Hvordan laver man ensartede game assets med Qwen-Image 2.1?

Af Opdateret 15 min. læsning

Qwen-Image 2.1 kan tegne et helt ark game assets i ét billede: fire vinkler af samme motiv, en familie af genstande eller et sæt props, på en ægte gennemsigtig baggrund. Denne guide giver den metode, der blev brugt til et sæt på over 1000 filer: indstillinger, promptform, udskæring, sømløse teksturer, og de samme ark som referencer til videomodeller.

Ét ark, ikke ét billede pr. asset

I stedet for at bede modellen om ét billede pr. sprite beder du om ét ark: et enkelt billede på 4 megapixel sat op som et gitter, hvis celler du bagefter skærer fra hinanden med et script.

  • Et motiv, for eksempel en figur, er ét ark med fire vinkler af samme figur.
  • En familie af genstande er ét ark med otte til tolv forskellige genstande.
  • En vigtig genstand, såsom et våben, er ét ark med flere vinkler af den genstand.

Et ark giver tre ting.

  • Ensartethed. De fire vinkler kommer ud af samme gengivelse: samme farver, samme kostume, samme våben, samme lys. Fire separate gengivelser giver fire forskellige figurer.
  • Én stil, som alle genstande i en familie deler.
  • Tempo. Et ark tager fire til fem minutter og giver fire til tolv sprites.
Turnaround-ark af en ung kvindelig ranger genereret af Qwen-Image 2.1: fire vinkler af samme figur på én række på gennemsigtig baggrund
Én gengivelse, fire vinkler: forfra, trekvart, profil og bagfra. 2432 × 1664, 20 steps, CFG 3 med APG og FreSca. Den fulde prompt står nedenfor.

Arkene er ikke kun til spil. Et turnaround af en figur fungerer som referencebillede til en app-mockup, en tegneserie eller et storyboard. Det er også den slags referencebillede, som billede-til-video-modeller såsom Seedance, MiniMax Hailuo eller Wan 2.2 tager som udgangspunkt.

Alt nedenfor blev efterprøvet under produktionen af et sæt på over 1000 filer: figurer, genstande, effekter, props og teksturer til ét spil. Indstillingerne følger guiden til indstillinger for Qwen-Image 2.1.

Indstillinger og ComfyUI-grafen

Brug basismodellen frem for Turbo, ved CFG 3 med en negativ prompt, med APG og FreSca på modelstien. Der er ingen prompt-upsampler i grafen: prompten går ind, som den er skrevet.

NodeIndstilling
UNETLoaderqwen_image_2.1_int8_convrot.safetensors
CLIPLoaderqwen3vl_8b_int8_convrot.safetensors, typen qwen_image
VAELoaderqwen_image_2.1_vae_bf16.safetensors
QwenImage21Cacheenhed auto, dtype int8
APGeta 1.0, norm threshold 10.0, momentum 0.3
FreScascale low 1.0, scale high 2.0, frequency cutoff 8
TextEncodeQwenImage21prompt og negativ prompt, opløsning 1024
EmptyLatentImage2432 × 1664 til et ark, 1024 × 1024 til en tekstur
KSampler20 steps, CFG 3.0, euler, simple, denoise 1.0
VAEDecode, SaveImagePNG'en kommer ud i RGBA, se næste afsnit

Modelstien kører UNETLoader, derefter QwenImage21Cache, APG, FreSca og KSampleren. Tider målt på den maskine, der producerede sættet:

OpgaveTid
Ark, 2432 × 1664, 20 steps230 til 320 s
Tekstur, 1024 × 1024, tekst til billedecirka 80 s
Billede-til-billede-gennemkørsel, 1024 × 1024cirka 40 s

Guiden til indstillinger noterer et kort med 12 GB, der gengiver et billede på 4 megapixel i denne størrelse med et topforbrug på 11,5 GB på int8-vægtene, så et ark burde kunne være der, når intet andet deler kortet.

