Hur gör man enhetlig spelgrafik med Qwen-Image 2.1?

Av Uppdaterad 14 min läsning

Qwen-Image 2.1 kan rita ett helt ark med spelgrafik i en enda bild: fyra vyer av samma motiv, en familj av föremål eller en uppsättning rekvisita, på en riktig transparent bakgrund. Den här guiden ger metoden bakom en uppsättning på över 1000 filer: inställningar, promptform, urklippning, sömlösa texturer, och samma ark som referenser för videomodeller.

Ett ark i stället för en bild per sprite

I stället för att be modellen om en bild per sprite, be om ett ark: en enda bild på 4 megapixel upplagd som ett rutnät, vars celler du sedan klipper isär med ett skript.

  • Ett motiv, till exempel en figur, är ett ark med fyra vyer av samma gestalt.
  • En familj av föremål är ett ark med åtta till tolv olika föremål.
  • Ett viktigt föremål, som ett vapen, är ett ark med flera vyer av just det föremålet.

Ett ark ger tre saker.

  • Enhetlighet. De fyra vyerna kommer ur samma rendering: samma färger, samma dräkt, samma vapen, samma ljus. Fyra separata renderingar ger fyra olika figurer.
  • En gemensam stil för alla föremål i en familj.
  • Genomströmning. Ett ark tar fyra till fem minuter och ger fyra till tolv sprites.
Sprite sheet med en ung kvinnlig ranger genererat av Qwen-Image 2.1: fyra vyer av samma figur i en rad på transparent bakgrund
En rendering, fyra vyer: framifrån, trekvartsvy, profil och bakifrån. 2432 × 1664, 20 steg, CFG 3 med APG och FreSca. Hela prompten står nedan.

Arken är inte bara till för spel. En turnaround av en figur fungerar som referensbild för en app-mockup, en tecknad serie eller en storyboard. Det är också den sortens referensbild som bild-till-video-modeller som Seedance, MiniMax Hailuo eller Wan 2.2 tar som utgångspunkt.

Allt nedan kontrollerades under produktionen av en uppsättning på över 1000 filer: figurer, föremål, effekter, rekvisita och texturer till ett och samma spel. Inställningarna följer guiden om inställningar för Qwen-Image 2.1.

Inställningar och ComfyUI-grafen

Använd basmodellen i stället för Turbo, på CFG 3 med en negativ prompt, med APG och FreSca på modellvägen. Det finns ingen prompt-upsampler i grafen: prompten går in som den är skriven.

NodInställning
UNETLoaderqwen_image_2.1_int8_convrot.safetensors
CLIPLoaderqwen3vl_8b_int8_convrot.safetensors, typ qwen_image
VAELoaderqwen_image_2.1_vae_bf16.safetensors
QwenImage21Cachedevice 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 och negativ prompt, upplösning 1024
EmptyLatentImage2432 × 1664 för ett ark, 1024 × 1024 för en textur
KSampler20 steg, CFG 3.0, euler, simple, denoise 1.0
VAEDecode, SaveImagePNG-filen kommer ut i RGBA, se nästa avsnitt

Modellvägen går genom UNETLoader, sedan QwenImage21Cache, APG, FreSca och KSampler. Tider mätta på maskinen som producerade uppsättningen:

JobbTid
Ark, 2432 × 1664, 20 steg230 till 320 s
Textur, 1024 × 1024, text till bildungefär 80 s
Bild-till-bild-pass, 1024 × 1024ungefär 40 s

Inställningsguiden noterar ett 12 GB-kort som renderar en bild på 4 megapixel i den här storleken med en topp på 11,5 GB med int8-vikterna, så ett ark bör få plats, så länge inget annat delar kortet.

Två fällor om du styr ComfyUI via dess API. I JSON-anropet till /prompt skickas en referensbild som en platt nyckel: "images.image_1": [node, 0]. Den nästlade formen, "images": {"image_1": …}, accepteras utan fel, och referensen ignoreras i tysthet. Och kontrollera alltid att PNG-filen du får tillbaka är i RGBA-läge. En dåligt inramad prompt ger en ogenomskinlig bakgrund; kasta ett fel i stället för att klippa den.

Nativ transparens

Qwen-Image 2.1 producerar en alfakanal på egen hand, förutsatt att prompten ramas in av två meningar.

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

Resultatet är en riktig RGBA-PNG. Ungefär 1 % av pixlarna är halvgenomskinliga och det finns ingen färgkant. Det ersätter den gamla magentabakgrunden som skulle maskas bort, som lämnade kanter och tvingade fram en rensning av färgspill.

Lägg till i slutmeningen: no ground, no cast shadows, no frames, no text, no labels. Utan det vill modellen gärna lägga en skugga eller en markplätt under varje motiv, och det förstör urklippningen.

