这条在：GEO 图书馆 · 被呈现：AI 怎么说你、怎么画你
给 AI 生图喂参考图，它是怎么「照着画」的？
截至 2026 年 10 月 2 日，母本读到的论文和官方文档里，给 AI 生图喂参考图，模型是带着参考图里的信息重新生成一张，不是照着原图描；Midjourney 的帮助文档就写明，衣服上的 logo 这类细节可能跟参考图对不上。
这些文档里，参考图只跟着当次生成走，想让模型记住一个产品得拿照片另做训练，训完也不保证一笔不差。母本读到的 Midjourney、OpenAI、Gemini、可灵和 Seedream 官方文档，都没有给出 logo 还原的成功率。
Midjourney 的帮助文档里有这样一句：参考图里很细的东西，比如某个人的雀斑、衣服上的 logo，可能跟原图不完全一致。这句写在它的 Omni Reference（全能参考）功能下面，这个功能只支持 V7。讲图片提示的时候它也说，参考图是拿来引导新创作的，不是照着精确复制；真要精确改自己的图，得去用编辑器。
做品牌的人看到这儿多半会问：那我把 logo 原图传上去，AI 到底拿它干了什么？我们翻了几篇论文、几份开源工具的文档和几家平台的官方说明，发现「喂图」其实不是一件事，底下至少有四种做法，带过去的东西各不相同。
参考图进了模型，变成了什么
第一种，压成特征，当额外条件。 开源工具 IP-Adapter 是这么做的：底下的生图模型冻住不动，旁边加一小组「看图」的注意力层，参考图编成一组特征，跟文字提示一起去影响生成。Hugging Face 的文档说，参考图的分量用 scale 来调，1.0 是全强度，0.5 通常让文字和图片两边平衡。可调的是影响有多大，并不是一个事先算得出的还原比例。
第二种，编成 token，跟着一起算。 Black Forest Labs 的 FLUX.1 Kontext 技术报告写的是，参考图先编成一串潜空间里的 token，接在要生成的图像 token 后面一起送进模型。光看结构，说不出细节能保住多少；报告自己也承认，编辑轮数太多会出瑕疵，模型偶尔也不听指令。
第三种，当起点重画。 diffusers 文档介绍的图生图是这样：原图编码后加上噪声，模型从这个带噪的起点去噪出新图。参数 strength 开到 1.0，原图基本被忽略，开得越低，出来越像原图。不过这只是开源管线里的一种，别家叫「图生图」的按钮背后不一定是这一套。
第四种，拿几张照片去改模型。 前三种都是生成时用一下参考图，不为这个主体另做训练；DreamBooth 不一样。这篇 CVPR 2023 的论文拿一个主体的三到五张照片微调模型，把一个专属代号跟它绑在一起，以后用这个代号就能把它放进新场景。现在开源圈更轻的做法是 LoRA，不动原模型，只插一小组新权重来训。
可微调了也不等于一笔不差。DreamBooth 自己的评测里，用 Stable Diffusion 微调出来的图，跟真照片的相似度（DINO）是 0.668，而同一对象的两张真照片互相比是 0.774。这量的还是特征向量，压根儿不管 logo 上的字对不对。论文也列了失败的样子：背包换个场景就变了颜色，有的图还会凭空多出主体身上没有的特征。
各家平台官方怎么说
Midjourney 把用图拆成了好几个入口。风格参考带走的是整体风格，文档举的例子是颜色、媒材、质感、光线，还明说不复制物体和人；Omni Reference 才是把角色、物体放进新图的那个，开头那句 logo「可能不完全一致」就出自这里。所以同样传一张图，入口选错，带过去的东西就完全不同：想在新图里保住产品的样子，用风格参考就走错了门。
OpenAI 的开发者文档说，可以拿一张或多张图当参考，同时在局限里写了：反复出现的角色或品牌元素，在多次生成之间偶尔会保持不住一致。它有篇教程说，编辑人脸、logo 这类图时把 input_fidelity 设成 high 尤其有用，可传多张图时只有第一张会额外保住纹理细节。这篇教程针对的是 gpt-image-1，而现在指南页列的已经是 gpt-image-2.5 的型号了。Google 那边，Gemini 3 生图模型最多能混 14 张参考图，物体高还原和人物一致分开算额度，每个型号还不一样。
字节 Seedream 4.0 的官方发布页（2025 年 9 月）写了体验入口，就是在豆包 App 里选 AI 生图，上传参考图再输提示词。同一页说，参考生成难在「保持」和「创造」之间找平衡，模型从参考图里抽取人物身份、艺术风格或结构特征，再放到新场景里重新创造。可灵的官方指南有个「参考强度」，越强越靠近参考图；它的官方博客说 IMAGE 3.0 最多从 10 张参考图里提取特征，还建议写清哪张管主体、哪张管风格、哪张管环境。
还有一件常被误会的事：喂过一次图，平台是不是就记住你的产品了？我们读到的这几家文档里，参考图都是跟着一次生成任务传进去的，上传参考图也不等于替你做了微调。想反复用同一个产品，每次再传一遍也是条路，只是每次出来的不一定一样；要把主体存进模型，得走第四种那样的训练。
训练这条路，国内有个法院发布的典型案例。杭州互联网法院审的奥特曼案里，用户上传奥特曼图片，在平台的基础模型上训出 LoRA，别的用户叠上它就能生成跟奥特曼实质性相似的图。法院认为平台应当知道侵权可能性较大，没尽到合理注意义务，构成帮助侵害信息网络传播权，一审判赔 3 万元，二审维持。这案子讲的是平台的责任；训练用的图有没有权利、授权管不管得到这种用法，还得另外确认。
那品牌该怎么备料
可以按你要的东西来对：
- 要风格统一：用风格参考那类入口，带走的是色调、质感、光线这类东西。
- 要产品或角色出现在新图里：先试主体参考，多张图时写清每张管什么。这一步没有现成的成功率，得自己出几张看。
