你画了一个厨房场景，桌子被压扁贴在镜头前——没有地平线、没有深度。或者楼梯”往上”走，透视线却朝旁边。或者人物的头占了身高的一半。内容是对的，但空间完全不合理。
最快的修法： 在 Prompt 的最前面加一段 5-7 个词的相机块——[焦段] + [视点] + [透视风格]——比如 wide-angle 24mm, eye level, two-point perspective, ...。光这一步就能修好 Midjourney、ChatGPT Images、Gemini 的 Nano Banana 里 60-70% 的透视和比例问题。本文后面会讲其余的几类原因，以及给建筑场景用的硬锁方案（ControlNet Depth）。
透视和比例会崩，是因为 Prompt 没给模型任何空间锚——没焦段、没视点、没透视风格。缺了这些，模型只能在几千种可能的相机设置上取平均，画出一个混乱的中间值。
你属于哪一类？
| 画面里的症状 | 最可能的原因 | 跳到 |
|---|---|---|
| 环境扁平，没深度也没地平线 | 没写焦段 / 镜头词 | 原因 1 |
| 构图死板正对，没有角度 | 没写视点词 | 原因 2 |
| 物体之间大小关系不可能成立 | 物体太多互相抢尺度 | 原因 3 |
| 主体被丑陋裁切或拉伸 | 长宽比和主体打架 | 原因 4 |
| 几何自相矛盾（说不上哪不对但就是错） | 透视线索互相冲突 | 原因 5 |
| 线条弯曲、融化、就是不收敛 | 风格词本身破透视 | 原因 6 |
常见原因
按命中率从高到低排列。
1. 没指定焦段
不写镜头词——wide-angle、telephoto、24mm、85mm——模型就挑一个通用中焦段。近景还行，但环境会被压扁或畸变。写明焦段，等于逼模型模拟真实光学物理：广角（16-24mm）夸大深度、拉伸边缘；长焦（85mm 以上）压缩深度、突出主体。Google 自家的 Nano Banana 提示词指南（2026 年 6 月）就是这么建议的——用 wide-angle lens”展现宏大尺度”、macro lens”表现精细细节”——所以这套方法在所有主流模型上都依然有效，不只是 Stable Diffusion。
如何判断： Prompt 里没有镜头 / 焦段词，补一个。
2. 没指定视点
eye level、low angle、high angle、bird's eye view、dutch angle——挑一个。不写视点，模型就默认平视，常常把深度杀掉。
如何判断： Prompt 里没有视点词。
3. 物体太多互相抢深度
每个物体都自带一个暗示的尺度。花瓶、椅子、沙发、窗户、绿植、猫，各自暗示不同距离。模型为了协调它们而崩掉透视。这一类是相机词单独修不好的。
如何判断： Prompt 写了 5 个或以上不同的物体。
4. 长宽比和主体不匹配
宽幅环境硬塞进 9:16 竖屏，模型只能丑陋地裁切透视；高个人物硬塞 16:9 横屏则相反。截至 2026 年 6 月，Midjourney v7/v8 支持 1:2 到 2:1 之间的任意比例，ChatGPT Images 2.0 支持 3:1 到 1:3，Nano Banana Pro 支持 21:9、16:9、4:5、9:16 等等——所以没有理由跟画框较劲。
如何判断： 长宽比和主体的自然倾向正好相反。
5. 透视线索自相矛盾
"bird's eye view of a person standing tall, looking up at the camera"bird's eye view 是俯视，looking up at the camera 是相机在下方。两者冲突，模型只能挑一个，或者把两个平均成一团糊。
如何判断： 视点词和主体角度词不一致。
6. 风格本身就破透视
cubist、surreal、mc escher、dali、isometric、axonometric——这些风格故意破坏透视。如果其中一个混进了 Prompt，那就是几何看起来不可能的原因。
如何判断： Prompt 里有个风格词暗示破透视。
最短修复路径
Step 1：Prompt 开头加相机块
模板：
[焦段] + [视点] + [透视风格] + [你的主体]例子：
# 建筑 / 环境
"wide-angle 24mm, eye level, two-point perspective, ..."
# 人像
"85mm portrait lens, eye level with subject, shallow depth f/1.8, ..."
# 电影感风景
"35mm anamorphic wide, low angle from ground, three-point perspective, ..."
# 俯拍商品 / flat-lay
"top-down shot 90 degrees overhead, no perspective, flat, ..."