To fælder, hvis du styrer ComfyUI gennem dets API. I den JSON, der sendes til /prompt, angives et referencebillede som en flad nøgle: "images.image_1": [node, 0]. Den indlejrede form, "images": {"image_1": …}, accepteres uden fejl, og referencen ignoreres i stilhed. Og tjek altid, at den PNG, du modtager, er i RGBA-tilstand. En dårligt indrammet prompt giver en uigennemsigtig baggrund; kast en fejl frem for at skære den ud.

Native gennemsigtighed

Qwen-Image 2.1 producerer selv en alfakanal, forudsat at prompten er indrammet af to sætninger.

  • Start: This is an RGBA image with transparency.
  • Slut: The image has alpha channel and the background is transparent.

Resultatet er en ægte RGBA-PNG. Cirka 1 % af pixlerne er halvgennemsigtige, og der er ingen farvekant. Det erstatter den gamle magentabaggrund, der skulle keyes ud, og som efterlod kanter og tvang en oprydning af farvespild.

Føj til slutsætningen: no ground, no cast shadows, no frames, no text, no labels. Uden det sætter modellen gerne en skygge eller en plet jord under hvert motiv, og det ødelægger udskæringen.

De fire sprites fra ranger-arket skåret fra hinanden efter alfakanalen og vist på et skakbrætmønster
Samme ark skåret ud i fire sprites efter alfakanalen, på et skakbrætmønster. Ingen kant, ingen skygge, intet at rydde op.

Sådan skriver du en prompt til et ark

Da intet omskriver prompten for dig, skal den være lang og præcis: sættets prompts fylder 2.500 til 3.000 tegn, og en kort prompt giver et dårligt ark, hvor vinklerne ligner hinanden.

Rækkefølgen nedenfor er den, der virkede. Hold den.

  1. Den indledende RGBA-sætning.
  2. Motivet og gitteret. "A game character turnaround sheet of one single character, description, drawn four times at exactly the same scale in a strict row of 4 equal cells with generous empty space between the cells, read left to right."
  3. Cellerne, én ad gangen, nummereret. "cell 1, … ; cell 2, … ; cell 3, … ; cell 4, …" På et gitter på 4 gange 2 navngiver du også rækkerne: "Top row: cell 1, … Bottom row: cell 5, …"
  4. Identitetsklausulen. "Same character in every cell: identical colours, proportions, costume, weapon and lighting."
  5. Stilblokken, den samme for hele sættet.
  6. Den afsluttende RGBA-sætning.

Den fulde prompt til ranger-arket ovenfor:

This is an RGBA image with transparency. A game character turnaround sheet of one single character, a young woman ranger in her twenties with light brown skin, a long dark braid over one shoulder, a hooded forest-green cloak, a brown leather jerkin over a cream linen shirt, dark trousers, tall laced boots, a straight one-handed sword with a plain steel crossguard and a leather-wrapped grip held low in her right hand with the point toward the ground, and a small round wooden buckler strapped to her left forearm, drawn four times at exactly the same scale in a strict row of 4 equal cells with generous empty space between the cells, read left to right: cell 1, standing at rest, seen straight from the front, both feet on the same line, face fully visible; cell 2, standing at rest, turned 45 degrees to her right so we see the front and her right side, the sword arm nearest the viewer; cell 3, standing at rest in strict profile, facing right, one eye visible, the braid down her back, the sword in front of her; cell 4, standing at rest seen directly from behind, the back of the hood, the cloak and the braid, the sword hanging point down along her right leg so that exactly one blade shows beside the cloak, no face. Same character in every cell: identical colours, proportions, costume, weapon and lighting. Style: hand-painted game illustration, visible brush strokes, rich material detail, crisp silhouettes, soft frontal light from slightly above, a thin cool rim light, no outline, no motion blur. The image has alpha channel and the background is transparent, no ground, no cast shadows, no frames, no text, no labels.

