Midjourney 教學:3 大「圖片參照」功能一次看

閱讀筆耕
·
·
IPFS
·
生圖時,你是否曾覺得單靠提示詞(Prompt)很像在「抽盲盒」?精心構思的描述,得到的結果卻跟腦中的構圖差了一大截。想要讓 AI 真正聽從你的指揮,從隨機生成進階到精準創作,你一定要掌握 3 招「圖片參照」的技巧:

太久沒碰 Midjourney 了!原本以為還是在 Discord 的「小房間」下指令,想不到現在可以在網頁上操作,超方便。

生圖時,你是否曾覺得單靠提示詞(Prompt)很像在「抽盲盒」?精心構思的描述,得到的結果卻跟腦中的構圖差了一大截。想要讓 AI 真正聽從你的指揮,從隨機生成進階到精準創作,你一定要掌握 3 招「圖片參照」的技巧:

  • Image Prompt(圖像參照)

  • Style Reference(風格參照)

  • Omni Reference(角色參照)

訂閱 Midjourney 就用 ether fi Cash 這張「無腦 3%/4% 回饋神卡」,完整教學文章更新囉,新增內容如下:

還未體驗過 ether fi Cash 加密支付卡的朋友,可參考這篇 2026 最新教學/開箱/實測文章

使用【創作者經濟 IMO】推薦連結申辦 ether.fi Cash 卡,20 分鐘左右就能開通 💪


1.0 Image Prompt 圖像參照:掌握形狀與構圖

如果你希望 Midjourney 參考某張圖片的佈局、物體輪廓或基礎構圖,那就得靠 Image Prompt 這個功能(控制參數為 --iw)。

在網頁版中,你只需要將參考圖直接拖曳至輸入框就可以了。

1.1 圖片權重(Image Weight)參數

它是使用 Image Prompt 時,用來控制參考圖片對生成結果影響程度的關鍵參數。

關於 --iw 的重點如下:

  • 數值範圍介於 0 至 3。如果沒有特別設定,--iw 的預設值為 1。

  • 數值越低(如 --iw 0.5),你輸入的文字提示詞特徵會比較明顯;

  • 數值越高(如 --iw 2 或極限的 --iw 3),參考圖片的特徵(例如顏色或材質)就會越強烈地滲透進去,甚至改變原本的主體。

  • 你可以使用「大括弧」來同時生成多張不同權重的圖片以便比較。

作為示範,我將一張「粉色花朵圖」拖入作為參考圖,提示詞輸入:

A dragon with wings --iw {0.5, 1, 2, 3}

不難發現:

--iw 0.5:以龍為主,龍的特徵非常鮮明,花朵僅作為背景或輕微點綴。

--iw 1(預設值):花朵的粉嫩色彩與瓣狀質感開始滲透進龍的身體。

--iw 2 至 3:龍的形態會逐漸被花「吞噬」,最後你會得到一隻完全由花朵所主導的龍?還能說是龍嗎?因為龍的特徵幾乎消失。

1.2 同時參考多張圖片

除了單張圖片,還有一招是讓 Midjourney 同時參考多張圖片。跟剛剛的做法類似,你只需要多張參考圖一起拖曳進去就可以了。

作為示範,我同時把「粉色花朵圖」和「抽象拼布貓」一起拖入。

接下來,有兩種處理方式:

  1. 直接按 Enter
    什麼語法都不打,兩圖扔進去直接按 Enter,產出會比較像是圖片「疊合」。

  2. 使用 /blend 指令
    如果你輸入 /blend 指令,Midjourney 會幫你把這兩張圖的 DNA 重新排列組合,產生出一種真正「融合」的感覺。

但無論如何,最後你都會得到一張合體出來的新圖片,它就可作為「新的參照圖」供後續使用。


2.0 Style Reference 風格參照:鎖定氛圍與畫風

如果你迷戀的是參考圖的「氣氛、筆觸或藝術風格」,而非它的具體形狀,請使用 Style Reference(控制參數為 --sw 和 --sref)。

在網頁版中,你只需要將參考圖直接拖曳至輸入框就可以了。

2.1 風格權重(Style Weight)參數

它是使用 Style Reference 時,用來控制參考圖片對生成結果「畫風濃厚度」的關鍵參數。

關於 --sw 的重點如下:

  • 數值範圍介於 0 至 1000。如果在沒有特別設定,--sw 的預設值為 100

  • 數值越低(如 --sw 0),你輸入的文字提示詞特徵會比較明顯;

  • 數值越高(如 --sw 500 或極限的 --sw 1000),參考圖片的特徵(氣氛與畫風)就會越強烈地滲透進去,AI 會越聽從參考圖的風格。

  • 你可以使用「大括弧」來同時生成多張不同權重的圖片以便比較。

作為示範,我將一張「粉色花朵圖」拖入作為參考圖,提示詞輸入:

