visual-prompt-atlas-prompt-json

一个从真实视频参考中蒸馏整理的视觉提示词 JSON 数据库，覆盖动作、服装、表情、背景空间与搭配规则，帮助生成更真实自然的 AI 图片。

A JSON-based visual prompt database distilled and curated from real-world video references, covering actions, clothing, facial expressions, background spaces and matching rules, which facilitates the generation of more realistic and natural AI-generated images.

原始信息汇总

数据集概述

本项目是面向 AI 图片生成的结构化视觉提示词数据库，从真实视频画面中蒸馏整理而来，覆盖动作、服装、表情与背景空间四大核心视觉要素。

数据规模与内容

数据类型	数量
动作库	513
服装库	508
表情库	376
背景空间库	100

• 动作库：包含动作描述、关键词、情绪标签、互动方向、动态强度、姿态类型与镜头视角等字段，可用于筛选诸如“面向镜头”、“静止/微动/动起来”、“站/坐/躺/跪”等具体动作和“清纯/甜美/温柔”等情绪氛围。
• 服装库：包含服装描述、关键词、情绪标签与适用场景（如校园、居家、都市、约会、海滩等），支持筛选不同风格和场合的穿搭。
• 表情库：包含表情描述、眼神方向、嘴型、脸颊及情绪强度，可用于筛选“看镜头/侧看”、“微笑/抿嘴/害羞”及“可爱/高冷/诱惑”等微表情。
• 背景空间库：包含室内、居家、城市街头、户外自然等真实场景，每条记录附带配套的服装场合兼容性与禁用关键词，用于过滤违和组合。

核心特性

• 稳定条目 ID：每条记录分配唯一 ID（如 action_0000、outfit_0081），支持跨工具引用、复现组合与安全入库。
• 场景-服装组合启发式：内置兼容性逻辑，可根据场景与服装的场合、关键词自动过滤明显不合理的搭配（如泳装不宜搭配卧室场景）。
• 结构化 JSON 存储：所有数据以结构化 JSON 文件存储，可直接由代码读取或结合配套脚本使用。

工具脚本

项目提供 Python 脚本 (scripts/visual_prompt_atlas.py)，支持以下操作：

• validate：校验 JSON 文件结构与字段完整性。
• stats：统计数据规模、常见情绪、场景分类等信息。
• search：按文本、情绪、场景、服装场合、动作姿态等条件搜索条目。
• compose：自动根据场景分类与服装场合组合背景、服装、动作、表情，支持通过 --scene-id、--outfit-id 等参数锁定指定条目，并可通过 --identity-slot 加载身份描述。
• ids：预览或回填稳定条目 ID。
• ingest：接收新条目 JSON，校验字段并自动分配不冲突的 ID。

推荐组合流程

1. 选择一个背景空间。
2. 根据背景空间筛选合适服装。
3. 选择动作姿态。
4. 选择面部表情。
5. 将描述字段组合成图像生成提示词。
6. 使用组合启发式过滤明显不自然的搭配。

适用场景

• AI 写真生成与角色图片生成。
• 提示词自动组合与图像生成工作流的数据源。
• 真实感画面构图参考。
• 多模态智能体的视觉素材库。

数据声明

本仓库只包含文本化、结构化的提示词数据，不包含原始视频、视频帧、图片素材或任何媒体文件。

许可证

CC BY-NC 4.0，允许个人、研究、教育等非商业使用；禁止商业使用。

搜集汇总

数据集介绍

构建方式

该数据集源自对大量真实视频画面的细致观察与AI蒸馏技术，系统性地提炼出高密度的视觉提示词，并以JSON格式结构化存储。构建过程摒弃了凭空编撰的传统方式，而是将真实人物照片中常见且有效的视觉要素，如动作姿态、服装搭配、面部表情与背景空间，进行精细化分类与整理。数据分为动作、服装、表情与背景空间四大核心库，每类均配有详细的字段描述与稳定ID，便于跨工具引用与复现。此外，基于场景与服装字段设计了自然组合启发式规则，用于过滤违和搭配，确保组合结果的真实感与协调性。

特点

该数据集的首要特点在于其高度的真实性与结构化密度，覆盖了513种动作、508套服装、376种表情及100种背景空间，构成了一个庞大的视觉元素图谱。每个条目均包含情绪标签、动态强度、姿态类型、眼神方向等多维属性，支持细粒度筛选。其独特之处在于内置的场景服装组合启发式逻辑，能够自动匹配兼容的服装场合与背景氛围，如居家服适配私密空间、泳装适配海滩水岸，从而显著提升AI图像生成的自然度。数据通过稳定ID实现可复现组合，并辅以配套的Python工具脚本，支持校验、搜索、组合与入库等全流程操作。

