AI 出图为什么偏爱三分构图?训练数据里的审美偏置
一个很容易复现的现象:不写任何构图要求,只给”一杯咖啡放在木桌上”这样的提示词,连出十张,主体几乎都落在画面左三分之一或右三分之一处,背景虚化,光从侧后方来,上方留出一片干净的天或墙。想要严格的居中对称、正俯拍平铺、或者硬顶光,反复加词也很难压住。有人把它归结为”模型有审美”,其实方向反了——它恰恰没有审美,只是把见过的照片取了平均。
“模型默认构图”这件事,拆开看是四层叠加的结果。
第一步:拟合的是图片分布,不是构图规则
扩散模型的训练目标非常朴素:给一张被加过噪声的图,让网络把噪声预测出来。它没有任何”构图模块”,也不知道三分法是什么,学到的是训练数据整体的概率分布,推理时从噪声出发,往概率最高的方向收敛。
问题在于训练图片不是均匀采样自现实世界,而是来自摄影社区、图库、广告素材和作品集——这些来源里的”好照片”高度集中在少数几种范式:三分法与黄金分割、浅景深、引导线、干净背景、侧逆光。于是”符合描述的图”这个条件一旦给得含糊,最大概率解就自动滑向那几种构图。这是统计偏置,不是判断。
第二步:数据筛选把偏置又放大了两轮
第一层是来源偏置,第二层是筛选偏置。大规模图文数据集常按美学预测器的分数划子集,例如 LAION 的高美学分子集一般要求 aesthetic score 达到 5.5~6.0 以上;而这个打分器本身就是在”人类觉得好看的图”上训练的,天然偏爱浅景深、主体偏置、留白干净。第三层是偏好对齐:做人工偏好打分或 RLHF/DPO 时,标注者同样会给这类构图更高的分。三轮下来,”居中、平铺、硬光”这类样本在训练分布里几乎被稀释成噪声。
第三步:caption 里根本没有”构图”这个变量
更关键的一点:图文配对数据的文字描述大多是”a woman standing on a beach at sunset”,极少有人标注”主体居中、水平对称、顶光”。模型因此没学到构图是一个可控维度——你写”居中构图”,这个词在 caption 语料里频次太低,条件引导的力度就弱;你什么都不写,结果直接回归到先验均值。
这也解释了为什么中英文提示词效果不同:绝大多数 caption 是英文,构图相关的高频表达是 “centered composition””symmetrical””flat lay””top-down view”,用这些词比写中文”居中”有效得多。
第四步:布局在去噪早期就被定死了
扩散采样的轨迹有明确分工:高噪声阶段(大约前 20%~30% 的步数)决定全局结构、主体位置和大块明暗,低噪声阶段只补纹理与锐度。所以想改构图,必须在早期就把条件给对。等画面结构已经成形,再靠提高 CFG 或堆形容词去硬拽,通常只能改颜色和局部细节,改不动主体在哪。
ControlNet 之所以能精准控构图,原因就在这里:线稿、深度图、分割图这类空间条件是在每一步去噪里都注入的,从第一步就锁住了布局。
一套能落地的工作顺序
把上面四层压成操作清单:
- 先判断构图是否真的需要非常规。信息流素材、常规产品图,接受默认三分构图反而出图成功率最高、返工最少。
- 必须非常规时,优先上空间条件而不是形容词:ControlNet 线稿/深度/分割,控制权重 0.7~1.0,起止区间设 0.0~0.8(后期放开让模型补质感);或用注意力分区直接指定”左三分之一放什么、右三分之一放什么”。
- 提示词层面用数据集高频的英文构图词,正向写具体的可见特征,避免”高级感、氛围感”这类抽象词互相碰抽象词。
- 需要长期稳定的品牌版式,用 20~50 张目标构图样本做 LoRA 微调,把先验整体拉过去,比每次写提示词划算。
- 批量生产务必固定 seed 与空间条件;只固定提示词,构图仍会漂。
- 验收别靠单张观感:连出 10~20 张,把主体中心点标到九宫格里看分布,确认偏置是否真被压下去。
在 AI广告制作 的批量产线里,我们通常把”构图条件”单独当成一层资产来管:版式模板、线稿或分割图、固定 seed 一起存档,而不是散落在每个人的提示词里。这样换模型时只需重新校准条件强度,不用重写整套描述。
结语
AI 不是偏爱三分构图,它只是把人类过去几十年挑出来的”好看照片”取了个平均值。想跳出这个平均值,靠说服它没用,得在空间层面把条件交回去。
想看这类偏置在真实 AIGC广告 项目里怎么被系统性校正,可以接着翻我们整理的其他几篇实操笔记。