【原创】AI批量生成建筑效果图保姆级教程

最新推荐文章于 2025-04-16 14:46:42 发布

高级绘画师PP

最新推荐文章于 2025-04-16 14:46:42 发布

阅读量1.3k

点赞数 29

分类专栏：设计 SD教程建筑设计文章标签：人工智能开源 stable diffusion AI作画 AI绘画模型 midjourney

本文链接：https://blog.csdn.net/m0_71746299/article/details/146310566

版权

SD教程同时被 3 个专栏收录

194 篇文章

订阅专栏

设计

17 篇文章

订阅专栏

建筑设计

2 篇文章

订阅专栏

今年最火的关键词就是AI了，本期为AI批量生成彩色效果图的保姆级教程

即利用AI来生成彩色平面图，比如室内户型彩平图，建筑效果图，小区彩平图，景观彩平图，插画分析图等。

（ **温馨提示：**全文4125字）包含SD的使用方式，批量生成彩平教学和SD参数原理和设置，AI出图的缺陷，最后是关于AI取代设计师的个人感想）

目前最常用的AI工具为Stable Diffusion和Midjourney。前者出图可以自定义效果，后者则相对随机，达不到具体的成像效果。本期教程主要围绕Stable Diffusion展开。

Stable Diffusion的定义

简而言之，Stable Diffusion（简称SD）是一种人工智能生成图像的软件。通过输入文字描述，SD能够生成对应的图片，无需像以往那样需要手工"绘制"或"拍摄"照片。

下图为利用SD将薯片盒生成的建筑效果图，上面的首页图也是SD生成的

Stable Diffusion的三种使用方式

1、本地部署软件（哔站搜秋叶有一键安装的整合包），对显卡有要求

2、云端部署(如揽睿星舟），需要购买服务器，成本高

3、SD的国产的****在线平台,主要的平台如下（推荐方式）

哩布哩布：*（特别推荐模型多）*

https://www.liblibai.com

esheep电子羊：*（含工作流模式）*

https://www.esheep.com

吐司：*（有微信小程序，手机可用)*

https://tusiart.com

触手AI:

https://douchu.ai

civitai：*（需要科学工具）*

https://www.civitai.com

全网最细致的喂饭级教程，快跟着卞工，一起来学习吧↓正式开始

出图的·1
）

）

登陆哩布哩布： https://www.liblibai.com（特别推荐模型多）

下图以户型图为例子

在网站上调整为下图的SD参数设置，大模型为老王的建筑模型，vae为84000，

正面提示词：

interior plan,above top view,wall,door,window,white background,advanced graytone,extremelydetailed,bestquality,masterpiece,high.resolution,Photorealism,Hyperrealistic,Realistic,8K,corona render,octane render,3ds max,

（室内平面图，俯视图，墙，门，窗，白色背景，高级灰色调，非常详细，质量最好，杰作，高分辨率，照片真实感，超现实主义，真实感，8K，电晕渲染，辛烷值渲染，3ds max，）

负面提示词：

ng_deepnegative_v1_75t,(badhandv4:1.2),EasyNegative,(worst quality:2),

**迭代步数：**20（15-35之间为常用区间）

**图片数量：**4（非会员用户可以选3，一次出多张，更好挑选）

随机种子：-1

ControlNet上传我们的建筑图纸，选择Lineart(线稿）或者Canny（硬边缘）可以采集白色建筑底图的墙体和家具等具体轮廓来，固定我们选择保留原图的特点来生成我们想要的效果。

最后点击开始生图就可以了是不是很简单，下面就是如何SD生成以上效果图的原理，包括各项参数的含义和用法，和大家一起学习探讨。文末可以留言，本站免费提供学习资料和交流技术共同进步。

这里我口头化描述：各项参数的含义，大模型相当于相机，不同的相机成像差别很大，比如小型运动相机和影视摄影机。大模型有人像写实类和动漫游戏类，建筑空间类，扁平抽象类，手绘国画类，IP潮玩类等等

本期用的是建筑空间类老王的大模型。

人像写实类：

动漫游戏类：

建筑空间类：

大模型：CHECKPOINT

SD能够绘图的基础模型，因此被称为大模型、底模型或者主模型，WebUI上就叫它Stable Diffusion模型。安装完SD软件后，必须搭配主模型才能使用。不同的主模型，其画风和擅长的领域会有侧重。checkpoint模型包含生成图像所需的一切，不需要额外的文件。

AI生成景观图

风格化滤镜：LORA

全称是Low-Rank Adaptation of Large Language Models 低秩的适应大语言模型，可以理解为SD模型的一种插件，和hyper-network，controlNet一样，都是在不修改SD模型的前提下，利用少量数据训练出一种画风/IP/人物，实现定制化需求，所需的训练资源比训练SD模要小很多，非常适合社区使用者和个人开发者。LoRA采用了一个办法，仅训练低秩矩阵（low rank matrics），使用时将LoRA模型的参数注入（inject）SD模型，从而改变SD模型的生成风格，或者为SD模型添加新的人物/IP。

