光照漂移是指由 AI 模型生成的连续图像在光源位置、亮度水平或色调上出现细微但明显的差异。这是因为大多数生成式模型将每次图像生成视为独立事件，优先优化局部对比度和清晰度，而非全局连续性。当你生成第二张图像时，模型可能会以不同于第一张图像的方式解读“明亮的晨光”，从而改变太阳角度或提高白平衡色温。这种不一致性破坏了场景连续性的错觉，使序列显得脱节而非连贯。为解决这一问题，你必须将光照视为文本中定义的刚性约束，并通过视觉参考加以强化，而不是将其视为提示词的自动副产品。
在初始提示词中定义“光照锚点”
实现一致性的最有效方法是在第一个提示词中建立严格的光照条件文本定义。该定义充当所有后续图像的“锚点”。不要依赖“自然光”或“明亮通透”等过于宽泛的描述符，因为它们允许过多的解释性差异。相反，应以几何和色彩精度具体说明光源的物理特性。
你需要定义三个具体参数：方向、质量和色温。对于方向，需明确指出光源相对于主体的位置，例如“光线从左上方以 45 度角射入”。对于质量，通过描述阴影的边缘清晰度来区分硬光和柔光，例如“边缘锐利、高对比度且扩散极少的阴影”对比“柔和、经过扩散处理且过渡平缓的光线”。对于色温，避免使用“温暖”等主观词汇。相反，应描述相对于中性白的色调偏移，例如“傍晚阳光特有的微金色调”或“清晨偏冷的蓝色调环境光”。通过将这三个变量锁定在一个简洁的句子中，并在后续每个提示词中原样复制粘贴，你为模型提供了一个固定的逻辑结构，从而减少其解释的随机性。
使用参考图像锁定阴影方向和强度
仅靠文字往往无法传达精确的光照强度，因为模型对“明亮”的理解可能会随提示词中的其他元素而波动。为解决这一问题，请使用参考图像作为视觉锚点。该技术涉及上传或附加一张体现所需确切光照条件的特定图像，然后指示模型将此参考图像中的光照设置复制到你的新主体上。
选择参考图时，请挑选具有清晰、分明阴影的图片。平坦且均匀照明的图片提供的方向或强度信息较少，而具有强烈定向阴影的图片则能为模型提供清晰的几何线索。输入参考图时，请搭配一条简洁的指令，将内容与光照分离开来。例如，指示模型“将参考图中的光照设置应用到新主体上”。这迫使模型优先考虑光源与物体之间的空间关系，而非参考图本身的具体细节。确保在整个序列中保持参考图的一致性。在不同生成步骤间切换参考图会引入新的变量，导致立即出现偏差。通过将每次生成都锚定在同一视觉示例上，你建立了一套模型在不同主体间重复使用的视觉语法，从而确保阴影长度和深浅度在镜头之间保持比例一致。
调整镜头间色温一致性的技巧
即使方向和强度保持一致，色温——即光的冷暖程度——仍可能因模型的内部色彩平衡算法而产生变化。这些算法通常会尝试校正主体中感知到的色偏，这可能会无意中改变背景光照的色调。为了保持色温一致性，你必须将光照颜色与主体的固有颜色解耦。
一种有效的技巧是将光照色彩与场景描述分开指定。不要将光照描述融入主要叙述中，而是在提示词末尾附加一个专门的光照从句。使用描述光源之间关系的相对色彩术语，而非绝对数值。例如，如果想要中性效果，请指定“中性白平衡，无主导色偏”；如果想要暖色调，请指定“黄金时刻暖调，不过度饱和红色”。这有助于防止模型对场景中的颜色进行过度补偿。此外，如果在生成时间变化的系列图像，请将色温变化描述为渐变而非跳跃。例如，通过使用中间描述符，从“清晨冷蓝”过渡到“正午中性白”，再到“傍晚暖金”。这能创建模型可遵循的逻辑进程，确保色彩变化显得有意且平滑，而非杂乱无章。
排查最终合成中高光和阴影不匹配的问题
尽管精心编写了提示词，高光亮度和阴影深度仍可能出现偶尔的不匹配。审查序列时，请检查图像最亮部分（高光）的亮度以及最深阴影的暗度是否一致。如果一张图像显得褪色，而另一张显得深邃且对比度高，则说明光照强度发生了漂移。
要排查这个问题，首先检查提示词长度。更长、更复杂的提示词会稀释特定光照指令的效果。简化你的提示词，删除关于主体的多余形容词，专注于光照部分。如果偏差仍然存在，且你的工具支持，请调整“强度”或“影响力”设置，提高参考图像相对于文本提示词的权重。另一个常见问题是背景复杂性；杂乱的背景会导致模型调整光照以确保主体突出，从而改变整体曝光。为解决此问题，请在后续提示词中简化背景描述，使用“极简背景”或“纯色背景”等术语，以便光照表现更可预测。最后，如果某张特定图像偏差较大，请使用之前成功的图像作为光照的唯一参考进行重新生成，而不是仅依赖原始文本提示词。这种迭代优化有助于将序列拉回既定锚点，确保视觉叙事的连贯性。