Canny 边缘控制
把参考图提取成细线轮廓,生成结果会沿着这些线条走。适合保留建筑结构、产品外形、人物姿态的边界,线稿转成品图时最常用这一路。
拖动滑块完成拼图,通过后发送验证码
独立第三方 AI 评测平台 · 只用实测数据
给基础模型加装结构控制的图像生成套件
官网地址 https://huggingface.co/stabilityai/stable-diffusion-3.5-controlnets
Stable Diffusion 3.5 ControlNets 是 Stability AI 在 Hugging Face 上发布的一组控制网络模型,用来给基础文生图模型补上「按指定结构出图」的能力。它把 Canny 边缘、深度图、表面法线等结构信息当作额外条件输入,让生成的画面在构图和轮廓上贴近参考图,而不是只靠文字提示去碰运气。适合做二次创作时锁定人物姿态、建筑轮廓、产品外形,也适合把线稿或深度图转成完整画面。它的短板在于:必须搭配对应的基础模型才能工作,单独下载跑不起来;而且控制强度、权重这些参数需要反复调节,新手第一次用很容易出图灰暗或者完全无视参考结构。
这是一组发布在 Hugging Face 模型仓库里的控制网络权重,挂靠 Stability AI 的 Stable Diffusion 3.5 系列。它的定位不是独立的绘图工具,而是给基础模型加装的一层「结构约束」——原本文生图只能靠提示词描述画面,现在可以额外喂进去一张边缘图或深度图,让模型照着这个骨架画。
控制网络覆盖几种常见的结构类型:Canny 负责提取轮廓线,深度图负责表达前后空间关系,表面法线负责体现立体朝向。不同控制类型管的是不同的事,选错了会出现「结构对不上」的情况,所以使用前要先想清楚要锁的是外形还是 пространственное关系。
普通用户一般通过 ComfyUI、Diffusers 这类带 ControlNet 节点的界面来调用,把参考图处理成控制图后接进管线;开发者则可以直接加载权重,写进自己的推理脚本里批量化出图。它更适合已经熟悉扩散模型工作流的人,而不是打开网页就能用的成品应用。
把参考图提取成细线轮廓,生成结果会沿着这些线条走。适合保留建筑结构、产品外形、人物姿态的边界,线稿转成品图时最常用这一路。
用灰度深浅表示场景里各物体的远近关系,模型据此排出前后层次。适合做有纵深的室内、街景、群像,能避免物体之间粘成一片。
记录每个像素的朝向,用来约束物体的立体转折。适合需要明确光照方向和形体起伏的题材,比如雕塑、机甲、硬表面道具。
同一条管线里可以同时挂上几种控制网络,各自分配权重。比如轮廓用 Canny、空间关系用深度,把外形和前后层次分开管,比单用一种更稳。
每个控制网络都能单独设权重和起止步数。权重调高会紧贴参考结构但画面偏僵硬,调低则放开自由度但结构容易跑偏,需要在两者之间找平衡点。
权重可以直接接进 Diffusers 和 ComfyUI 的 ControlNet 节点,不需要额外改造模型结构。已经搭好扩散模型工作流的人换权重就能用。
把它当成「给文生图补结构」的插件来看,它解决的问题很明确:光靠提示词描述不清构图时,用一张参考图把骨架固定下来。做二次创作、线稿上色、姿态复用这类任务时,它比反复改提示词有效得多。但它不是开箱即用的成品,需要自己准备控制图、调权重、配合基础模型,工作流没搭好的人第一次跑很可能直接卡住。另外控制图和目标风格不匹配时,出图会明显发灰、发糊,这是控制太紧的典型表现,不是模型本身的问题。
手上已有线稿或草稿,想快速转成完成度高的画面。能锁住轮廓这一点最有用,但需要自己处理控制图,不是完全零门槛。
想在换风格、换题材的同时保留原图的人物姿态或构图。控制网络正好解决「结构跑了」这个痛点,尤其适合系列图统一构图。
手上跑着 ComfyUI 或 Diffusers 管线,想加一层结构控制做批量出图。换权重就能接上,改造成本低。
不熟悉扩散模型基本流程、也不清楚控制图怎么来的话,很容易卡在环境搭建和参数调节上,出图效果不稳定。
这类人更适合直接用现成的在线绘图应用。控制网络的价值在于精确控制结构,对随手出图来说是多出来的负担。
普通文生图只吃文字提示,画面结构基本靠模型自己猜,同一段提示词每次出来的构图都不一样。控制网络额外接受一张结构图当条件,让模型照着这个骨架画,所以同一张参考图反复生成时,构图能保持稳定。代价是多了一道准备控制图的步骤。
不能单独用。它本质上是给基础模型加的一层控制模块,负责提供结构约束,真正的画面还是由基础模型画出来的。所以调用时要同时加载基础模型和控制网络权重,少了哪一个都跑不起来。
看你要锁的是什么。锁外形轮廓就用边缘类控制,锁前后空间关系就用深度类,锁物体的立体朝向就用表面法线类。如果同时要外形和纵深都对,可以几种一起挂上,但权重需要分别调,否则会互相打架。
一般是控制压得太紧了。控制权重过高时,模型被结构约束绑住,没有空间去补纹理和光影,画面就会显得平、灰、糊。先把控制权重降下来试,或者把控制的作用步数缩短到生成前期,通常能明显改善。
重要,而且和控制网络分工不同。控制网络只管结构,画面里是什么材质、什么颜色、什么光照氛围,全靠提示词描述。只给结构不给提示词,出来的画面结构对了但内容会很空。两边都写清楚效果才稳定。
门槛比在线绘图应用高。除了要跑起扩散模型环境,还得学会把参考图处理成控制图,并理解权重、步数这些参数的作用。如果只是偶尔出几张图,用现成的在线工具更省事;要做系列化、需要精确控制结构的活,再投入时间搭这套流程更值。
| 工具 | 编辑评分 | 价格 | 核心功能 | 平台 |
|---|---|---|---|---|
| Stable Diffusion 3.5 ControlNets本工具 | 4.3 | 未标价 | Canny 边缘控制;深度图控制;表面法线控制;多控制网络并用 | — |
| FLUX.1-dev-Controlnet-Canny-alpha | — | 未标价 | 基于控制网络的图像生成模型 | — |
| flux-condensation | — | 未标价 | 基于文本生成图像的 AI 模型 | — |
| DeepAI Logo Generator API | — | Pro $7.50/月(年付)或 $9.99/月,含月度图像额度 | 生成图像的 AI 聊天 | Web / API |
| SD3-Controlnet-Canny | — | 未标价 | 一种用于生成图像的深度学习模型 | — |
| shedevrum | — | 未标价 | 用 AI 生成图像的应用程序 | — |