A dragon with wings --sw {0, 100, 500, 1000}

數值越高,Midjourney 生成的作品就會越「聽」參考圖的話,越接近原圖的氛圍。

像是我的參考圖是粉紅色的,所以當數值調到最高 1000 的時候,畫面中幾乎就不會看到其他的顏色;反之,數值越低,就越能看到 AI 在參考圖之外發揮的創意,甚至可能會出現綠色、藍色、黑色或素描感等截然不同的效果。

建議的調整邏輯如下:

  • 還原度優先:如果你想要高度還原原始參考圖的「畫風」或「氛圍」,請將數值調高。

  • 創意優先:如果你不希望過度受限於參考圖,想給 AI 更多自由創作的空間,請將數值調低。

2.2 隨機風格

這是我的靈感激發術!如果你想「多擲幾次骰子」探索意想不到的視覺效果,不防試試看:

A dragon with wings -sref random --repeat 3

這樣會讓 Midjourney 隨機派發 3 組不同風格的成品(背後對應不同風格代碼),每次都有驚喜。

2.3 風格鎖定+沿用

承上,再提供兩招小技巧:

  1. 若「盲盒開箱」到喜歡的風格,請記下它的風格代碼(例如 50186746)。

  2. 風格代碼最強大的地方在於「一致性」,換一個對象應用也能繼承。

例如你覺得 --sref 50186746「卡動化」的龍很喜歡,然後你輸入:

a Taiwanese man wearing glasses --sref 50186746

這位男士會完美繼承跟龍一模一樣的氛圍、畫風。

這個技巧特別適合用在你想做一整套相同風格的內容,例如 IG 圖文、部落格封面,或是 YT 影片縮圖。

用「鎖定」風格的方式,你可以讓每張作品都「沿用」同一套視覺語言,整體看起來更一致、也更專業。


3.0 Omni Reference 角色參照:一致性與連貫性

Omni Reference 是把原圖的主角直接套入到你的生成結果中。如果你想畫同一個角色出現在不同場景、同一條龍身處在不同氣候下,用 Omni Reference 就對了(控制參數為 --ow)!

在網頁版中,你只需要將參考圖直接拖曳至輸入框就可以了。

3.1 角色權重(Omni Weight)參數

它是使用 Omni Reference 功能時,用來掌控原圖角色一致性與連貫性的參數。

關於 --ow 的重點如下:

  • 數值範圍是從 0 到 1000。如果沒有特別設定,--ow 的預設值為 100

  • Omni Reference 跟 Image Prompt 最大的不同,就在於它對「角色一致性」的強大維持能力。

  • 數值越低(如 --ow 0),你輸入的文字提示詞特徵會比較明顯;

  • 數值越高(如 --ow 500 或極限的 --ow 1000),AI 會越嚴格保持原圖角色的一致性,並帶有強烈的「家族感」。

  • 同樣地,你可以使用「大括弧」來同時生成多張不同權重的圖片以便比較。

作為示範,我將一張「彩色龍寶寶」拖入作為參考圖,提示詞輸入:

A dragon with wings --ow {0, 100, 500, 1000}

我觀察到,其實數值只要在 100 以上,基本上得到的成果就會忠於原圖的角色。

有趣的是,數值越高,AI 好像越愛把這隻龍的翅膀特別放大、強調,不過這只是其中一組樣本;你也可以換不同參照圖,自己從 100~1000 跑幾輪,看看 AI 到底會特別凸顯哪個特徵。

這邊再補一個有趣的應用發想:許多人應該有遇過,很多網站登入時會跳出「九宮格驗證」?

其實用「角色一致性」就能快速做出一組同物件的九宮格圖(例如消防栓、公車、剪刀⋯⋯),再替換掉幾張不符合的圖進去,就能組成一套完整的驗證題。


4.0 小結與快速參照表

為了方便大家創作,我整理了這份對照表:

掌握這三大「圖片參照」功能後,你將不再只是被動地等 AI 給答案,而是能真正主動引導創作 💪

Image Prompt:捕捉「形狀與構圖」。

Style Reference:鎖定「氣氛與畫風」。

Omni Reference:維持「角色一致性、連貫性」。

CC BY-NC-ND 4.0 授权

喜欢我的作品吗?别忘了给予支持与赞赏,让我知道在创作的路上有你陪伴,一起延续这份热忱!

logbook icon
閱讀筆耕從 2020 年 8 月開始寫字 https://linktr.ee/penfarming 金融職人|文案編輯|雜食性閱讀者|Heptabase 愛用者 🌐 區塊鏈教育平台【鏈習生】團隊成員 🗞️ 電子報【創作者經濟IMO】主編 👤 臉書專頁【閱讀筆耕】
  • 来自作者
  • 相关推荐

OKX 註冊教學|三分鐘帶你完成 OKX 開戶+KYC+OKX 入金

創作者經濟 IMO 📣 週報 #134|停止「優化」你自己:為什麼 20 年的自我提升反而成了陷阱?

創作者經濟 IMO 📣 週報 133|聽納瓦爾.拉維坎特(Naval Ravikant)訪談思考 5 個整理