MidJourney 最新推出的 Omni-Reference 功能,为 AI 图像生成带来了全新的可能性。这一功能允许用户通过参考图像(无论是人物、物体还是场景),更精准地控制生成结果。无论你是想将特定的角色融入画面,还是希望保留某个物体的细节特征,Omni-Reference 都能帮助你实现。

通过一个简单的参数 --ow(omni-weight),你可以自由调整生成结果与参考素材的相似程度。数值越高,生成结果越贴近参考图像;数值越低,则允许更大的风格转换和创意发挥。这种灵活性让 Omni-Reference 成为了角色设计、场景构建以及风格迁移的强大工具。
什么是 Omni-Reference?
简单来说,Omni-Reference 是一种“将这个放入我的图像”的系统。它适用于多种类型的参考内容,包括但不限于:
- 角色:生成特定的人物形象或保留其服装、面部特征等。
- 物体:将某个具体物品融入画面,例如一把剑、一辆车或一件家具。
- 场景:基于参考图像生成特定的环境或背景。
- 非人类生物:从动物到奇幻生物,均可作为参考对象。
此外,Omni-Reference 可以与其他 MidJourney 功能(如个性化、风格化、风格参考和情绪板)无缝配合,进一步增强生成效果。

如何使用 Omni-Reference?
在网页端
- 将参考图像拖入提示栏,放入标有“omni-reference”的区域。
- 使用滑块图标调整强度(即
--ow参数值)。
在 Discord 上
- 输入命令
/imagine,并附加--oref url参数,其中url是参考图像的链接。 - 使用
--ow参数控制强度。例如:/imagine a person --stylize 1000 --ow 400 --exp 100 --oref person.png
关于 Omni-Weight (--ow) 参数
--ow 参数决定了生成结果对参考图像的遵循程度,范围从 0 到 1000,默认值为 100。以下是一些使用建议:
- 低权重(例如
--ow 25)
如果你想对参考图像进行风格转换(例如从照片转为动漫),应降低权重值。较低的权重会让生成结果更具创意,同时保留参考图像的核心特征。 - 中等权重(例如
--ow 100-400)
这是大多数场景下的推荐值。既能保留参考图像的主要特征,又不会过度限制生成结果的多样性。 - 高权重(例如
--ow 400-1000)
如果你需要生成结果高度贴近参考图像(例如保留角色的面部清晰度或服装细节),可以尝试更高的权重值。但需注意,过高的权重可能会限制其他参数(如--stylize和--exp)的效果。
示例对比
/imagine a character holding a sword --oref sword.png --ow 25
- 较低的
--ow值会生成更具艺术感的画面,但剑的形状可能有所变化。
/imagine a character holding a sword --oref sword.png --ow 400
- 较高的
--ow值会更精确地保留剑的细节,生成结果与参考图像更接近。
更多使用技巧
1、明确描述提示内容
如果你希望生成的角色在画面中持剑,请在提示中明确说明。例如:
/imagine a character holding a sword --oref sword.png
这样可以确保生成结果符合预期。
2、 风格转换与细节保留
如果你需要对参考图像进行风格转换(例如从写实到卡通),请结合较低的 --ow 值,并详细描述希望保留的部分。例如:
/imagine an anime woman with blonde hair and red suspenders --oref url --ow 25
3、多角色或多物体生成
如果参考图像中包含多个角色或物体(无论是同一张图还是两张并排图像),并在提示中提及它们,通常可以在生成结果中看到这些元素。例如:
/imagine two characters in a forest --oref characters.png
实际应用场景
1. 角色设计
通过提供角色的参考图像,你可以快速生成不同风格的角色插画。例如,将一个写实风格的角色转换为动漫风格,同时保留其核心特征。
2. 物体融入场景
如果你需要将某个物体(如一把剑、一辆汽车)融入特定场景,Omni-Reference 可以帮助你实现自然的融合效果。
3. 风格迁移
通过调整 --ow 参数,你可以轻松完成从照片到绘画、从现实到幻想的风格迁移。
4. 多角色协作生成
当参考图像中包含多个角色时,你可以生成一张包含这些角色的画面,适合用于漫画或游戏设计。
注意事项
- 权重平衡:如果你同时使用了较高的
--stylize或--exp值,建议适当提高--ow的值,以避免生成结果偏离参考图像。 - 参考图像质量:参考图像的质量直接影响生成结果。尽量选择清晰、特征明显的图像作为参考。
- 实验与迭代:Omni-Reference 的效果可能因提示内容和参数设置而异。建议多次尝试不同的组合,找到最适合你需求的配置。















