AITerms 登入
生成式AI深度學習電腦視覺

控制網路(ControlNet)是什麼?

ControlNet 是替 Stable Diffusion 這類大型擴散模型加上控制條件的神經網路結構,可依草圖或邊緣圖更精確地生成圖像。

完整定義

ControlNet 是一種神經網路結構,旨在為大型擴散模型(例如 Stable Diffusion)添加額外的控制條件。它通過複製擴散模型的權重並添加可訓練的副本來實現,允許使用者基於各種輸入條件(例如草圖、邊緣圖、深度圖等)更精確地控制圖像生成過程。

白話說明

你有沒有想過,AI 生成圖片時能不能照著草圖或姿勢來畫?

你可以把控制網路想成「在擴散模型旁邊加一個控制器」:主模型負責畫,控制網路負責把草圖、邊緣或姿勢資訊送進去。

它很重要,因為單純的圖像生成很自由,但也很難精準控制,控制網路讓創作者可以兼顧創意和可控性。

記住這句

生成不只靠想像,還能照條件畫。

比喻:ControlNet 就像你給畫家一個精準的線稿或姿勢參考圖 -- 以前畫家自由發揮,現在有了參考圖,他就能畫出你想要構圖和姿勢的畫作,而不是天馬行空。

容易混淆

控制網路 vs 擴散模型 vs 圖像條件化

控制網路:把額外條件接進生成過程,讓輸出更可控

擴散模型:負責把噪聲逐步變成圖片的核心生成器

圖像條件化:更廣義,凡是讓圖像生成受條件影響都算

最關鍵的區別:控制網路是把「控制訊號」明確接進生成流程。

實際案例

室內設計草圖

前:只靠文字提示,生成結果常常姿勢和構圖亂掉

後:先給房間線稿或家具輪廓,再生成完整風格圖

人像姿勢控制

前:想要固定姿勢,模型常畫得歪七扭八

後:先提供骨架或關鍵點,讓生成圖片保留指定動作

演算法與應用

ControlNet 常把邊緣圖、深度圖、姿勢圖或分割圖當條件,和穩定擴散等模型一起使用

它把「自由創作」變成「可控創作」,特別適合設計、遊戲、美術和廣告場景

實務上,控制訊號越清楚,輸出越容易貼近需求

情境判斷

Q1(直覺題): 如果你想讓生成圖片照著姿勢圖畫,控制網路有幫助嗎?

有,這正是它最常見的用途。

Q2(判斷題): 只要有 ControlNet,生成圖片就一定完全照草圖一模一樣嗎?

不一定,模型還會保留自己的生成彈性,控制訊號只是把方向拉近。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 1 題把控制網路列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本