新闻详情

新闻详情

首页 / 资讯中心 / 详情

Codex自动拆图与细化教程:从原画到四视图全流程自动化

发布时间:2026/11/1 9:18:07来源:尧图网络
Codex自动拆图与细化教程:从原画到四视图全流程自动化
Codex自动拆图与细化教程从原画到四视图全流程自动化SEO关键词Codex拆图教程、Codex自动拆件、AI拆图工作流、Codex提示词生成、Codex原画分析、AI角色拆分、Codex四视图生成、Codex自动细化、AI设计辅助工具、Codex生图工作流文章摘要本文分享一个基于 Codex GPT 的自动化拆图与细化方案。通过预设拆图框架、细化规则以及参考图检索逻辑Codex 可以自动完成角色拆件、提示词生成、参考图分析、细节补全、四视图生成以及后续返修工作。整个流程几乎无需手动编写复杂提示词仅需提供设计需求与规则框架即可实现高度自动化的角色设计生产流程。大家好 这里是「代码简单说」,欢迎大家关注同名公众号,不定时更新更多实用有趣的教程 也欢迎大家在评论区一起讨论交流!~最新Codex客户端下载很多朋友最近都在研究 Codex 的各种自动化玩法。最新版客户端下载软件下载地址Codex客户端https://codexdown.cn/前言最近和一个做AI设计方向的朋友交流时他给我展示了一套非常有意思的工作流。这套方案的核心并不是直接生图而是利用CodexGPT自动检索系统提示词生成系统自动验收系统共同组成一套完整的智能设计流水线。最让我惊讶的是整个过程中几乎不需要人工编写提示词。只需要告诉 Codex拆图规则细化标准参考图来源输出规范后续工作几乎全部自动完成。整体工作流架构整个流程大致如下原画设计 ↓ Codex角色分析 ↓ 自动拆件 ↓ 制定细化规则 ↓ 自动检索参考图 (P站/花瓣) ↓ 参考图分析 ↓ 自动生成提示词 ↓ 部件细化 ↓ 四视图生成 ↓ 静态网站验收 ↓ 自动返修整个过程已经非常接近工业化设计流水线。第一步让Codex自动拆图以前拆图通常需要人工完成例如一个角色头发 头饰 耳环 眼睛 服装 护甲 武器 鞋子 饰品需要设计师自己分析。现在直接把原画丢给 Codex。然后给出类似要求请对该角色进行模块化拆分 输出内容 1. 一级模块 2. 二级模块 3. 三层细节结构 4. 各模块功能说明 5. 后续细化建议Codex会自动生成拆件规划。例如头部 ├─ 发型 ├─ 发饰 ├─ 耳饰 服装 ├─ 上衣 ├─ 腰封 ├─ 披风 武器 ├─ 主体 ├─ 装饰结构 ├─ 特效部分第二步生成可视化拆件脑图为了更清晰展示拆件逻辑。我让 Codex 根据拆件结果自动生成脑图。例如角色主体 ├─ 头部 │ ├─ 发型 │ ├─ 发饰 │ └─ 面部 │ ├─ 上身 │ ├─ 外套 │ ├─ 内衬 │ └─ 护甲 │ ├─ 下身 │ ├─ 裙摆 │ ├─ 腿甲 │ └─ 靴子这样整个角色结构一目了然。后续细化时也不会遗漏部分。第三步针对单个部件进行细化为了验证效果。我先让它针对头饰进行细化。输入请针对头饰模块进行细化 要求 1. 材质分析 2. 工艺分析 3. 装饰元素分析 4. 风格分析 5. 输出标准提示词Codex会输出主体材质 银质金属 表面工艺 磨砂雕花 辅助装饰 流苏 宝石 羽毛 视觉关键词 华丽 古典 幻想风随后自动生成提示词。第四步生成完整角色细化规范单个模块验证通过后。直接让 Codex 输出全角色规范。例如请根据拆件结果 生成 1. 发型规范 2. 服装规范 3. 饰品规范 4. 武器规范 5. 材质规范 6. 色彩规范 7. 四视图规范最终得到完整设计文档。这部分实际上已经接近原画设计规范书。第五步自动检索参考图这是我觉得整个流程中最有价值的部分。传统做法设计师 ↓ 手动搜索参考图 ↓ 整理素材 ↓ 分析 ↓ 写提示词现在可以直接交给 Codex。例如制定规则拆件完成后 自动检索 P站相关作品 花瓣相关设计 同风格角色 同材质参考 同结构参考然后自动分析颜色分布 材质特征 设计语言 结构特点 光影表现最后形成结构化结果。