GPT Image 2生图最大骗局：上传参考图，就能生成同一个人

最近在使用 AI 生成图片时，我发现了一个很反常的问题：

不上传参考图时，画面的风格还挺稳定；一旦上传参考图，原本设计好的风格反而被带偏了。

更麻烦的是，我上传的明明是一张人物照片，希望 AI 保留人物长相，最终生成出来的人却完全不像。有时候只是发型和脸型有一点接近，有时候甚至像换了一个人。

例如，我上传的是这个虚拟人物形象，想通过提示词来完成人物形象的迁移，改成古风的风格图片。

但最后我得到的图片，与原图的人物形象还是有很大差别。

这让我产生了一个疑问：

既然已经提供了参考图，为什么 AI 还是做不到“照着这个人生成”？

经过多次测试，我发现问题通常不是一句“模型不行”就能解释的。

很多时候，真正的问题在于：我们以为自己上传的是一张人物参考图，但在 AI 眼里，它同时还是一张风格图、构图图、服装图、光线图和场景图。

左侧为未上传参考图时生成的目标风格，右侧为上传人物照片后风格被参考图带偏的结果。

参考图不仅会影响人物，也可能影响色调、光线、背景和构图。

一、AI 并不知道我们到底想参考什么

我们看到一张照片时，可以非常自然地理解：

我只想参考这个人的脸，其他内容都不要。

但对于多数图像生成模型来说，一张参考图并不会自动被拆分成“人物身份”和“其他无关元素”。

模型可能同时从图片中读取：

- 人物脸型和五官；
- 发型、服装和妆容；
- 拍摄角度和人物姿态；
- 背景环境和构图；
- 光线方向；
- 色彩倾向；
- 摄影质感；
- 图片清晰度和压缩痕迹。

例如，你上传了一张室内暖黄色灯光下的人像照片，却要求生成一张冷白清透的户外 CCD 生活照，就是你上传的图片与你的提示词风格不一致。

在你的理解里：

人物长相参考上传图片，风格按照文字提示词执行。

但模型接收到的任务可能更接近：

保留参考图中的人物、暖黄色光线、室内质感和拍摄方式，同时尝试加入冷白户外 CCD 风格。

这两个方向本身就在互相竞争。

最终常见的结果就是：

人物没有完全保住，目标风格也没有完全实现。

二、上传参考图，不等于开启“人物复制”