- 要 logo 一笔不差：我们读到的平台文档里，没有哪家承诺。Midjourney 让你去用编辑器，OpenAI 针对 gpt-image-1 的教程里有 input_fidelity=high，可出图以后还是得有人一个字一个字核。
- 要长期反复用同一个产品：可以每次重传参考图，也可以走训练。训练得用自己有权利的照片，而且训完也不保证一笔不差。
AI 为什么常把 logo 和中文字画错，我们另写过一篇《AI 生图为什么把 logo 画歪、把中文字写错？》。
结论
- 截至 2026 年 10 月 2 日，母本读到的公开论文和开源文档里，AI 生图「照着参考图画」至少有四种做法：把参考图压成特征当条件，把参考图编成 token 跟要生成的图一起算，把参考图加噪后当起点重画，以及用几张照片微调模型。前三种只在生成时用参考图，微调会改模型本身。
- Midjourney 的帮助文档说，图片提示是拿来引导新创作的，不是精确复制；它的 Omni Reference 页（V7 的功能）写明，衣服上的 logo 这类细节可能跟参考图不完全一致。
- OpenAI 的开发者文档说，反复出现的角色或品牌元素在多次生成之间偶尔会保持不住一致；OpenAI 针对 gpt-image-1 的教程说，编辑人脸、logo 这类图时，把 input_fidelity 设成 high 尤其有用。
- 字节 Seedream 4.0 的官方发布页说，参考生成是从参考图里抽取人物身份、艺术风格或结构特征，再放到新场景里重新创造；可灵的官方指南说，参考强度越强，生成结果越靠近参考图。
- DreamBooth 论文的评测里，微调后生成图跟真照片的相似度，低于同一对象真照片互相比的相似度；论文还记录了主体颜色被场景带偏、凭空多出特征等失败。
- 母本读到的 Midjourney、OpenAI、Google Gemini、可灵和 Seedream 官方文档里，没有一家给出 logo 或产品细节的还原成功率。
「喂参考图不会照搬原图」？
这句话也得收一下。说「不是精确复制」的是 Midjourney 的文档，讲的是它自己的图片提示；别的做法目标各不相同，这些材料也证明不了输出永远不会贴近原图。
DreamBooth 论文自己就写了，提示词跟原照片场景太像时，模型会过拟合到原照片上；图生图把 strength 调低，出来的也越像原图。FLUX.1 Kontext 的报告倒是量过编辑前后人脸特征有多像、连改几轮保不保得住，可量的是脸，不是 logo 的一笔一画。所以稳一点的说法是：输出离原图多近，跟做法和参数都有关系，只是近到什么程度才算把 logo 还原对了，这些材料都没给答案。
这对品牌其实是两面的事。自己的 logo 想贴近一点，有参数可调；要用别人家的形象，就得先想清楚权利，奥特曼案里被判担责的就是平台。
这些结论别往外推
- 四种做法出自公开论文和开源文档，不能拿来认定 Midjourney、OpenAI、Gemini、可灵或豆包的参考图功能用的是哪一种。
- DreamBooth 的数字来自 2022 年的模型、30 个对象和 25 条提示词，相似度量的是特征向量，不是 logo 上的字。
- 各平台的「参考强度」「高还原」「最多 10 张」都是厂商自己的说法，只对文档里写的型号和版本成立；Seedream 那几句讲的是 4.0 版，OpenAI 那几条来自开发者文档和教程。
- 奥特曼案讲的是平台的帮助侵权责任，不能单凭像不像去判断别的训练合不合法。
核对记录
- 2026 年 10 月 2 日重开 DreamBooth 的 arXiv HTML v2：引言写的是「(∼3-5)」张照片，第 4.5 节有「hallucinated subject features」，过拟合一句原文是「overfitting to the real images」。
- 同日重开奥特曼案的法院摘要，核到平台「未尽到合理注意义务，存在主观过错」，构成帮助侵害信息网络传播权。
- 同日重开 FLUX.1 Kontext 报告：第 4.2、4.3 节评测的是人脸特征相似度和多轮编辑后的一致性，没有 logo 或文字的量化数字。
出处 15 条，A 级 13 条、B 级 2 条 · 展开全部
Midjourney 帮助文档《Image Prompts》：「Midjourney looks at your image's core elements, and uses it as a source of inspiration for your new and unique image.」「Midjourney uses Image Prompts and references as inspiration to guide new creations, not to copy them exactly. If you're looking to make precise changes on your own images, check out the Editor.」图像权重 --iw：V8.1、V7 默认 1、范围 0–3，Niji 7 范围 0–2。页面未标日期。 原文
Midjourney 帮助文档《Style Reference》：「It doesn't copy objects or people, just the overall style—like colors, medium, textures, or lighting」；--sw 取值 0 到 1000，默认 100；V6 及以后可用。 原文