使用方法

用户可通过多种方式灵活运用该数据集。直接读取JSON文件，依据推荐流程依次选择背景空间、服装、动作与表情，将其描述字段组合成图像生成提示词，并借助组合启发式过滤不自然搭配。更为便捷的是使用内置的Python脚本工具，如通过`search`命令按文本、情绪或场景条件检索条目，再通过`compose`命令锁定指定ID进行自动组合，并支持`--strict-compatible`参数开启严格兼容模式。对于AI智能体，可将其安装为Codex技能直接调用。结果输出支持`--json`参数，便于与其他程序或智能体系统无缝衔接。

背景与挑战

背景概述

视觉提示词图谱JSON数据库（Visual Prompt Atlas）是一个面向AI图像生成领域的结构化提示词资源，由独立研究者璃夏于近期构建。该数据库的核心研究问题在于解决当前生成式AI在真实感图片创作中普遍存在的“提示词空洞”现象——即生成结果常因缺乏对现实世界中动作、服装、表情及背景空间的细腻描摹而显得生硬或失真。基于对大量真实视频画面的细致观察与AI蒸馏技术，研究团队系统性地整理出涵盖513种动作、508套服装、376种表情及100种背景空间的提示词条目，并引入场景与服装的组合启发式规则以降低生成内容的违和感。这一工作填补了现有提示词库缺少结构化、可检索、高密度真实感要素的空白，为AI写真生成、多模态智能体视觉素材库及图像生成自动化工作流提供了坚实的数据基石。

当前挑战

该数据集面临的核心挑战可归纳为三个维度。其一，真实感提示词的场景适应性难题：尽管数据库通过场景-服装兼容启发式过滤了部分明显矛盾组合，但现实拍摄环境中动作、服装与背景之间存在着极其复杂的文化、气候与社交语境依赖（例如职场着装与海滩场景的冲突），构建一个能够覆盖所有合理搭配逻辑且避免过度拟合单一审美标准的规则系统仍是艰巨任务。其二，提示词抽象性与视觉具象性之间的鸿沟：同一组文本描述在不同生成模型（如Stable Diffusion、Midjourney等）中可能产生迥异的视觉结果，如何保证数据库内的词汇在跨模型使用时保持稳定且可预期的语义映射，是提示词工程领域的普遍难点。其三，数据构建的非完整性与时效性：当前版本约1500条条目虽已具备一定规模，但相较于真实世界中近乎无限的动作姿态、服饰风貌与空间类型，仍需持续迭代以扩充稀缺场景（如传统文化服饰、特定职业着装等），同时需应对生成模型对特定提示词模式产生过拟合而导致的风格同质化问题。

常用场景

经典使用场景

Visual Prompt Atlas JSON 数据库最经典的使用场景是作为 AI 写真生成和角色图片生成的结构化提示词编排中枢。该数据集从真实视频画面中蒸馏出动作、服装、表情与背景空间四大维度的视觉要素，通过脚本工具实现基于情绪、场景、姿态等多条件约束的自动组合，显著提升了生成图像的真实感与自然度。在图像生成工作流中，它充当了连接抽象创意与具体视觉描述的桥梁，使得非专业用户也能通过简单的参数配置获得高质量、高匹配度的写实人像提示词，广泛应用于个人写真创作、虚拟角色造型设计等领域。

实际应用

在实际应用中，该数据集已被整合为多模态智能体的视觉素材库，服务于自动化写真生成系统和数字人内容创作平台。通过 Python 脚本工具，开发者可实现提示词的批量验证、统计、检索与组合，并支持将结果以 JSON 格式输出供下游程序调用。在电商场景中，它可用于生成不同着装风格的模特展示图；在社交娱乐领域，则为虚拟偶像的立绘生成提供了精细化的表情与动作控制能力。其内建的身份槽机制更允许将特定人物的外貌特征融入生成流程，显著提升了 AI 绘图工具在商业写真、角色设计等落地场景中的实用性与效率。

衍生相关工作

该数据集衍生了一系列围绕结构化提示词组合的经典工作，包括场景-服装兼容性匹配算法、多条件约束下的提示词搜索与排序机制，以及面向身份槽的个性化图像生成管线。其中，visual_prompt_atlas.py 工具脚本中的 compose 模块实现了基于情绪、场景、姿态和互动需求的多维组合逻辑，而 validate 和 stats 脚本则提供了数据完整性校验与统计分析功能。此外，该数据库的稳定条目 ID 设计为跨工具引用和组合结果复现奠定了标准，催生了如自动配装推荐、表情-动作联动优化等后续研究，构成了从数据标注到生成推理的完整技术闭环。