Regler lært af forsøgene:

  • Beskriv materialet, ikke kun genstanden. "a battle axe: a long straight ash-wood haft and one broad crescent steel blade with a bearded lower edge, the head wedged and riveted, the edge bright and nicked".
  • Beskriv hver vinkel ud fra det, kameraet ser, ikke ud fra dens navn. "seen from a three-quarter back angle, turned 135 degrees so we see its back and its left side, the face hidden" virker. "back three-quarter view" alene virker langt sjældnere.
  • En vinkel oppefra, hvis du tilføjer en, skal der insisteres på: kameraet peger lige ned, kun toppen af hovedet og skuldrene er synlige, intet ansigt, "like a token on a tactical board game map", som en brik på et taktisk brætspilskort.
  • Sig, hvad der ikke må være der, når modellen driver. Et motiv uden lemmer får kløer og en mund i angrebscellerne, hvis teksten er generisk. Skriv "no arms, no legs, no teeth".
  • Skriv handlingscellerne, hvis du tilføjer dem, for hvert motiv. Én fælles tekst, "the subject attacks", giver svage stillinger på tværs af et helt persongalleri. Hvert motiv får sit eget tilløb og sit eget slag: en løftet kølle, et bid, et ildpust, en tentakel.
  • Pas på de ord, der ændrer gengivelsen. "bold simplified, strong contrast, clean silhouette" til et inventarikon gav et sort-hvidt piktogram. Til et farveikon skriver du "in full colour, painted with exactly the same rich materials as cell 1".
  • Én stilblok til hele sættet holder motiver, genstande og props i samme verden. Dette sæts blok står i prompten ovenfor: håndmalet spilillustration, synlige penselstrøg, materialedetaljer, skarpe silhuetter, blødt frontlys lidt oppefra, et koldt kantlys, ingen kontur, ingen bevægelsesuskarphed.

Sættets negative prompt:

artifacts, washed-out colors, low quality, low resolution, blurry, extra fingers, missing fingers, deformed hands, bad anatomy, extra limbs, text, watermark, signature, labels, captions, letters, numbers, cast shadow, ground, floor, gradient background, frame, border lines, photo, 3d render

Ranger-arket gengivet fra en prompt på under 400 tegn: de fire vinkler holder, men kostumet driver
Samme ranger fra en prompt på under 400 tegn, samme seed og indstillinger. De fire vinkler holder, men kostumet driver: korte ærmer, en anden læderjakke, fletningen forsvundet i vinklen bagfra. Længden bærer den information, modellen har brug for.

Skabeloner til ark

Alle arkene er 2432 × 1664 pixels.

Enkelt motiv: én række på 4, én figur

CelleVinkel
1i hvile, forfra
2i hvile, trekvart forfra
3i hvile, ren profil
4i hvile, bagfra

Fire vinkler på én række er den opsætning, der holdt i alle test: høje celler, en stor figur og våbnet tegnet rigtigt i hver vinkel. Et gitter på 4 gange 2 med en vinkel oppefra og to handlingsceller virker også, men det er i de fire ekstra celler, arkene går galt: en ekstra klinge i vinklen bagfra, et fejlplaceret sværd set oppefra, en mærkelig hånd i slaget. Tilføj dem, når du har brug for dem, og tjek dem én ad gangen.

Familie af genstande: 4 gange 3 eller 4 gange 2, forskellige genstande

Én linje pr. celle: "Cell 5, row 2 column 1: description." Lange genstande får "lying horizontally across the cell, pointing to the right", liggende vandret hen over cellen, så de fylder deres celle. Slut med: "Exactly one object per cell, N objects in all, no duplicates, no object crossing into another cell, each object drawn large enough to fill most of its cell."

Tolv genstande pr. ark er det højeste antal brugt i sættet. Derover bliver cellerne små.

Ark med tolv dungeon-genstande genereret af Qwen-Image 2.1 i et gitter på 4 gange 3 på gennemsigtig baggrund: nøgle, fakkel, eliksir, pung, økse, skjold, skriftrulle, lanterne, sværd, brød, kompas, reb
Tolv genstande, én gengivelse, én stil. Hver celle navngives med sin række og kolonne i prompten.

