我先说个让我崩溃过的场景。上个月我用 Stable Diffusion 生成游戏地图素材，第一张“冰河苔原”出来的时候我差点拍桌子叫好——纹理细腻，石头上有霜，苔藓的绿色压抑得恰到好处。然后我连着出了五张，一张一张看过去，心一点点凉下去。
每张图的苔原“看起来”都是苔原，但石头长得完全不一样。第一张的石头是圆润的鹅卵石，第二张变成了棱角分明的玄武岩，第三张干脆出现了诡异的石柱群。放在一张图里各有各的好看，放进同一个游戏世界里，玩家一眼就能看出——这是拼的。
这就是 AI 生成地图素材最核心的难题：单体质量的瓶颈早就过了，“整套的一致性”才是真正难啃的骨头。
为什么你让 AI 画一百张图，它会给你一百种风格
先说清楚底层原理，否则后面所有工程手段你都会觉得是在打补丁。
扩散模型（Diffusion Model，就是 Stable Diffusion、Midjourney 那类工具背后的模型）生成图片的过程，本质是从一个纯噪声出发，逐步去噪。每一步都在做同一件事：根据现在的噪声图和你给的提示词，预测一个更接近目标图像的版本。关键就在这——每一张图的起点是完全随机的噪声，去噪过程又带有大量随机采样。
这意味着什么？模型没有“记忆”。它不会记住上一张苔原图里石头长什么样，再生成下一张时保持原样。每一次生成都是重新掷骰子。
你可能想，那把提示词写得详细一点不就行了？我试过。把“stone”加进提示词，就是那种想当然的做法。结果?每张图的石头确实更突出，但形状、颜色、光影还是各玩各的。原因在于，文字是离散的符号，图像是连续的光栅。“圆润的、带苔藓的、中等大小的石头”，这个描述在模型的世界里可以对应一万种具体形态。提示词约束的是“类别”，约束不了“精确外观”。
一致性到底是指什么？至少拆成四层
为了避免后面讨论的时候鸡同鸭讲，把一致性拆开看：
| 层级 | 定义 | 例子 | 最常见的方法 |
|---|---|---|---|
| 全局色调 | 整张地图的配色、光照氛围统一 | 所有苔原素材都偏冷灰色调 | 提示词固定色彩词 + 后期统一调色 |
| 单体自洽 | 一张素材的局部纹理不穿帮，放大缩小都 OK | 石头的纹理在 512px 和 2048px 下都写实 | 高清重绘（Hires Fix）+ 模型本身质量 |
| 同类素材间的相似 | 所有“石头”长得像同一个物种 | 五张不同石头图，风格统一可当同类物件混用 | LoRA 微调，锁定画风 |
| 跨视角一致 | 同一个建筑从正面、侧面、俯视看是对得上的 | 城堡的塔楼在四个角度看结构不变 | 多视图模型（如 Zero123、MVDream） |
大多数人抱怨的“AI 素材不一致”，混着讲了这四层。而它们各自的解法完全不同。层级一和二是基础，靠模型选型和参数就能大致解决；层级三得靠 LoRA；层级四目前最强的方法是多视图生成，但离工业可用还有距离。
下面分别说。
LoRA：给模型装一张“画风记忆卡”
用一句话解释 LoRA（Low-Rank Adaptation）:它不重训模型，它只在新数据上微调一小部分参数，让模型记住某个特定的视觉风格或对象。
为什么要微调而不直接训练一个新模型？因为不值得。训练一个图像模型需要几百张 GPU 卡跑几个星期，而训练一个 LoRA 只用 10-20 张目标风格的图片，单张消费级显卡几十分钟就能搞定。它只调整个别层的权重矩阵，本质上是给原模型加了一个“风格偏置”，让原本对风格保持中立的中间特征偏向你想要的方向。
对我做苔原素材这件事来说，流程是这样的：先用 AI 生成一批苔原石头的参考图，人工挑出最接近我想要的画风的那几张（比如 15 张），用它们训练一个 LoRA。之后所有生成都挂上这个 LoRA，出来的石头就“收敛”了——形状、纹理、色调都带着同一套家族特征。
LoRA 解决的是“同类不同张”的一致性问题。这是地图素材生产里性价比最高的一步。但我得提醒你，LoRA 有它的脾气：训练集里如果混入了风格不一的东西，它记住的就是一个“平均风格”，结果会更平庸。另外，LoRA 容易过拟合，训得太猛，生成的图会开始重复训练集中的特定构图——对素材生产来说，这其实可以接受，甚至有助于保持统一。
ControlNet：把“随机性”关进笼子里
如果说 LoRA 管“风格”，那 ControlNet 管的就是“结构”。
ControlNet 的核心思想是：在扩散模型的去噪过程中，额外输入一个结构条件（线稿、深度图、法线图、Canny 边缘等），让生成的图像在保持风格自由度的同时，严格遵循这个结构约束。
