昨天晚上，杰克老师带着我们重新梳理了公司的使命与价值观，回溯了为什么杰视帮能跨越行业周期，屹立12年不倒。
其中有一句话让我听了非常有力量：
让普通设计师不平凡！
带大家一次性解决一类型难题！让老板和运营高看一眼！
其实，从本质上来看，模型不管是跑图还是出片，都是在“猜测”。
所以，不管是跑图还是跑视频，2大核心关键之一就是：去除噪声干扰。
拿上面这张图举例，如果我们想把它的噪点去掉，可以有哪些方法呢？
其实知道了原理，脉络就会很清晰，那问题就迎刃而解：
在某些情况下，重新用回image2模型，配合提示词引导，image2是能在一定程度减少噪声的，因为i2的文本理解与自适应能力极强：
但你会发现，它虽然有所好转，但仍旧不太理想。因为这是i2天然的劣势+整张图都带着过剩的噪点污染，你让它在这天崩开局力挽狂澜... 是不太现实的~
哪怕换其他模型，也不会很理想，核心原因在于图像本身
自带了太多污染信息
。所以不要信那些提示词修复的方法，泛化性是很差的！
但也有一个邪修方法还算管用，篇幅太长，后面再分享给大家~
通过上面第一种方法你会发现，污染源不处理掉，你再怎么操作都是事倍功半。所以核心是先把污染给处理掉！
但很多时候，污染源与核心信息是共生的，就像上面这张图一样，噪点是从整张图上生长出来的，我们没有办法通过传统的遮盖、涂抹、等方式解决。
这个时候，我们就可以思考，如何精准剥离掉干扰信息？这里的核心是从干扰信息的特征入手。
读图可得，干扰信息就是一些噪点与崩坏的结构。除此外的色彩、材质纹理、特效光影是我们需要的。
那玩过comfyUI的早期同学都知道，我们当时控图是不是用scribble涂鸦+zoe深度+canny线条，每一层赋予不同的任务，来引导ai完成最终的生图。
那现在直接反过来就好了！用这些特殊图层来精准筛出那些干扰信息！
把有噪点的原图，转为线稿图、白模图、法线图、各种能控住主体，但又带不进噪声细节的功能图：
除此之外，我们还需用ai倒推出整体带材质+色彩+光影等综合信息的提示词，来将功能图重新渲染回原图：
这里建议用nano模型来转功能图，用sd5p或nano来生成图片，这个知识点上节课讲过，大家复习一下~
如果你觉得色彩偏了，那同样套上面的方法，提取色彩给到参考，做进一步引导，思路都是一样的~
哪怕用到ai跑视频上，也是如此，比如最近很流行的转深度图控制，原理就是屏蔽其他信息的干扰：
上面这些方法，估计经常跑图的同学都知道了，本次是从原理层带大家分析，为什么会这样，以及正确的解题思路是什么。
因为不同的情况，解决问题的方法组合也不一样，死记硬背一两个技法，不如吃透底层原理！
这套解题思路无偿分享给大家，别人问起你就说是你自己研究的就行，不用报我名字。
