大家上手并且尝试进行绘图创作了，但是发现无论自己再怎么调整，出来的效果图似乎都不尽人意，无论是图片内容还是画风效果都无法达到自己的预期，那么当你学了今天这篇关于ControlNet的讲解，你就会发现原来在AI绘图中，对人物进行样貌姿势的调整，和对背景进行画风要素的变更，都是如此的简单顺手。

直接上图看看效果，让大家直接感受一下ControlNet的强大之处。

首先让我们先记住这张示例图原来的样子（AI绘制），接下来我们会用ControlNet的九种模型来对这张图进行处理，从而查看处理前后的效果对比

一、Canny:边缘检测(Canny edge detection)

简介：可将图片的细节通过线稿的方式表现出来（图一），并在线稿的基础上进行重新绘图；

特点：可保留人物主体的衣服褶皱和肢体动作等细节，但背景也会跟着保留，多用在3d转2d的场景中，也可用于手绘稿的绘图中；

效果：图二没有使用canny情况下，人物姿势发生了变化；图三，开启canny并加入水墨画lora后，保留了人物主体动作和背景的大致结构。

二、HED边缘检测(soft HED edge detection,保留细节)

定义：同样是线稿类型，保留图片整体的细节为线稿样式；

特点：保留主体细节的同时，还会保留主体以外的背景和光影内容，可以理解为canny的加强版，一般情况下推荐使用HED；

效果：图2和图3均更换了衣服，但比起canny背景保留更为完成，还是在健身房的环境中，头顶的灯光效果依然存在。

三、MiDaS深度信息估算(MiDaS depth estimation)和LeReS深度信息估算(LeReS depth estimation)

简介：两者都是深度检测，用于检测图片的景深和光影；LeReS 比 MiDaS 精度要更强，出图时间也更长；

特点：无法捕捉细节，可获取人物的轮廓、景深和环境光影效果，越白说明里画面越近，越黑即越远；常用于光影效果强的图片，可替换背景和更换主体以外的内容；

效果：图2 MiDaS 效果图 ，图四 LeReS 效果图，两者都是保留主体细节的情况下更换了户外的背景，但 LeReS 保留的细节更具立体感和层次感

四、法线贴图(Normal map)

定义：模拟出光线在图片中每个点的反射效果，体现出一种凹凸的立体效果；

特点：通过模拟光影效果从而突出主体细节，主体以外的内容会完全忽略；同样可用于保留主体和更换背景的场景，或需要尽可能体现主体层次和立体感的情况中；

效果：图2、3均保留了人物主体并替换为简单背景，可以发现原图的背景细节均已去除；

五、OpenPose姿态检测(OpenPose pose detection)

定义：判断图片主体的骨骼肢体动作，并以此重新生成图片；

特点：可自定义人物主体的肢体动作，通过人物捕捉器的手动调节实现；可用于图生图中让保留人物样貌的情况下，做出不一样的动作姿势；

效果：图1、2、3均通过图1的方式进行自定义动作后的人物效果。（只要你想，甚么都可以哦🤐🔞）

六、M-LSD线条检测(M-LSD line detection)

定义：识别图片的结构和透视关系，检测出图片中的线条，忽略曲线等内容；

特点：直线、棱角要素居多的场景更适用，且会忽略人物等有曲率的内容；可用于如建筑设计，房屋设计这些设计场景；

效果：图1为有人物的原图；图3、4中发现人物已经被去除，且保留原有的房屋构造的同时，生成了不同的装修风格和窗外风景。

七、涂鸦(scribble)

定义：通过简单的涂鸦线稿来生成图片：

特点：简单草稿图即可生成细节满满的图片；

效果：图1为手绘的一棵树，图2、3是在手绘的基础上补充细节生成的图片。

八、伪涂鸦(fake scribble)

定义：将图片转为涂鸦的效果图，并在涂鸦的基础上重新生成图片；

特点：常用于更换物品的材质，比如衣服、裤子、鞋之类的材质更换，

效果：图1为一件衣服网图；图3、4、5均为更换了不同衣服面料后的效果；

九、ADE2ok语义分割(Semantic segmentation)

都打上标签进行划分（相同标签为一种色值，比如人、树、建筑等标签类型），并基于标签类型进行重新生图；只对图片内容进行标签类型的区分，不区分具体内容的单位和个数；可在草图中通过标注色值来规定图片中有哪些标签类型，对应着有哪些要素，接着就可以让图1为一张建筑原图，通过语义分割后，原图中不同的要素都会在图2中用不同色块进行区分，蓝绿色为天空背景，棕色为建筑，接着图3、4就会对背景和建筑所在的区域重新生成图片效果，结果可以看到建筑风格发生了改变。