stable diffusion十七种controlnet详细使用方法总结

前言

今天我要做个controlnet 使用方法总结，如果你们对所有controlnet用法，可能了解但是有点模糊，希望能对你们有用。

一、SD controlnet

我统一下其他参数，仅切换controlnet模型，为你演示效果

正向提示词：（只是一些人物基础提示词为了方便省事，实际场景请根据图片反推提示词）

best quality,masterpiece,4k,1girl,solo,long hair,dress,jewelry,choker,brown hair,realistic,necklace,brown eyes,black dress,lips,<lora:tianfeng_cutegirls4:0.8>,

负向提示词：

ng_deepnegative_v1_75t,(badhandv4:1.2),(worst quality:2),(low quality:2),(normal quality:2),lowres,bad anatomy,bad hands,((monochrome)),((grayscale)) watermark,moles,large breast,big breast,sunshine,bright,

中间参数

1.Canny

可以根据你提供的图片经过预处理器成为线稿，然后经过canny
controlnet模型控制图像扩散，可以调节权重和引导时机控制线稿的比重，适用场景偏需要提取人物，汽车，动物等线稿进行重绘

2.depth

深度controlnet主要用于凸显图像的前景背景和空间关系，前景的比重大，背景浅（提示词加上空间等），在使用场景适用于对空间纵深有需求

深度有好几种预处理器，你可以都尝试下，它们区别总结为对前景背景比重不同，有点凸显主体人物，背景则比重较小，有的则是主体背景适当均衡

3.Normalmap

法线贴图一般应用于3d雕塑，带来3d深度雕塑的信息，使用场景一般为3d雕塑，我的举例图片可能不太恰当，你大概知道干什么的就行

4.openpose

根据提供的图片提取姿态信息，控制想要生成风格的姿态图片，推荐dw_openpose

5.MLSD

一直只能识别直线，用于室内设计提取线稿，然后重绘，一键装修

提示词：

qingshe,living room,HDR,UHD,8K,best quality,realistic,masterpiece,Highly detailed,light,lamp,Fuji_Mountain out of window,

6.Lineart

Lineart预处理器有分别针对写实，动漫，可以根据自己需求选择预处理器，效果来说比canny好

7.softedge

软边缘检测与canny和lineart不同，采用一种更加柔和符合真实场景线条信息，与原图也更加吻合

8.scribble

你还在为画画太丑而烦恼吗，上传简简单单的涂鸦手绘，即可生成一张炫酷图片，例如上传一张丑到爆炸的跑车涂鸦

9.segmentation

将图片存在的物体进行分割出来，这样可以保证重绘物体还原性高，同时还可以在预处理出来的图片上进行添加色块，segmentation有一个物体与色块对应表，例如画一个桌子，涂上对应的颜色，经过controlnet绘制，可以更加精准生成一张桌子

10.shuffle

风格融合，可以上传一张如水墨，油画，科技画风图片，经过预处理器通过controlnet会与原模型风格进行融合，生成一张融合风格的图片

11.Tile

tile用法非常多，就使用而言，目前是我使用感觉最强的一个controlnet模型，特别是在还原图片风格上，因为是分块重采样，基本完美复刻，同时高清修复效果细节也远超普通放大算法

12.inpaint（局部重绘）

类似图生图局部重绘，用画笔在原图涂上需要重绘的部分，然后加上对应提示词，例如换装

13.instructP2P

pix2pix主要用于风格迁移，例如天气转换

14.reference only

可以根据你上传的图片，添加提示词重新生成一张相同风格的图片，如女孩侧身，提示词新加上，身体正对观众

15.Recolor

主要用于一些老旧照片的上色，或者黑白图，都可以

16.Revision

用于一些复杂元素过多的图片不能很好的进行风格转移，之前可能采用提示词反推，还是不能完美蕴含原图细节，可以使用Revision配合原图进行风格转移

17.IP_adapter

用在风格迁移上非常完美，建议优先使用，不仅仅是风格，还有原图形象，基本包含全部内容，

差不多到这了！！！说一下我个人经常用的，

基本就是Lineart，softedge，tile，ip_adapter,dw_openpose

出自：https://zhuanlan.zhihu.com/p/667551103