这是很多人最容易产生的误解。

我们会下意识地认为：

上传一张人物照片，AI 应该就能识别这个人，并在其他场景中准确还原。

但普通的图片生成，更接近于根据参考图重新理解和生成，而不是把原图中的脸直接复制到新画面里。

模型往往只能提取一组近似特征，例如：

- 东方女性；
- 鹅蛋脸；
- 黑色长发；
- 杏眼；
- 鼻型小巧；
- 年轻、清秀；
- 淡妆；
- 温柔气质。

问题在于，符合这些描述的人可能有很多。

于是，AI 虽然保留了“人物类型”，却没有真正保留“这个具体的人”。

这也是为什么生成结果经常会出现一种感觉：

看起来像是同一类人，但不是同一个人。

模型读取的不是单独一张脸，而是整张图片中的综合视觉信息。

三、参考图越强，目标风格越容易消失

参考图和文字提示词之间，通常存在一定程度的控制权竞争。

- 参考图影响越强，人物、构图和原图质感越容易保留，但新风格的自由度会下降。
- 参考图影响越弱，新的场景和风格更容易实现，但人物一致性又可能下降。

这就形成了一个很难同时满足的三角关系：

1. 人物必须高度相似；

2. 风格必须完全改变；

3. 姿态、服装、背景和构图也要大幅变化。

当这三项同时要求很高时，模型就容易出现取舍。

例如，参考图是一张正面证件式人像，你却要求人物侧身坐在夜晚电影院里，使用低角度镜头，穿着完全不同的服装，还要呈现强烈的电影光影。

这意味着 AI 不仅要保留人物身份，还要重新计算：

- 侧脸轮廓；
- 新角度下的五官关系；
- 不同光线下的面部结构；
- 新表情；
- 新发型遮挡；
- 新姿态下的身体比例。

改变得越多，人物越容易漂移。

所以，人物不一致并不一定是参考图完全失效，也可能是你要求模型同时改变的变量太多了。

四、参考图本身，也可能不适合做人像一致性参考

并不是所有好看的照片，都适合作为人物参考图。

一张氛围感很强的写真，可能很适合发朋友圈，却不一定适合 AI 识别人脸。

以下几类图片尤其容易导致人物不一致：

1. 面部占比太小

如果人物只是全身照中的一小部分，模型能够读取到的五官信息非常有限。

2. 侧脸角度过大

单张侧脸照片缺少完整的正面五官关系，模型需要自行推测另一侧面部结构。

3. 头发遮挡面部

刘海、碎发、手部或者饰品遮挡眼睛和脸型时，都会降低人物特征的稳定性。

4. 美颜和滤镜过重

强磨皮、大眼、瘦脸、液化和夸张妆容，可能会让模型读取到错误的人脸结构。

5. 光影过于极端

当一半面部隐藏在阴影里，或者高光严重过曝时，人物身份信息会变得不完整。

6. 图片分辨率太低

模糊、压缩严重或者多次转存的图片，都会减少可用的面部细节。

7. 表情过于夸张

大笑、闭眼、撅嘴或者极端表情，会改变眼睛、嘴巴和面部肌肉关系。

真正适合做人物参考的图片，通常不是最有氛围感的那一张，而是面部信息最完整、最清楚、最中性的那一张。

五、解决方法一：一张参考图，只承担一种任务

这是我测试后认为最重要的一条原则：

不要让同一张参考图同时负责人物、风格、姿势、构图和场景。

在开始生成前，先明确这张图片的用途。

它究竟是：

- 人物身份参考；
- 风格参考；
- 姿态参考；
- 服装参考；
- 构图参考；
- 场景参考；
- 产品外观参考。

如果你上传的是人物照片，就应该在提示词中明确限制它的作用范围。

可以这样写：

仅参考上传图片中的人物身份特征，包括脸型、五官比例、眼型、鼻型、嘴唇和整体辨识度。不要继承参考图中的服装、背景、构图、姿态、光线、滤镜、色调和摄影风格。

然后再单独描述目标画面：

将同一位人物重新拍摄为冷白清透 CCD 生活照，场景为白色街角咖啡馆，晴天自然光，蓝白清透色彩，轻微柔闪，真实生活抓拍感。

这种写法不能保证百分之百锁定人物，但至少能够减少模型把参考图中的其他元素一起复制过来的概率。

六、解决方法二：先锁定人物，再改变风格

如果一次性要求 AI 完成人物一致性、换装、换场景、换姿势和换风格，失败率通常会比较高。

更稳定的方法是分两步完成。

第一步：建立人物基准图

先尽量少改动人物。

例如：

保留参考图中的人物身份和面部特征，生成同一人物的正面自然肖像。柔和均匀光线，简单背景，自然表情，面部清晰，不改变脸型、眼型、鼻型和嘴唇结构。

这一阶段不要追求复杂的风格，只需要确认人物是否足够像。

第二步：使用基准图改变场景和风格

当第一步生成出一张相对稳定的人物图后，再将它作为新的参考图，逐步修改：

- 先换服装；
- 再换场景；
- 再改变姿态；
- 最后增加复杂光影和滤镜。

这种方法的核心不是让模型一次完成所有事情，而是逐步缩小每次生成需要解决的变量。

先稳定人物，再逐步增加风格和场景变量。

七、解决方法三：先裁剪参考图，再上传

如果你只想参考人物的脸，就不要直接上传一张包含大量环境信息的全身写真。

可以先将参考图裁剪成：

- 头部和肩部为主；
- 面部位于画面中心；
- 保留完整发际线和下颌线；
- 不要裁掉额头或下巴；
- 尽量减少背景面积；
- 不要进行二次美颜。

这样做的目的，是降低背景、服装和原始构图对生成结果的影响。

不过也不能裁得太近。

如果图片里只剩下眼睛、鼻子和嘴巴，缺少完整脸型、耳朵、发际线和头部轮廓，人物仍然容易出现偏差。