De fyra spritesen från ranger-arket, isärklippta efter alfakanalen och visade på ett schackmönster
Samma ark klippt i fyra sprites efter alfakanalen, på ett schackmönster. Ingen färgkant, ingen skugga, inget att rensa.

Så skriver du en prompt för ett ark

Eftersom inget skriver om prompten åt dig måste den vara lång och exakt: uppsättningens prompter ligger på 2 500 till 3 000 tecken, och en kort prompt ger ett dåligt ark där vyerna liknar varandra.

Ordningen nedan är den som fungerade. Behåll den.

  1. Den inledande RGBA-meningen.
  2. Motivet och rutnätet. ”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. Cellerna, en i taget, numrerade. ”cell 1, … ; cell 2, … ; cell 3, … ; cell 4, …” På ett rutnät på 4 gånger 2 namnger du även raderna: ”Top row: cell 1, … Bottom row: cell 5, …”
  4. Identitetsklausulen. ”Same character in every cell: identical colours, proportions, costume, weapon and lighting.”
  5. Stilblocket, samma för hela uppsättningen.
  6. Den avslutande RGBA-meningen.

Hela prompten till ranger-arket ovan:

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 från försöken:

  • Beskriv materialet, inte bara föremålet. ”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 varje vy utifrån vad kameran ser, inte efter dess namn. ”seen from a three-quarter back angle, turned 135 degrees so we see its back and its left side, the face hidden” fungerar. Enbart ”back three-quarter view” fungerar betydligt mer sällan.
  • En vy uppifrån, om du lägger till en, måste betonas: kameran rakt nedåt, bara hjässan och axlarna synliga, inget ansikte, ”like a token on a tactical board game map”.
  • Säg vad som inte får finnas när modellen driver iväg. Ett motiv utan lemmar får klor och en mun i attackcellerna om texten är generisk. Skriv ”no arms, no legs, no teeth”.
  • Skriv attackcellerna, om du lägger till dem, för varje motiv. En gemensam text, ”the subject attacks”, ger svaga poser över ett helt persongalleri. Varje motiv får sin egen ansats och sitt eget slag: en höjd klubba, ett bett, en eldstråle, en tentakel.
  • Se upp med ord som ändrar renderingen. ”bold simplified, strong contrast, clean silhouette” för en inventarieikon gav ett svartvitt piktogram. För en ikon i färg, skriv ”in full colour, painted with exactly the same rich materials as cell 1”.
  • Ett stilblock för hela uppsättningen håller motiv, föremål och rekvisita i samma värld. Blocket för den här uppsättningen står i prompten ovan: handmålad spelillustration, synliga penseldrag, materialdetaljer, skarpa silhuetter, mjukt frontalljus något uppifrån, ett kallt kantljus, ingen kontur, ingen rörelseoskärpa.

Uppsättningens negativa 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 renderat från en prompt på under 400 tecken: de fyra vyerna håller men dräkten driver iväg
Samma ranger från en prompt på under 400 tecken, samma seed och inställningar. De fyra vyerna håller, men dräkten driver iväg: korta ärmar, en annan läderjacka, flätan borta i vyn bakifrån. Längden bär den information modellen behöver.

Mallar för ark

Alla ark är 2432 × 1664 pixlar.

Ett motiv: en rad på 4, en figur

CellVy
1i vila, framifrån
2i vila, trekvartsvy framifrån
3i vila, strikt profil
4i vila, bakifrån

Fyra vyer i en rad är den layout som höll i varje test: höga celler, en stor figur och vapnet rätt ritat i varje vy. Ett rutnät på 4 gånger 2 med en vy uppifrån och två attackceller fungerar också, men det är i de fyra extra cellerna som arken går fel: en andra klinga i vyn bakifrån, ett felplacerat svärd uppifrån, en konstig hand i slaget. Lägg till dem när du behöver dem, och kontrollera dem en i taget.

Föremålsfamilj: 4 gånger 3 eller 4 gånger 2, olika föremål

En rad per cell: ”Cell 5, row 2 column 1: description.” Långa föremål får ”lying horizontally across the cell, pointing to the right” så att de fyller sin cell. Avsluta 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 föremål per ark är det största antalet i uppsättningen. Bortom det blir cellerna små.

Ark med tolv dungeon-föremål genererat av Qwen-Image 2.1 i ett rutnät på 4 gånger 3 på transparent bakgrund: nyckel, fackla, dryck, pung, yxa, sköld, skriftrulle, lykta, svärd, bröd, kompass, rep
Tolv föremål, en rendering, en stil. Varje cell namnges med sin rad och kolumn i prompten.

Hela prompten till det här arket:

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.