Den fulde prompt til dette ark:

This is an RGBA image with transparency. A game item sheet of twelve different dungeon objects, each drawn large in its own cell of a strict 4 by 3 grid of equal cells with generous empty space between the cells, read left to right then top to bottom. Cell 1, row 1 column 1: an iron key with a looped bow and two square teeth, lying horizontally across the cell, pointing to the right. Cell 2, row 1 column 2: a wooden torch, a split oak stick wrapped in tarred cloth, the flame burning upward. Cell 3, row 1 column 3: a small red health potion, a round glass flask with a cork stopper and a wax seal. Cell 4, row 1 column 4: a leather coin pouch, drawstring closed, bulging, two gold coins showing at the mouth. Cell 5, row 2 column 1: a battle axe, a long straight ash-wood haft and one broad crescent steel blade with a bearded lower edge, the head wedged and riveted, the edge bright and nicked, lying horizontally across the cell, pointing to the right. Cell 6, row 2 column 2: a round wooden shield with an iron rim and a central iron boss, three planks visible, seen straight on. Cell 7, row 2 column 3: a rolled parchment scroll tied with a red ribbon, lying horizontally across the cell, pointing to the right. Cell 8, row 2 column 4: a lantern, a square iron frame with four glass panes and a ring handle, a candle glowing inside. Cell 9, row 3 column 1: a short sword with a plain crossguard, a leather-wrapped grip and a round pommel, lying horizontally across the cell, pointing to the right. Cell 10, row 3 column 2: a loaf of dark rye bread with a cracked crust. Cell 11, row 3 column 3: a brass compass in an open round case, the needle visible. Cell 12, row 3 column 4: a coil of hemp rope with a frayed end. Exactly one object per cell, twelve objects in all, no duplicates, no object crossing into another cell, each object drawn large enough to fill most of its cell. Style: hand-painted game illustration, visible brush strokes, rich material detail, crisp silhouettes, soft frontal light from slightly above, a thin cool rim light, no outline, no motion blur. The image has alpha channel and the background is transparent, no ground, no cast shadows, no frames, no text, no labels.

Props og effekter: 4 gange 2 eller 4 gange 3

Props: "dungeon fixtures seen straight on from the front", med jævnt lys. Effekter: "glowing, with soft luminous edges". Projektiler: "flying to the right".

Én genstand i flere vinkler: én række på 4

Samme genstand i alle fire celler: grundvinklen forfra, liggende på jorden set oppefra, et inventarikon i farver, et tofarvet handlingsikon. Kastevinkler kan tilføjes i en anden række; en første serie med en falchion og en økse gav overbevisende forkortning, også øksen set fra æggen, men et kastet våben set lige forfra er den celle, der oftest mislykkes. Denne skabelon er den nyeste i sættet og stadig under afprøvning.

Ark med én eliksirflaske i fire vinkler genereret af Qwen-Image 2.1: oprejst, på jorden, inventarikon og handlingsikon
Én flaske, fire vinkler. Ikonerne sidder i celle 3 og 4. En svag skygge sneg sig ind under de to første celler trods slutsætningen.

Samme opskrift i andre stilarter

Gitteret, celleteksterne og RGBA-rammen afhænger ikke af stilen. Kun stilblokken ændres. Arkene nedenfor kommer fra ranger-prompten med stilblokken byttet ud med en af disse:

  • Pixel art. Style: 16-bit pixel art, a visible pixel grid, flat colours with two or three shades per material, hard pixel edges, a one-pixel dark outline, no anti-aliasing, no gradients.
  • Anime. Style: anime cel shading, clean dark line art, flat colours with one hard shadow tone, small bright highlights, a saturated palette, soft frontal light.
  • Flad vektor. Style: flat vector illustration, simple geometric shapes, no gradients, no texture, a limited palette of six colours, thick uniform outlines, soft frontal light.
  • Low poly. Style: low poly 3D render look, visible flat triangular facets, matte materials, no texture detail, soft studio light from the front and above.

Til low poly-blokken fjerner du "3d render" fra den negative prompt, ellers modarbejder de to anvisninger hinanden.

