本文要介绍一款颇具创新性的AI图像生成工具——OmniGen，它能实现人物或物体的跨图像一致性合成。
一、OmniGen是什么
简而言之，OmniGen本质上是一个“统一图像生成模型”。它的核心优势在于：无需额外安装ControlNet、IP-Adapter、Reference-Net等辅助插件，系统就能直接根据文本提示，自动识别输入图像中的各类特征——例如某个特定对象、它的姿势，或者某种映射关系。
那么这种能力能带来什么实际价值？来看一个直观案例。假设手中有两幅图，分别拍摄了一个小女孩和一位男士，现在希望让这两个人物同时出现在同一个场景中。传统方法操作繁琐，而现在只需一句指令即可轻松实现。
效果立现！上面使用的提示词同样简洁明了：
The little girl and the man were standing in the street. the girl is left in<|image_1|>the man is middle in
<|image_2|>.
这还只是最基础的操作。再来看一个更有趣的例子：希望将左图中那位穿红衣的女孩，换上右图里那件白色连衣裙。提示词可以这样写：
a girl wear a white dress. the girl is left in<|image_1|>the white dress is in
<|image_1|>.
二、OmniGen应用场景详解
官方展示的应用场景十分丰富。例如，你有一张女孩的全身照，只需一段文本提示就能改变她的姿势——让她做出比心的动作。
更复杂的场景：一张图里有两个人，现在想单独选中右侧的人物，将他放入全新的场景中，同时更换服装、变换动作。
从两张图中分别提取一个人物，让她们在同一个房间里一起数钱，同样可以轻松实现。
即便一张图中的人物超过两个，也能通过提示词精确指定。比如“左边中间的那个男人”和“右边年龄最大的那个女人”，让他们在马路上聊天。生成的新图像会尽量保留人物的基本可识别特征。
当然，OmniGen并非只能处理人物。将一束花放入特定颜色的花瓶，再把花瓶摆到玻璃桌面上，操作同样简单直接。更进一步，你甚至可以移除女孩的耳环，或者用可乐替换背景中原有的杯子。
一个非常实用的附加功能是：它能提取图像中人物的动作框架——以往这通常需要借助ControlNet等插件。获得动作框架后，你还可以根据它直接生成一张全新的动作姿势图。
三、OmniGen本地部署指南
部署过程并不复杂。首先确保你的网络“环境畅通”，并且已安装好Python、Git等基础工具。然后打开命令行窗口，依次执行以下命令（以N卡为例）：
conda create -n omnigen python=3.10
conda activate omnigen
conda install pytorch=2.3.1 torchvision=0.18.1 torchaudio=2.3.1 pytorch-cuda=11.8 -c pytorch -c nvidia
git clone https://github.com/staoxiao/OmniGen.git
cd OmniGen
pip install -e .
pip install gradio spaces
python app.py
为了避免每次手动激活环境，可以建立一个批处理文件，内容参照如下：
@echo off
call conda activate omnigen
python app.py
pause
首次运行时系统会自动下载模型文件，请预留超过15GB的硬盘空间。
四、使用教程与技巧
提示词大致遵循日常自然语法即可。唯一需要注意的地方是引用图像时的格式要求，需写成类似 <|image_1|> 的形式，其中的数字“i”可以是1到3。
例如，你上传了三张图：图1为男性，图2为女性，图3为街道背景。如果想生成为男+女+背景的新图，提示词可以写成：
A man in middle in <|image_1|>and a woman in middle in
<|image_2|> holding hands in street like
<|image_3|>.
最后再测试一个趣味应用：尝试让“黑寡妇”与“马大师”同框合影。
五、总结与评估
- OmniGen能够识别图像中人物的性别、年龄、位置以及服饰颜色等信息，这使得提示词可以更贴近日常的自然语言表达。
- 对于需要在同一画面中放入两个特定角色的场景，它确实能发挥重要作用。
- 客观而言，OmniGen目前的生成效果尚未达到完美。但无需额外插件即可实现多合一处理，这种设计思路符合AIGC未来的发展趋势。
- 生成单张图片的耗时目前仍然较长——在4090上大约需要1分半钟，而在4060上则需要4到5分钟。在效率方面仍有不小的优化空间。