Rekvisita och effekter: 4 gånger 2 eller 4 gånger 3

Rekvisita: ”dungeon fixtures seen straight on from the front”, med jämnt ljus. Effekter: ”glowing, with soft luminous edges”. Projektiler: ”flying to the right”.

Ett föremål i flera vyer: en rad på 4

Samma föremål i alla fyra celler: grundvyn framifrån, liggande på marken sett uppifrån, en inventarieikon i färg, en tvåfärgad actionikon. Kastvyer kan läggas till på en andra rad; en första serie med en falchion och en yxa gav övertygande förkortningar, även yxan sedd rakt från eggen, men ett kastat vapen sett rakt framifrån är den cell som oftast misslyckas. Den här mallen är uppsättningens nyaste och granskas fortfarande.

Ark med en dryckesflaska i fyra vyer genererat av Qwen-Image 2.1: upprätt, på marken, inventarieikon och actionikon
En flaska, fyra vyer. Ikonerna sitter i cell 3 och 4. En svag skugga smög sig in under de två första cellerna trots slutmeningen.

Samma recept i andra stilar

Rutnätet, celltexterna och RGBA-ramen beror inte på stilen. Bara stilblocket ändras. Arken nedan kommer från ranger-prompten med stilblocket utbytt mot ett av dessa:

  • 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.
  • Platt 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.

För low poly-blocket, ta bort ”3d render” ur den negativa prompten, annars strider de två instruktionerna mot varandra.

Rangerns sprite sheet renderat av Qwen-Image 2.1 i 16-bitars pixel art
Pixel art-blocket. Samma rutnät, samma celltexter, samma seed.
Rangerns sprite sheet renderat av Qwen-Image 2.1 i anime-stil med cel shading
Anime-blocket.
Rangerns sprite sheet renderat av Qwen-Image 2.1 i platt vektorstil
Blocket för platt vektor.
Rangerns sprite sheet renderat av Qwen-Image 2.1 i low poly 3D-look
Low poly-blocket, med ”3d render” borttaget ur den negativa prompten.

I de fyra arken ovan höll figuren, hennes dräkt och hennes poser från ett block till nästa; bara renderingen ändrades. Välj ett block för en hel uppsättning. Sprites gjorda med olika block passar inte ihop.

Klippa arket i sprites

Urklippningen görs på alfakanalen, i fyra steg.

  1. Dela in bilden i lika stora celler.
  2. Ta i varje cell den omslutande rektangeln för pixlarna med alfa över 32, med en marginal på 4 pixlar.
  3. Sätt alfa under 24 till noll, vilket tar bort halon.
  4. Behandla en cell med färre än 100 ogenomskinliga pixlar som tom.

Placera sedan varje sprite efter dess användning.

  • Motivsprite: på en canvas med samma bildförhållande som spelets referensbild, fötterna mot nederkanten.
  • Föremål: centrerat på canvasen.
  • Inventarieikon: en kvadrat på 192 pixlar. Ett föremål som är längre än 1,6 gånger sin bredd roteras 45 grader, med spetsen uppåt höger.
  • Dörr, galler: utsträckt kant till kant, alfa tvingad till 255. Dörrar kommer ut två till fyra gånger mörkare än önskat, så matcha deras ljusstyrka mot en referens.

Om ett motiv går in i nästa cell kapar urklippningen det. Därför ber prompten om ”generous empty space between the cells”.

Sömlösa texturer

Modellen ger ingen perfekt tile ens när man ber om det, så metoden nedan, som behölls efter flera misslyckanden, lagar skarven i efterhand.

  1. Text till bild i 1024 × 1024 med ”A seamless tileable texture, top-down flat orthographic close-up of … Even diffuse lighting, no vignette, no perspective.”
  2. Förskjut bilden med halva bredden och halva höjden. Skarven går nu genom mitten, som ett kors.
  3. Bild till bild med styrka 0.55 på den förskjutna bilden, med noden QwenImageImg2Img.
  4. Behåll bara ett uppmjukat centralt kors från det passet, 96 pixlar på varje sida av skarven med en gaussisk oskärpa på 32 pixlar, inklistrat på det förskjutna originalet. Kanterna förblir den orörda insidan av den första renderingen.
  5. Förskjut tillbaka åt andra hållet.
  6. Spegelblanda (mirror blend) 24 pixlar på varje sida av kanten för att ta bort det sista hoppet i färg, och därmed i relief.
  7. Härled normal map och roughness ur den slutliga bilden.

Kontrollmått: medelskillnaden mellan motstående kanter delad med medelgradienten inuti tilen. Vid 1,0 skiljer sig skarven inte från någon annan grannpixel.