Ranger-sprite sheetet gengivet af Qwen-Image 2.1 i 16-bit pixel art
Pixel art-blok. Samme gitter, samme celletekster, samme seed.
Ranger-sprite sheetet gengivet af Qwen-Image 2.1 i anime cel shading-stil
Anime-blok.
Ranger-sprite sheetet gengivet af Qwen-Image 2.1 i flad vektorstil
Flad vektor-blok.
Ranger-sprite sheetet gengivet af Qwen-Image 2.1 i et low poly 3D-look
Low poly-blok, med "3d render" fjernet fra den negative prompt.

I de fire ark ovenfor holdt figuren, hendes kostume og hendes stillinger fra blok til blok; kun gengivelsen ændrede sig. Vælg én blok til et helt sæt. Sprites lavet med forskellige blokke passer ikke sammen.

Udskæring af arket i sprites

Udskæringen sker efter alfakanalen i fire trin.

  1. Del billedet op i lige store celler.
  2. Tag i hver celle den omsluttende boks om de pixels, hvis alfa er over 32, med en margen på 4 pixels.
  3. Sæt alfa under 24 til nul, hvilket fjerner haloen.
  4. Behandl en celle med færre end 100 uigennemsigtige pixels som tom.

Placer derefter hver sprite efter dens brug.

  • Motiv-sprite: i et lærred med samme sideforhold som spillets referencebillede, fødderne på underkanten.
  • Genstand: centreret i lærredet.
  • Inventarikon: et kvadrat på 192 pixels. En genstand, der er længere end 1,6 gange sin bredde, drejes 45 grader med spidsen op mod højre.
  • Dør, rist: strakt fra kant til kant, alfa tvunget til 255. Døre kommer ud to til fire gange mørkere end ønsket, så tilpas deres lysstyrke til en reference.

Hvis et motiv løber over i nabocellen, skærer udskæringen det over. Derfor beder prompten om "generous empty space between the cells", rigeligt tomrum mellem cellerne.

Sømløse teksturer

Modellen laver ikke en perfekt tile, selv når man beder om det, så metoden nedenfor, som blev beholdt efter flere fejlslag, reparerer sømmen bagefter.

  1. Tekst til billede i 1024 × 1024 med "A seamless tileable texture, top-down flat orthographic close-up of … Even diffuse lighting, no vignette, no perspective."
  2. Forskyd billedet med halvdelen af dets bredde og halvdelen af dets højde. Sømmen løber nu gennem midten som et kors.
  3. Billede til billede ved styrke 0.55 på det forskudte billede, med noden QwenImageImg2Img.
  4. Behold kun et blødgjort kors i midten af den gennemkørsel, 96 pixels på hver side af sømmen med en gaussisk sløring på 32 pixels, lagt tilbage oven på den forskudte original. Kanterne forbliver det urørte indre af den første gengivelse.
  5. Forskyd tilbage den anden vej.
  6. Spejlbland 24 pixels på hver side af kanten for at fjerne det sidste spring i farve og dermed i relief.
  7. Udled normal map og roughness fra det færdige billede.

Kontrolmål: den gennemsnitlige forskel mellem modstående kanter divideret med den gennemsnitlige gradient inde i tilen. Ved 1,0 adskiller sømmen sig ikke fra nogen anden nabopixel.

En stengulvstekstur fra Qwen-Image 2.1 lagt 2 gange 2: den rå gengivelse viser en synlig korsformet søm, den reparerede udgave gør ikke
Samme tekstur lagt 2 gange 2. Til venstre: den rå gengivelse, sømmen er et kors. Til højre: efter den forskudte billede-til-billede-gennemkørsel og spejlblandingen.

Hvad der ikke virkede:

  • En fuld billede-til-billede-gennemkørsel uden maske: modellen genskaber en søm på sine egne kanter.
  • To skiftevise gennemkørsler: resultatet bliver værre, 2,07 og derefter 2,43 på gulvteksturen.
  • Genmaling af en eksisterende tekstur i lav opløsning i billede til billede: et stribet resultat. Start forfra fra tekst til billede.

Bed om store mønstre, fem eller seks rækker af blokke pr. tile. Små mønstre gør gentagelsen tydelig.

