制（canny/lineart）：提取参考图的物体轮廓线，让生成结果严格贴合轮廓。适合产品图：把产品的外形轮廓锁住，AI只负责生成环境和光影，产品本身不会变形。
第五步：一张图的实战控制流
把这些条件按用途排一张表，用的时候按需取用：
| 想控制什么 | 用什么条件 |
|---|---|
| 主体位置、画面分区 | 色块图 / 分割图 |
| 透视、景深、空间结构 | 深度图 |
| 人物动作、站姿 | 姿态骨骼图 |
| 物体外形、产品轮廓 | 边缘线稿图 |
| 风格、内容、质感 | 提示词（它的本职） |
在 AI广告制作
的实际生产里，判断一个团队是否成熟，往往就看他用提示词还是用控制条件：前者在抽卡，后者在施工。控制条件的引入，让”精确复现一个构图”从概率事件变成了确定动作。
结语
“AI总把构图拍歪”，准确的说法是：文字这个通道本来就传不了几何信息。控制条件的价值，是给生成模型加了一条几何通道——色块管分区、深度管透视、骨骼管姿态、线稿管轮廓。
下一次构图控不住的时候，别再改提示词了。画一张三十秒的草图，或者找一张构图接近的照片提深度图，一次就能到位。
更多文生图控制技术的项目实践，可以参考