En stengolvstextur från Qwen-Image 2.1 lagd 2 gånger 2: den råa renderingen visar en synlig korsformad skarv, den lagade versionen gör det inte
Samma textur lagd 2 gånger 2. Vänster: den råa renderingen, skarven är ett kors. Höger: efter det förskjutna bild-till-bild-passet och spegelblandningen.

Det som inte fungerade:

  • Ett fullt bild-till-bild-pass utan mask: modellen skapar en ny skarv vid sina egna kanter.
  • Två omväxlande pass: resultatet blir sämre, 2,07 och sedan 2,43 på golvtexturen.
  • Att måla om en befintlig lågupplöst textur i bild till bild: ett randigt resultat. Börja om från text till bild.

Be om stora mönster, fem eller sex skift av block per tile. Små mönster gör upprepningen uppenbar.

Gör om, kontrollera, iterera

  • Ett ark är deterministiskt för en given prompt och ett givet seed. Spara den råa PNG-filen och prompttexten bredvid den.
  • Gör om ett motiv genom att göra om hela dess ark med ett annat seed, aldrig en enskild cell. Spara det gamla arket: en bättre pose kan plockas ur det senare.
  • Skilj ritandet från urklippningen. Urklippning och placering kan köras om från de råa arken utan att anropa ComfyUI.
  • Gör batchen återupptagbar. Ett ark som redan ligger på disk ritas inte om, så en körning på tre timmar överlever ett avbrott.

Tre kontroller är värda att göra innan spritesen går in i spelet.

  • Granska på ljus bakgrund eller ett schackmönster, inte på mörkgrått. En mörk bakgrund döljer färgkanter och halos.
  • Titta i spelets storlek, inte bara förstorat. En ikon måste förbli läsbar i 32 pixlar.
  • Ta en skärmdump i spelet för att kontrollera spritesen mot ytorna. HD-sprites på väggar av stora pixlar skär sig. Då måste ytorna göras om på samma nivå.

Kända begränsningar

  • Föremål blir ibland för fotografiska, metall och glas framför allt. Åtgärda det från fall till fall i texten.
  • Attackcellerna är den minst tillförlitliga delen. Kontrollera dem motiv för motiv.
  • Nyanserna driver från ett ark till nästa: väggar blir blå, dörrar kommer ut mörka. Lås färgen i texten och korrigera i efterhand om det behövs.
  • Modellen kan slå ihop eller duplicera celler på ett trångt rutnät. Stanna vid högst tolv celler och namnge varje cell med sin rad och kolumn.
  • Text och symboler på föremålen, runor eller inskriptioner, är inte tillförlitliga. Utelämna dem eller lägg till dem i efterhand.
  • Licens. Vikterna ligger under Qwen Research License: enbart forskning och utvärdering. Grafik som levereras i ett kommersiellt spel kräver först en licens från Qwen, och en värdtjänst har egna villkor.

Uppsättningens inställningar i en tabell:

InställningVärde
ModellQwen-Image 2.1 bas, int8
Steg, CFG20, 3.0 med en negativ prompt
Samplereuler, simple
GuidanceAPG 1.0, 10.0, 0.3 och sedan FreSca 1.0, 2.0, 8
Ark2432 × 1664, en rad på 4 eller ett rutnät på 4 gånger 3
Textur1024 × 1024, fast seed
Skarvpassbild till bild på 0.55, band på 96 pixlar
Kantblandning24 pixlar

Andra vanliga frågor

Kan Qwen-Image 2.1 göra transparenta PNG-filer?

Ja, utan någon efterbearbetning. Inled prompten med ”This is an RGBA image with transparency.” och avsluta den med ”The image has alpha channel and the background is transparent.” PNG-filen har en riktig alfakanal, ungefär 1 % halvgenomskinliga pixlar och ingen färgkant. Lägg till ”no ground, no cast shadows”, annars ritar modellen ett golv under motivet.

Hur många sprites får plats på ett ark?

Fyra för en figur eller något annat enskilt motiv, i en rad i 2432 × 1664 pixlar: framifrån, trekvartsvy, profil och bakifrån. Upp till tolv för en familj av föremål, i ett rutnät på 4 gånger 3. Bortom tolv blir cellerna små, och modellen börjar slå ihop eller duplicera dem. Namnge varje cell med sin rad och kolumn, och be om generöst tomrum mellan cellerna så att urklippningen inte kapar något.

Kan jag använda arken till video eller i ett kommersiellt spel?

Ett turnaround-ark är den sortens referensbild som bild-till-video-modeller som Seedance, MiniMax Hailuo eller Wan 2.2 tar som utgångspunkt. För ett kommersiellt spel, kontrollera licensen först: vikterna till Qwen-Image 2.1 ligger under Qwen Research License, som enbart täcker forskning och utvärdering. Kommersiell användning kräver en separat licens från Qwen.