Midjourney 帮助文档《Omni Reference》：「Be aware that intricate details like specific freckles or logos on clothing may not perfectly match your reference.」Omni Reference 只支持 V7，--ow 取值 1 到 1000、默认 100；页面说 V8.x 改用 Edit Model。 原文
Hugging Face diffusers 文档《IP-Adapter》：「It freezes the base model and adds a small set of image cross-attention layers, which makes it practical for matching a subject or style from a photo without fine-tuning.」「`1.0` applies the adapter at full strength; `0.5` usually balances text and image prompts.」「Load Plus when detail from the reference image matters most. Load FaceID when you need InsightFace identity embeddings rather than CLIP image embeddings.」只对开源 diffusers 生态成立。 原文
Black Forest Labs《FLUX.1 Kontext》技术报告（arXiv 2506.15742，v1 2025-06-17）：「Images are encoded into latent tokens by the frozen FLUX auto-encoder. These context image tokens y are then appended to the image tokens x and fed into the visual stream of the model.」局限一节：「Excessive multi-turn editing can introduce visual artifacts that degrade image quality」；「The model occasionally fails to follow instructions accurately, ignoring specific prompt requirements.」第 4.2 节用 AuraFace 提取编辑前后的人脸特征来比相似度；第 4.3 节「compute the cosine similarity of AuraFace embeddings between the input and images generated via successive edits」，看多轮编辑的走样。报告没给 logo 或文字还原的量化数字，也没拿这种拼接方式跟其他条件方式比过信息量。只对 FLUX.1 Kontext 成立。 原文
Hugging Face diffusers 文档《Image-to-image》：「The initial image is encoded to latent space and noise is added to it.」「a `strength` value of 1.0 means the initial image is more or less ignored」；「a lower `strength` value means the generated image is more similar to the initial image」。只说明开源 Stable Diffusion 一类管线。 原文
Ruiz 等《DreamBooth》（CVPR 2023，IEEE DOI 10.1109/CVPR52729.2023.02155）。引言：「given a few images of a subject (∼3-5)」；「we fine-tune a pretrained text-to-image model such that it learns to bind a unique identifier with that specific subject」；「In our experience, the best results for maximum subject fidelity are achieved by fine-tuning all layers of the model」；约 1000 步，「5 minutes on a NVIDIA A100 for Stable Diffusion」。表 1（30 个对象、25 条提示词）DINO 相似度：真照片互比 0.774，DreamBooth（Imagen）0.696，DreamBooth（Stable Diffusion）0.668。第 4.5 节局限：「context-appearance entanglement, where the appearance of the subject changes due to the prompted context, exemplified in Figure 9 with color changes of the backpack」；「overfitting to the real images that happen when the prompt is similar to the original setting in which the subject was seen」；「some generated images might contain hallucinated subject features」。实验用的是 Imagen 和 Stable Diffusion，2022 年的模型和硬件。 原文
