搜尋意圖： 如果你在找「控制網路 是什麼」或「控制網路 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： ControlNet 是一種神經網路結構，用於控制大型擴散模型，例如 Stable Diffusion，以實現更精確的圖像生成控制，例如基於草圖或邊緣圖生成圖像。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
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。
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。
記住這句就好
生成不只靠想像，還能照條件畫。
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
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
ControlNet 只能用在 Stable Diffusion 嗎？
不只，但它和擴散模型一起出現最常見。
它和提示詞有什麼差別？
提示詞是文字控制，ControlNet 是把視覺條件直接加進去。
控制網路會不會拖慢生成？
會增加一些成本，但通常換來更好的可控性。