stable diffusion 插件篇(2)

前言:

今天继续记录超强插件controlnet的线稿类型,这也是controlnet的重中之重,是我们商业案例实战之前必须掌握的知识点!!!

在开始之前大家可以看一下四个控制类型下,不同的控制类型默认的预处理器的预览图是怎样的一个情况。

一、Canny (硬边缘)

原理:Canny 边缘检测是一种用于检测图像中边缘的算法

作用:canny 的主要用途是通过提供边缘检测图像,来引导生成模型生成更符合我们期望的图像

可以做到细节控制、风格转换、图像修复、更精确的生成结果等等。

预处理器:canny(只有一个)

预处理器生成对比图:

参数:Canny Low Threshold(低阈值 (Low Threshold):用于确定弱边缘。)、Canny High Threshold(高阈值 (High Threshold):用于确定强边缘。)

在例图中可以看到,获取人物线条的时候,canny更倾向于获取任务边缘的线稿,对于人物或者物体的内部细节获取是不够lineart好的,

这俩个参数就是调节预处理图片线稿中线段的丰富程度,俩个数值越低,被识别的边缘就越多,俩个数值越高,被识别的边缘就越少

Canny应用场景

如果你相对特定的图像获取线稿然后又想有一些变化,可以考虑选用Canny

二、Lineart (线稿)

原理:是通过简化图像为线条结构,模型参考这些线条推测形状、颜色和纹理,再生成符合预期的图像

作用:包括控制图像形态、增强细节生成以及实现特定艺术风格,常用于草图到成品图的快速转换。在SD中,Lineart可以帮助我们精确控制生成结果的构图和结构。

预处理器:

预处理器选取对比

预处理器生成对比图:

参数:

这里的每个参数涉及到如何平衡提示词和ControlNet模型的控制,影响图像生成的细节

控制权重:决定ControlNet对生成图像的影响程度。值越高,ControlNet的效果越强,生成的图像会越接近你提供的参考图像或线稿。值为1表示均衡的控制,适度影响生成过程。

引导介入时机:这个参数控制ControlNet何时开始介入生成过程。较低的值意味着它从一开始就影响生成,较高的值则表示在生成的后期才开始引入ControlNet的影响。

引导终止时机:该参数决定ControlNet影响的结束时间。值越低,ControlNet的影响会更早停止,反之则会持续到生成的最后一步。通过控制终止时机,你可以调整图像生成的灵活度。

控制模型
均衡:表示生成过程中提示词和ControlNet的影响是均衡的,既尊重提示词的描述,也参考ControlNet提供的图像信息。

更偏向于提示词:表示生成时会减少ControlNet的影响,更倾向于根据提示词生成图像,参考图像的作用较弱。

更偏向于controlnet:选择此项后,图像生成将主要依赖ControlNet的参考图像,提示词的影响会减弱。

缩放模式
该选项决定如何处理输入图像的大小调整
仅调整大小:只对图像进行等比例缩放,不裁剪内容,适合保持原始图像比例不变的情况下。

裁剪后缩放:先对图像进行裁剪以匹配目标分辨率,之后再缩放,适合确保图像重点内容不变的情况。

缩放后填充空白:图像缩放到目标尺寸后,自动填充空白区域,适用于保持原图完整的场景。

预设:这是你保存的自定义设置,可以在生成过程中方便地调用,快速应用常用参数配置。

Lineart应用场景:

lineart的主要的特点就是通过对参考图片的线稿提取,保留了参考图中的大量细节,达到精准控图的目的。所以lineart适用于给图片转换颜色,风格,线稿上色等等对于细节控制还原程度要求高的场景。

三、MLSD (直线)

原理:MLSD通过检测图像中的像素梯度和边缘,识别并提取直线段。

作用:MLSD用于从图像中提取直线结构,特别适合建筑、道路等场景,帮助生成有准确线条和透视效果的图像。

预处理器:mlsd

用于生成具有明显线条的场景,特别适合建筑、道路等具有明确直线特征的图像。它可以精确提取直线,用于指导图像生成过程中的线条结构。

预处理器对比图:

预处理器生成对比图:

参数:同Lineart

应用场景:

相对于其他预处理器来说,它更加适合应用于室内设计、建筑设计等物体都是较为规则的应用场景。例如,在室内设计中,当客户对你的效果图不满意的时候呢,我们就可以利用mlsd,识别房子的框架结构,辅助提示词快速产出效果图

四、SoftEdge (软边缘)

原理:通过提取图像中较为平滑和柔和的边缘信息,保留图像的主要轮廓和结构,同时过滤掉尖锐的或过于明显的边缘特征。

作用:在图像生成过程中可以用来保持较为自然的边缘线条,使得生成的图像轮廓柔和流畅,能够保留更多的细节,同时避免生成过度锐利的边缘。

预处理器:

  • HEDpidinet是两种不同的边缘检测算法,HED适合整体边缘检测,而pidinet更精细,适合像素级别的边缘检测。
  • 保守算法(hedsafe和pidisafe)用于减少检测强度,避免过多的边缘信息。
  • TEED算法侧重于高效边缘检测,适合性能要求高的场景。

预处理器对比图:

预处理器生成对比图:

提示词:(masterpiece:1.3),((best quality)),1girl,yellow hair,black skirt,
(因为没有调整参数和权重,生成图片除了最后一个,其他的生成效果并不是很好,这里仅作预处理器生成图对比)

参数:同Lineart

应用场景:

适用于风景、人物等柔和场景。

结语:

今天写得有点糙,如阅读有不理解的地方,可以点赞关注私聊我疑惑,可以再详细讨论!!~

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值