案例
门店招牌图像生成工作流
面向门店招牌场景的商业图像生成工作流，覆盖样本准备、LoRA 调优、prompt 策略与质量复核。
- 业务场景
- 门店招牌
- 围绕窄场景生成候选视觉方向，而不是泛化图像 Demo。
- 核心流程
- 样本 + Prompt + LoRA
- 拆分样本准备、提示词策略、LoRA 调优和结果复核。
- 复核方式
- 定性质量门
- 按视觉方向、品牌匹配和场景相关性筛选候选图。
- 交付边界
- 早期视觉探索
- 生成图用于候选方向，不直接替代最终生产资产。
这个工作流面向门店招牌和相关商业图像场景，目标是减少早期视觉探索中的反复手工修改。它不把生成图当成最终资产，而是帮助业务团队更快获得可讨论、可筛选的候选方向。
实现上把样本准备、Prompt 策略、LoRA 调优和质量复核拆开记录。这样当输出不稳定时，可以判断问题来自样本、提示词、调优参数还是复核标准，而不是只继续盲目改 prompt。
图文说明
流程示意
从样本整理、prompt 策略、LoRA 调优到生成结果复核的工作流结构，重点展示可复查的生成流程和交付边界。
项目定位
项目定位为商业图像生成工作流，而不是单次生成展示。它服务于门店招牌这个窄场景，用更可复查的流程帮助业务团队获得早期视觉方向。
业务背景
业务团队需要更快探索门店招牌和相关商业图像的视觉方向。原有路径依赖反复手工修改，沟通成本高，也不容易沉淀哪些样本和 prompt 组合更有效。
- 输出必须贴近门店和招牌业务场景。
- 过程要能被复核，不能只保留最终图片。
- 速度提升不能替代业务方对品牌和场景的判断。
样本准备
样本准备先围绕门店招牌场景收集参考，并筛掉与目标业务无关或风格过散的素材。这个阶段决定后续 LoRA 和 prompt 是否能稳定指向同一类视觉问题。
- 整理与门店、招牌和商业外观相关的参考样本。
- 按场景相关性和可解释性筛选训练输入。
- 记录样本选择原因，便于后续复核输出偏差。
Prompt 策略
Prompt 策略被单独拆出来，是为了避免把所有问题都归因于模型。提示词需要描述门店招牌的业务要素、视觉方向和约束，同时保留可迭代空间。
- 用场景词控制生成对象，减少偏离门店招牌的输出。
- 用风格和质量描述控制候选图的视觉方向。
- 把无效 prompt 记录下来，避免下一轮重复试错。
LoRA 调优
LoRA 调优用于让输出更稳定地贴近目标场景，但它不是孤立环节。样本质量、prompt 模式和复核标准都会影响是否继续调整训练输入。
- 01
准备输入
围绕门店招牌整理训练参考和说明。
- 02
生成候选
使用当前 prompt 模式批量观察输出稳定性。
- 03
复核偏差
把不贴近业务的输出归因到样本、prompt 或调优选择。
质量复核
复核不是只挑“好看”的图片，而是判断候选图是否能支持业务讨论。视觉方向、品牌匹配和场景相关性比单纯画面精致度更重要。
- 视觉方向
- 可讨论
- 候选图需要能帮助业务方表达偏好。
- 场景相关性
- 门店招牌
- 输出应回到目标业务，不偏成泛化商业图。
交付边界
交付说明明确生成工作流的用途是加速早期探索。它可以减少反复修改和沟通成本，但最终生产资产仍需要结合业务、品牌和合规要求继续处理。
复盘与下一步
这个项目的价值在于把图像生成从孤立实验变成可交接流程。后续继续优化时，应该优先沉淀样本选择、prompt 模式和复核记录，而不是只增加更多随机生成。
- 补充更稳定的候选图命名和版本记录，方便业务回看。
- 把高质量 prompt 和低质量 prompt 分组沉淀，减少重复试错。
- 继续明确生成资产的使用范围，避免早期候选被误当作最终交付。