第六步根据参考图自动生成提示词过去最耗时间的部分就是提示词编写。现在流程变成参考图 ↓ 自动分析 ↓ 风格提取 ↓ 元素提取 ↓ 提示词生成例如Silver Ornament Fantasy Style Fine Detail Elegant Design High Quality Material Layered Structure Concept Art整个过程无需人工参与。第七步新建独立任务自动执行完成规则制定后。我又新开了一个任务。专门负责读取原画 读取拆件结果 读取细化规范 读取参考图分析 生成提示词 执行生图 结果验收此时基本进入全自动阶段。第八步自动跑图这是最省时间的部分。Codex会根据规则自动拆件 自动细化 自动生图 自动校验整个过程中只需要偶尔查看任务状态。无需全程盯着。第九步自动生成四视图最终验收阶段。Codex会按照规范输出正视图 侧视图 背视图 45度视图例如发饰四视图 服装四视图 武器四视图 鞋子四视图方便后续原画制作建模制作游戏开发动画制作第十步生成验收网站为了方便查看结果。我让 Codex 自动生成了一个静态网站。效果类似角色总览 ├─ 发饰 ├─ 发型 ├─ 武器 ├─ 上衣 ├─ 饰品 └─ 鞋子点击任意模块即可查看四视图 设计说明 提示词 参考图支持自动返修如果某个部件效果不满意。直接输入头饰层次感不足 增加金属细节 增加宝石结构 提高华丽程度Codex会自动重新执行任务。重新生成提示词 参考图 细化结果 四视图实现自动返修。后续可以扩展的方向目前朋友测试下来。还有很多值得继续优化的地方。例如材质自动识别根据原画自动判断金属 布料 皮革 宝石 木质然后针对不同材质采用不同细化策略。风格自动识别自动识别二次元 国风 赛博朋克 奇幻风 写实风匹配不同参考库。自动选择模型目前测试环境下GPT-Image-1.5效果已经不错。后续还可以接入GPT-Image-2.0 Banana Pro Flux Midjourney进一步提升细化质量。这种工作流最大的价值是什么很多人认为 AI 生图最重要的是提示词。但实际上提示词只是结果。真正耗费时间的是需求分析 角色拆件 风格分析 参考图收集 细节整理 规范制定而这些工作恰恰是 Codex 擅长处理的。因此未来更高效的方式可能不是人工写提示词而是人工制定规则 AI自动完成执行让设计师从重复劳动中解放出来。总结这次看到的 Codex 自动拆图方案给了我不少启发。整个流程从原画分析自动拆件自动细化参考图检索提示词生成自动跑图四视图输出验收网站自动返修已经形成了一条完整的自动化设计流水线。最关键的是整个过程不再依赖人工编写大量提示词而是通过规则驱动的方式让 Codex 自主完成分析与执行。如果后续能够进一步接入更强的生图模型以及更丰富的参考图库那么这种工作流在角色设计、游戏美术、IP开发以及商业原画领域都有很大的应用潜力。大家对于这种「Codex AI设计自动化流水线」怎么看欢迎在评论区交流讨论。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/1 1:42:41

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/1 2:34:07

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/1 2:01:57

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/1 3:13:10

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/1 2:11:52

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/1 3:23:38

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