心理学研究中常常需要特定情感维度的图像作为实验刺激材料，但传统方法存在诸多限制。最近我尝试用Prompt Engineering结合Stable Diffusion来生成标准化情感图像，效果出乎意料的好。下面分享我的完整实践过程。

背景与痛点

传统心理学实验获取情感图像主要通过三种途径：

1. 国际标准数据库（如IAPS）：但存在版权限制且文化适应性差
2. 人工拍摄：耗时费力，难以精确控制情感维度
3. 网络图片爬取：质量参差不齐，缺乏标准化标注

技术选型对比

测试了三种主流Prompt技术在不同情感维度上的表现：

• CLIP引导：适合基础情感（高兴/悲伤）但细节控制弱
• Textual Inversion：需要训练embedding，适合特定风格
• Prompt Engineering：综合性价比最高，实时可调

核心实现方法

情感维度映射表

基于Russell的情感环状模型，我建立了如下Prompt关键词库：

| 情感维度 | 核心词 | 强化修饰语 | |----------|-----------------|---------------------------| | 高兴 | happy, joyful | vibrant colors, smiling | | 恐惧 | terrified | dark palette, shaky lines | | 愤怒 | furious | red tones, clenched fists |

恐惧情感Prompt示例

template = """
A [age] [gender] with [facial_expression], 
wearing [clothing], 
background is [scene_description], 
art style: [style_descriptor], 
highly detailed, emotional impact
"""

fear_prompt = template.replace(
    "[facial_expression]", "wide eyes and open mouth"
).replace(
    "[scene_description]", "a dark alley with fog"
)

完整生成代码

from diffusers import StableDiffusionPipeline
import torch

pipe = StableDiffusionPipeline.from_pretrained(
    "runwayml/stable-diffusion-v1-5",
    torch_dtype=torch.float16
).to("cuda")

def generate_emotion_image(prompt, seed=42, guidance_scale=7.5):
    generator = torch.Generator().manual_seed(seed)
    return pipe(
        prompt,
        generator=generator,
        guidance_scale=guidance_scale,
        num_inference_steps=50
    ).images[0]

# 生成恐惧情绪图像
fear_image = generate_emotion_image(fear_prompt)

效果验证

使用Face++ API进行自动化情感分析：

import requests

def analyze_emotion(image_path):
    url = "https://api-us.faceplusplus.com/facepp/v3/detect"
    files = {"image_file": open(image_path, "rb")}
    params = {"return_attributes": "emotion"}
    return requests.post(url, files=files, data=params).json()

测试发现SD1.5在基础情感表现更好，而SDXL适合复杂混合情绪。

避坑经验

1. 文化差异：西方Prompt生成的亚洲人脸部表情可能失真
2. 过拟合检测：连续生成20张图，若出现重复元素需调整Prompt
3. 伦理红线：避免生成极端暴力或恐怖内容

实际应用建议

可以将生成流程整合到心理学实验平台：

1. 前端让研究者定义情感参数
2. 后端自动生成候选图像集
3. 通过众包平台进行人工标注验证

我已经整理好可直接运行的Colab模板，包含完整的参数调节指南和示例Prompt库：Notebook链接示例

这套方法在我们实验室的注意力偏向研究中已经取得不错效果，生成效率比传统方法提升10倍以上。期待看到更多应用案例！