比较合理的是标准头肩肖像，而不是极端局部特写。

八、解决方法四：减少互相冲突的风格词

很多时候，问题不全在参考图，也在提示词。

例如一段提示词里同时出现：

- 真实生活抓拍；
- 高级时尚大片；
- 柔光 CCD；
- 电影级戏剧光影；
- 韩系清透；
- 港风暖黄；
- 冷白色调；
- 复古胶片；
- 商业棚拍。

单独看，每一个词都很好。

但放在一起以后，模型并不知道哪个才是主要方向。

上传参考图后，这种风格冲突会更加严重，因为参考图本身还会带入一套新的视觉风格。

所以提示词最好只保留一个主要风格，再搭配少量辅助质感。

例如：

主要风格：日间冷白清透 CCD 生活照。 辅助质感：柔和闪光、轻颗粒、真实抓拍感。

而不是把所有好看的风格词全部叠加进去。

九、解决方法五：不要一开始就追求大幅度换脸角度

如果参考图是正面，就先从正面或轻微侧脸开始。

如果参考图是半身，就先生成半身。

如果参考图中人物是自然表情，就先保持自然表情。

当人物稳定后，再逐步尝试：

- 三分之二侧脸；
- 低头或抬头；
- 坐姿；
- 运动状态；
- 强光影；
- 远景和全身；
- 更复杂的遮挡。

尤其是以下组合，对人物一致性的挑战很大：

单张正面参考图 + 完全侧脸 + 低角度仰拍 + 强烈表情 + 头发遮脸 + 暗光。

这并不代表不能生成，而是需要接受人物相似度可能明显下降。

十、一个更稳定的人物参考提示词模板

下面这段模板，可以根据自己的风格直接修改。

人物身份约束
仅参考上传图片中的人物身份特征。保留同一位成年人物的核心辨识度，包括脸型轮廓、五官比例、眼型、眉形、鼻梁、鼻尖、嘴唇形状、下颌线、发际线和整体气质。人物必须看起来是同一个人，而不是五官相似的另一位模特。

参考范围限制
不要继承参考图中的背景、场景、服装、饰品、姿态、镜头角度、构图、光线、滤镜、色调和摄影风格。参考图只用于人物身份一致性。

目标画面
将同一位人物重新拍摄为日间冷白清透 CCD 生活照。场景为现代白色街角咖啡馆，晴天高亮自然光，白色建筑和玻璃产生轻微冷白反射。人物穿浅水蓝修身针织上衣与奶白色休闲短裙，坐在户外圆桌旁，身体轻微侧向镜头，表情自然放松。

摄影风格
高色温自然光，冷白高光，蓝白清透色彩，轻微柔闪，极轻颗粒和轻数码噪点，真实生活抓拍感。人物面部清晰，肤色自然白皙，不要过度磨皮，不要网红脸，不要改变人物年龄和种族特征。

一致性约束
不要更换人物，不要重新设计五官，不要把人物生成成相似类型的陌生人。不要夸张大眼、尖下巴、高鼻梁或过度瘦脸。保持自然面部结构和真实比例。

这段提示词的重点不是反复写“像参考图”，而是明确告诉模型：

参考图负责什么，以及不负责什么。

十一、参考图越多，不一定越准确

有些人发现一张参考图不够像，就会继续上传第二张、第三张、第四张。

但参考图越多，也可能带来新的问题。

如果不同照片存在以下差异：

- 年龄感不同；
- 妆容不同；
- 美颜程度不同；
- 发型不同；
- 光线不同；
- 脸型被镜头畸变；
- 某些照片经过明显液化；
- 拍摄时间跨度较大；

模型就需要判断，哪一张才代表人物的真实身份。

最终生成的人物，可能变成几张照片的平均结果，反而谁都不像。

多张参考图更适合用于补充不同角度，但前提是这些图片中的人物特征必须稳定。

比较理想的组合是：

- 一张正面自然肖像；
- 一张轻微侧脸；
- 一张三分之二侧脸；
- 相同发型；
- 相近妆容；
- 相近年龄状态；
- 柔和清晰的光线。

十二、如何判断到底是哪一步出了问题？

当生成结果不理想时，不要立即重新写一整段更长的提示词。

可以按照下面的顺序排查。

第1步：去掉参考图

只使用文字提示词生成一次。

如果风格恢复正常，说明参考图确实在干扰目标风格。

第2步：只保留人物参考

删除复杂场景、换装、姿态和滤镜要求，只生成简单人物肖像。

如果依然不像，说明参考图质量或模型的人物识别能力存在限制。

第3步：更换参考图

选择正面、清晰、自然光、低遮挡的人像重新测试。

第4步：逐项增加变量

先增加服装，再增加场景，再增加动作，最后加入复杂风格。

观察人物从哪一步开始发生明显漂移。

第5步：检查提示词冲突

删除重复风格词、矛盾光线、多个色调以及过度复杂的摄影要求。

通过这种方式，可以找到真正导致失败的变量，而不是不断堆叠提示词。

写在最后

以前我遇到人物不像时，第一反应通常是继续强调：

必须和参考图完全一致。 必须是同一个人。 不要换脸。 不要改变五官。

结果提示词越来越长，人物却没有明显变得更像，甚至连原来的风格也一起丢失了。

后来我才发现，问题不在于强调得不够多，而在于没有把参考图的作用说清楚。

一张参考图里包含的信息太多了。

当我们没有明确指定参考范围时，AI 只能自己判断哪些内容应该保留，哪些内容应该重新生成。

所以，解决参考图不一致问题的核心，并不是一句更强硬的“照着生成”，而是做好三件事：

- 选择真正适合识别人脸的参考图。
- 明确参考图只负责什么，不负责什么。
- 减少一次生成中需要同时改变的变量。

参考图不是万能复制按钮。

它更像是一份视觉材料。

我是李岳@liyue_ai 提示词工程师 | AI实战派 欢迎关注🌞🌞🌞