LocalBanana 发布多参考图工作流：精细化控制主体、构图与光影
在 AI 图像生成的进阶应用中，单一参考图往往难以同时满足复杂的商业需求。LocalBanana 近期在其技术博客中详细阐述了如何利用多参考图像（Multiple Reference Images）功能，通过结构化指令解决生成中的冲突，实现了对Subject（主体）、Composition（构图）和Style（风格）的独立控制。
核心突破：从模糊模仿到要素提取
传统提示词常陷入‘使用此风格’或‘模仿此图’的模糊指令，导致模型难以区分哪些元素必须保留，哪些可以舍弃。LocalBanana 的新工作流引入了‘赋予任务与边界’（Give each reference a job and a boundary）的概念，将多张参考图拆解为具体的指令集：
- 主体保留（Keep this product）：指定一张图片，明确保留产品的物理特征（如颜色、材质、形状），同时排除其背景或特定摆放位置。
- 构图布局（Borrow this layout）：使用一张草图或示意图，仅提取空间关系（如左侧放置主体，右侧留白），而非复制其材质或线条。
- 光影风格（Borrow the light and setting）：从另一张图片中提取光照方向和色调氛围，但剔除其中的无关物体（如花瓶、花卉）。
关键技术策略：优先级与冲突解决
该工作流的核心在于建立清晰的优先级顺序（Priority Order）。官方建议遵循以下逻辑：
- 产品身份第一：确保核心识别特征（如蓝色的把手、特定的圆点）不被背景色调覆盖或改变。
- 可用布局第二：确保画面留有足够且可读的空间用于后续添加文字（如标题）。
- 氛围第三：在满足前两点的基础上，再融合光影与色调。
当多张参考图存在冲突时（例如产品图显示蓝色细节，而光影图暗示暖色调背景），用户需在提示词中显式声明优先级，例如："Keep the mug from Image 1... Borrow only the warm setting from Image 3."（保留图 1 中的马克杯……仅借用图 3 中的暖调氛围）。
实际应用价值
对于商业摄影师、电商设计师及内容创作者而言，这一更新具有显著价值：
- 降低试错成本：通过预先规划‘成品图像’（Define the finished image before choosing references），大幅减少因生成结果不符合预期而重新生成的次数。
- 提升专业度：支持生成符合出版标准的16:9横幅或肖像，并能精确控制留白区域，便于后期排版。
- 模块化指令：用户无需为每个标签单独上传图片，一张图可承载多个指令（如同时提供主体和背景），提高了素材利用率。
正如官方团队所言："This planning method can help with a portrait, a room, or an illustration; the details you inspect will change with the task."（这种规划方法适用于肖像、房间或插画；您检查的细节将随任务而变化。）
通过这种结构化的提示工程方法，LocalBanana 正在推动 AI 图像生成从‘创意辅助’向‘精准生产工具’的跨越。