在游戏地图素材里有这么几个实际用法：
- 用一张手绘的灰度高度图作为深度图输入，生成的地形纹理天然符合你对山体起伏的规划。
- 用线稿控制建筑的轮廓，出图的门窗比例不会偏移。
- 用“法线贴图转渲染”的方式，让 AI 生成的石头光影方向统一——这对地图拼接很重要。
这意味着你可以先定地图的整体结构，再让 AI 往里面填细节，而不是让 AI 信马由缰。说人话就是：你和 AI 的分工变成了「你画骨架，AI 填肉」。这比纯靠脑子想象再反复抽卡可控得多。
无缝纹理：Tiling 才是游戏地图的硬指标
你可能觉得前述已经够了，但还有一个游戏地图特有的坑：拼接不自然。
游戏引擎（Unity、Unreal）里铺地面，用的是可平铺纹理（tileable texture）。同一张纹理在 x 轴和 y 轴方向无限重复。AI 生成一张 1024×1024 的草地图，四边一拼，就是一圈醒目的“接缝”。因为模型并不知道它的图画完要首尾相接。
目前主流的解法分两派：画后融合和生成时就 Tiling。
画后融合最简单：拿到 AI 图之后，采一些边缘像素在 Photoshop 里做偏移（offset）模糊再贴回去，工程量小但会有轻微能量损失。生成时 Tiling 则有开源方案了——有人在 Stable Diffusion WebUI 里实现了“MultiDiffusion”的变体，在去噪的每步都强制输入图的首尾循环对齐，直接从源头解决接缝问题。
我个人的实践是：先用 Tiling 生成，再用小修补清理细节。多花 30 秒的功夫，换来无缝的地表质感。这一步不能省——地形纹理，是地图里最大面积的视觉元素，接缝问题在那里比建筑风格不一致还要扎眼。
真正的素材管线：AI 只做第一步
聊到这里，你可能意识到一个更欺负人的真相：靠单个模型、单次生成解决不了整套生产。地图素材的一致性，最终是靠一套管线管出来的。
- 概念阶段：用文生图探索方向。这个阶段随手写提示词，出 50 张粗稿，找感觉。
- 风格锁定：挑 10-20 张统一风格的图，训练 LoRA。此后所有生成环节都挂载这个 LoRA。
- 结构约束：用 ControlNet 把地图布局（山体高度、道路走向、建筑平面）作为结构先验输入，保证素材与关卡设计对得上。
- 批次生产：同一 LoRA + 同一 ControlNet 权重 + 固定 seed 区间 + 负面提示词表，批量出图，人工挑图。
- 后处理修正：无缝纹理融合、色阶拉平、光照方向统一。这块 Photoshop 是主力。
- Bake 进引擎：把纹理导入 Unity/Unreal，用引擎自身的材质系统做一套更精细的 tiling 和细节纹理（detail texture）叠加。
看到最后一步了吗？这是一个很多人忽略的关键点——最终极的“一致性兜底”，其实是游戏引擎。引擎本身就是为了大规模、可复用、风格统一地渲染素材而设计的。AI 负责的是素材的“初始生成”，而规则化、统一化，是引擎的活儿。
我就犯过低级错误——指望直接给引擎丢一张 AI 生成的大地形图。结果光照一变，近看糊成一片，远看全是噪点。后来才想明白，AI 生成的图是“像素结果”，不是“可复用的资源”。你得在引擎里重新拆成 base color、normal map、roughness 这些贴图，再按引擎的逻辑拼回去。
AI 生成地图素材的边界在哪？
说个公允的判断。以后续技术发展看，2024 年之后多视图生成模型（如 SV3D、Zero123++)越来越靠谱了，单体对象的跨视角一致性在 3A 级建模流程里已经能起到预演概念的作用。但大规模、转得动引擎的 3D 资产还差得远。像素级素材一致性，用上面的管线基本能做出商品级效果;但几何级资产一致性——同一个树模型的每个四面都能对得上的那种——别指望现在能全自动搞定。
对我个人而言，AI 做地图素材的最好定位是：一个永远不嫌累的风格化美术外包团队。它给你的是半成品——定调子、出大片、找方向。而你要做的，是把它的成果变成引擎里的规则。这个定向过程，就是美术设计的价值所在。
如果你也要用 AI 弄地图素材，我的建议一句话：不要追求提示词的魔法，去搭一套带约束的生产管线。提示词只是起点，控制才是终点。
原创文章，作者：guanweilu，如若转载，请注明出处：https://guanweilu.cn/article/1026.html