Не силен в понимании фунциклирования ИИ, но когда я пользовался Кандинским, то сто не сто, но раз по-двадцать некоторые картинки генерил.

В идеале нужно либо разворачивать свою локальную копию (условного PonyDiffusion) и подключать кастомные лоры (наборы правил для генерации специализированных объектов), либо искать сервис с поддержкой функции img2img (правка и доработка уже сгенерированной картинки по областям и деталям), но последние обычно платные.

Для публичных сервисов нужно включать "негативные промпты" (перечисление того, что нужно избегать или исключить).

Секрета нет, есть ограничения)
1) Более крутые сети (с большим числом слоёв, продвинутой архитектурной, обученные на большей выборке и мощностях) рисуют лучше. Соответственно, Миджорни будет реже выдавать кривые лица и руки, чем ноунейм сервис. Midjourney, StableDiffusion - топчик. ChatGPT ещё неплохо справляется.
2) Многофигурные композиции по-прежнему даются ИИ плохо. Если людей на картинке больше двух, что-то обязательно пойдёт не так...
Надписи тоже почти всегда кривые, даже в Миджорни и на английском. Тут, как писали выше, проще применить фотошоп.
3) Получение хорошей картинки - вероятностный процесс, поэтому да, сто раз генерировать.
4) Магия промптов - к каждой сети нужно приспосабливаться, экспериментируя с формулировкой запроса. Например, Шедеврум весьма хорош, но я так и не могу добиться от него нужного мне стиля.

Сложные ракурсы и сюжеты сеткам реально пока не особо удаются. Косяки вылезают.
Имхо проще фотошопом допилииь, чем таки получить идеальное и без артефактов