Hugging Face diffusers 文档《LoRA》：「It works by inserting a smaller number of new weights into the model and only these are trained.」产出「a few hundred MBs」的权重文件；「LoRA can also be combined with other training techniques like DreamBooth to speedup training.」「几百 MB」指 diffusers 示例，不同底模差别很大。 原文
OpenAI API 文档《Image generation》：「You can use one or more images as a reference to generate a new image.」局限：「While capable of producing consistent imagery, the model may occasionally struggle to maintain visual consistency for recurring characters or brand elements across multiple generations.」遮罩编辑：「The model uses the mask as guidance, but may not follow its exact shape with complete precision.」页面列的模型是 gpt-image-2.5-sunburst 和 gpt-image-2.5-flare，限制条款没按型号分开写。这是开发者接口文档。 原文
OpenAI Cookbook《Generate images with high input fidelity》：「Setting `input_fidelity="high"` is especially useful when editing images with faces, logos, or any other details that require high fidelity in the output.」多图时「only the first one you provide is preserved with extra richness in texture」；「high input fidelity consumes more image input tokens than the default」。教程针对 gpt-image-1；当前生图指南页没出现这个参数。 原文
Google AI for Developers《Image generation》：「Gemini 3 image models let you to mix up to 14 reference images」；Gemini 3 Pro Image「Up to 6 images of objects with high-fidelity」、「Up to 5 images of characters to maintain character consistency」；Gemini 3.1 Flash Image 物体最多 10 张、人物最多 4 张。页面没给还原度数字。 原文
字节 Seed 团队 Seedream 4.0 官方发布页（页面标注 2025-09-09）：「与编辑不同，参考生成的难点在于——如何在“保持”与“创造”之间找到平衡。Seedream 4.0 能从参考图像中抽取关键信息，如人物身份、艺术风格或结构特征，并在全新的场景下进行再创造。」「最多可支持十余张参考图」。体验入口：「豆包 App 对话框-AI 生图/生视频-上传参考图-输入 Prompt」。只对 Seedream 4.0 成立。 原文
可灵官方参考图指南（页面标注 2025-11-24）：「A stronger reference strength means the generated result will be closer to the reference image」。 原文
可灵官方博客（页面标注 2026-06-29）：「Kling IMAGE 3.0 supports extracting features from up to 10 reference images.」页面建议分别说明哪张图提供主体、风格或环境；没有披露内部架构，也没给品牌标志的保持率。 原文
浙江省高级人民法院发布的 2024 年知识产权保护典型案例（澎湃号转载，2025-04-17）：「被诉的多个奥特曼LoRA模型系由用户上传奥特曼相关训练图片，选择平台基础模型，调整参数进行训练后形成。」法院认为平台「应当知道相关内容具有较大的侵权可能性」「未尽到合理注意义务，存在主观过错」，构成帮助侵害涉案奥特曼作品信息网络传播权。一审（2024）浙0192民初1587号，二审（2024）浙01民终10332号驳回上诉、维持原判；一审判删除涉案图片和模型、赔偿 3 万元。 原文
大家也这样问
- 上传了logo原图，AI为什么还是画得不一样？
- 给豆包传参考图，它是照着描还是重新画？
- 想让AI记住我们的产品，喂几张图够吗？