# 室内建筑
"24mm wide, eye level standing 5ft above floor, two-point perspective, ..."单这一步就能修 60-70% 的透视问题。一定放在最前面——在所有现行模型里，靠前的 token 权重都更高。
Step 2：挑一个视点，坚定不换
eye level — 自然平视，默认
low angle — 仰视，英雄感
high angle — 俯视，脆弱感
bird's eye view — 完全俯瞰
worm's eye view — 完全仰视
dutch angle — 镜头倾斜，动感
three-quarter view — 30-45 度偏角
straight-on — 正面平贴
isometric — 工程图等距别把不兼容的混在一起（见原因 5）。
Step 3：场景太杂就砍物体数量
把 Prompt 控制在 3-5 个具名物体。物体越少，透视越一致。
# 修改前 —— 过多
"a kitchen with a table, four chairs, fridge, stove, microwave, coffee maker, blender, sink, window, plant"
# 修改后 —— 聚焦
"a kitchen scene featuring a wooden dining table with four chairs in soft morning light"Step 4：长宽比和场景类型匹配
- 宽幅风景 / 环境 -> 16:9 或 21:9（横）
- 站立人物 / 肖像 -> 4:5 或 9:16（竖）
- Flat-lay / 俯拍 -> 1:1（方）
- 宽幅建筑 -> 21:9（电影）
- 竖直建筑 -> 9:16（竖）Midjourney 里加 --ar 16:9；ChatGPT Images 和 Nano Banana 里直接用文字写出比例（比如”16:9 横构图”）。如果 Midjourney 的输出又缩回正方形，说明你用的是 v5 之前的设置，或者用了 9:19.5 这种小数比例——改用整数。
Step 5：加显式透视风格词
two-point perspective — 标准建筑
one-point perspective — 单消失点，走廊 / 道路
three-point perspective — 仰视 / 俯视高建筑
forced perspective — 夸张深度
isometric perspective — 工程图，无消失点
no perspective — 扁平，俯拍或正面
deep depth of field — 全景深，透视清晰Step 6：ControlNet Depth 严控透视
当你手上有一张透视正合心意的参考图时，别再跟文字较劲，直接从几何上锁死：
# ComfyUI（2026 年 6 月）
1. 安装 comfyui_controlnet_aux 拿到 depth 预处理器
2. 加载一个 Depth（或 LineArt）ControlNet：
- SDXL：xinsir ControlNet Union（一个模型，10+ 种控制类型）
- Flux：Shakker Labs ControlNet Union Pro 2.0
3. 喂入透视正合心意的参考图
4. 强度 0.6-0.8 —— 锁住透视，模型只填内容SDXL 的 ControlNet 不能加载到 Flux 上，反之亦然——ControlNet 要和你的底模匹配。要做精确的建筑透视，用 SketchUp 或 Blender 快速渲一张 3D，是理想的 Depth 输入。
如何确认修好了
- 地平线测试： 你能指出地板和墙的交界、或者地面和天空的交界吗？能的话，深度就回来了。
- 消失点测试： 顺着两条平行线（桌沿、地板缝、天花板）延伸出去，它们应该朝一个一致的点收敛，而不是平行或发散。
- 头身比测试： 人物的头大约应为站立身高的 1/7 到 1/8。如果接近一半，比例还是崩的——砍物体数量（Step 3）或换成竖构图。
- 多跑一次： 用修好的同一个 Prompt 再生成两三张。如果透视在所有图里都一致，说明相机块生效了；如果只有一张对，那是运气好，还有线索在冲突。
预防建议
- 每个 Prompt 开头都加 5-7 个词的相机块：焦段 + 视点 + 透视风格。
- 默认焦段：24mm 广角拍环境，50mm 标准拍半身，85mm 拍肖像。
- 长宽比匹配场景（环境用横，人物用竖）。
- 做建筑或商品图时，把 ControlNet Depth 当默认配置，而不是补救手段。
常见问题
相机和镜头词在 2026 年的模型里还管用吗，还是只对老的 Stable Diffusion 有效？ 到处都管用。Google 的 Nano Banana 指南和 Midjourney v7/v8 文档都建议明写镜头、光圈和角度词。更新的”thinking”模型（ChatGPT Images 2.0、Nano Banana Pro）对这些词的遵循其实比 2024 年的模型更稳。
加了相机块以后头身比还是不对，为什么？ 这通常是物体过载（原因 3）或者把竖构图硬塞进横画框（原因 4），不是镜头的问题。先砍到 3-5 个物体、换成 4:5 或 9:16 比例，再去碰镜头词。
现在哪个工具处理透视和几何最好？ 截至 2026 年 6 月，ChatGPT Images 2.0（gpt-image-2）在技术性几何上领先——版式、建筑、信息图。Nano Banana Pro 在照片编辑和细节保留上更强，但硬几何仍会出错。要做像素级精确的透视，二者都比不过本地 SDXL 或 Flux 流水线上的 ControlNet Depth。
为什么不管我怎么写，图都是扁的？
两个常见原因：你把相机词放在了长 Prompt 的末尾（挪到最前面），或者无意中用了 straight-on / no perspective / flat-lay。换成带角度的视点，比如 three-quarter view 加 two-point perspective。
能不重新生成整张图就修透视吗？ 部分可以。Nano Banana Pro 和 ChatGPT Images 2.0 能做局部编辑，但它们会从头重建几何，所以透视不一定保得住。要真正原地编辑又保住几何，把原图丢进 ControlNet Depth、强度 0.7 跑一遍。