Lav om, tjek, gentag

  • Et ark er deterministisk for en given prompt og et givet seed. Gem den rå PNG og prompteksten ved siden af den.
  • Lav et motiv om ved at lave hele dets ark om med et andet seed, aldrig en enkelt celle. Behold det gamle ark: en bedre stilling kan plukkes fra det senere.
  • Adskil tegning fra udskæring. Udskæringen og placeringen kan køres igen ud fra de rå ark uden at kalde ComfyUI.
  • Gør batchen genoptagelig. Et ark, der allerede ligger på disken, tegnes ikke igen, så en kørsel på tre timer overlever en afbrydelse.

Tre tjek er umagen værd, før spritene kommer ind i spillet.

  • Gennemse på en lys baggrund eller et skakbrætmønster, ikke på mørkegråt. En mørk baggrund skjuler kanter og haloer.
  • Se dem i spilstørrelse, ikke kun forstørret. Et ikon skal kunne læses ved 32 pixels.
  • Tag et skærmbillede i spillet for at tjekke sprites mod overflader. HD-sprites på vægge af store pixels skurrer. Overfladerne skal så laves om på samme niveau.

Kendte begrænsninger

  • Genstande bliver nogle gange for fotografiske, mest af alt metal og glas. Ret det enkeltvis i teksten.
  • Handlingscellerne er den mindst pålidelige del. Tjek dem motiv for motiv.
  • Farvetonerne driver fra ark til ark: vægge bliver blå, døre kommer mørke ud. Fastlæg farven i teksten, og ret den bagefter om nødvendigt.
  • Modellen kan slå celler sammen eller duplikere dem på et tætpakket gitter. Hold dig til højst tolv celler, og navngiv hver celle med dens række og kolonne.
  • Tekst og symboler på genstandene, runer eller inskriptioner, er ikke pålidelige. Udelad dem, eller tilføj dem bagefter.
  • Licens. Vægtene er under Qwen Research License: kun forskning og evaluering. Assets, der udgives i et kommercielt spil, kræver først en licens fra Qwen, og en hostet tjeneste har sine egne vilkår.

Sættets indstillinger i én tabel:

IndstillingVærdi
ModelQwen-Image 2.1 basis, int8
Steps, CFG20, 3.0 med en negativ prompt
Samplereuler, simple
GuidanceAPG 1.0, 10.0, 0.3 og derefter FreSca 1.0, 2.0, 8
Ark2432 × 1664, én række på 4 eller gitter på 4 gange 3
Tekstur1024 × 1024, fast seed
Sømgennemkørselbillede til billede ved 0.55, bånd på 96 pixels
Kantblanding24 pixels

Spørgsmål, andre også stiller

Kan Qwen-Image 2.1 lave gennemsigtige PNG'er?

Ja, uden nogen efterbehandling. Indled prompten med "This is an RGBA image with transparency." og afslut den med "The image has alpha channel and the background is transparent." PNG'en har en ægte alfakanal, cirka 1 % halvgennemsigtige pixels og ingen farvekant. Tilføj "no ground, no cast shadows", ellers tegner modellen et gulv under motivet.

Hvor mange sprites er der plads til på ét ark?

Fire til en figur eller et hvilket som helst andet enkelt motiv, på én række i 2432 × 1664 pixels: forfra, trekvart, profil og bagfra. Op til tolv til en familie af genstande, i et gitter på 4 gange 3. Over tolv bliver cellerne små, og modellen begynder at slå dem sammen eller duplikere dem. Navngiv hver celle med dens række og kolonne, og bed om rigeligt tomrum mellem cellerne, så udskæringen ikke skærer noget over.

Kan jeg bruge disse ark til video eller i et kommercielt spil?

Et turnaround-ark er den slags referencebillede, som billede-til-video-modeller såsom Seedance, MiniMax Hailuo eller Wan 2.2 tager som udgangspunkt. Til et kommercielt spil skal du tjekke licensen først: Qwen-Image 2.1-vægtene er under Qwen Research License, der kun dækker forskning og evaluering. Kommerciel brug kræver en særskilt licens fra Qwen.