AI生成效果图

提示词（咒语）：Prompt

通过提示词的描述来生成想要的图像效果，又细分为正面提示词和负面提示词，正面提示是想要出现的内容，负面则是不想出现的内容，提示词间用逗号来分隔

哩布哩布自带正反提示词库

AI生成插画风效果

采样器（采样方法）

所谓采样器，就是用于在生成图像的过程对图像进行去噪声的方法。

采样器的选择依赖于特定的需求，如生成速度、图像质量或特定风格的偏好。例如当需要快速出图看模型效果时，可选择 Euler 和 Heun 方法类型采样器，而当需要精细出图时，可选择 DPM++ 等采样器。

早期经典采样器

**LMS：**ODM求解器，线性多步法。速度与Euler相近，但质量不如Euler。
**LMS Karras：**ODM求解器
**Heun：**ODM求解器，是Euler的改进算法，画质更好，但速度慢一倍。
Euler：ODM求解器，简单直接，可收敛——能产生最终稳定图像。
Euler a：ODM求解器，不收敛——最终图像具有一定幅度随机性。
**DDIM：**SD刚问世时的内置算法。
**PLMS：**SD刚问世时的内置算法。

Euler与Euler a的差别的“a”是祖先采样器，产生的画面不收敛。当Euler在合适的步骤下图像逐渐收敛产生一个稳定的图像结果。而Euler a在每一步骤下都添加随机噪声，因此产生的图像具有一定随机偏差。

DPM采样器DPM采样器名字中的名字释义

StableDiffusion中绝大部分都是DPM算法。二代算法相比于一代算法，质量有所提升但需要更多的时间和迭代步数，通过增加一代算法的迭代步数也能达到相同的质量效果。

**DPM2：**DPM二代算法。画质提升有限，渲染时长增加一倍。
**DPM2a**：****DPM二代算法。画质提升有限，渲染时长增加一倍。
DPM++2S a：DPM一代算法。
**DPM++2S a Karras：**DPM一代算法。优化算法，8步之后噪点更少。
DPM++2M：DPM一代算法。收敛速度快，质量好。
DPM++2M Karras**：**DPM一代算法。强烈推荐，优化算法。
DPM++SDE：DPM一代算法。
DPM++SDE Karras**：**DPM一代算法。高画质，速度慢，不收敛。
**DPM++2M SDE：**DPM一代算法。2M与SDE中和，速度较快，不收敛。
DPM++2M SDE Karras**：**DPM一代算法。优化算法，同上。
**DPM++2M SDE Heun：**DPM一代算法。
**DPM++2M SDE Heun Karras：**DPM一代算法。优化算法，同上。
DPM++3M SDE：DPM一代算法。
DPM++3M SDE Karras**：**DPM一代算法。30步以上低CFG值效果好。
**DPM++3M SDE Exponential：**DPM一代算法。同上。
DPM++2M SDE Exponential**：**DPM一代算法。画面柔和，不收敛。
**DPM2 Karras**：****DPM二代算法。画质提升有限，渲染时长增加一倍。
**DPM2 a Karras**：****DPM二代算法。画质提升有限，渲染时长增加一倍。
**DPM++2M SDE Heun Exponential：**DPM一代算法。
**DPM fast：**DPM一代算法。几乎不能生成想要的图像。
**DPM adaptive：**自适应渲染，无视采样步数。质量好但渲染时间过长。

DPM采样器名字中的名字释义

Karras是优化算法，它们在采样8步之后，比同名算法噪点更少。

2S代表单步算法。2M代表二阶多步算法。与2S相比增加了相邻层之间的信息传递。2M是2S的升级版本。3M是v1.6版本新增的算法，迭代步数到30+、CFG值减小后达到质量最佳。

SDE是随机微分方程，调用祖先采样，表现不收敛特性。没有多步算法加持生成图像较慢，可以生成逼真的写实风格画面。

Exponential是指数算法，细节少一些但是画面更柔和、干净。渲染时间与SDE和2M相接近。

新采样器

UniPC：统一预测校正器，收敛快，10步左右产生可用画面。
Restart：每步渲染时间长，比UniPC更少的采样步数就能生成不错的画面。AI生成总图彩平图效果

Controlnet插件

是针对 Stable Diffusion 模型开发的一种功能扩展插件，它允许用户在文本生成图像的过程中实现更为细致和精确的控制。该插件使得用户不仅能够通过文本提示（prompt）指导模型生成图像，还能添加额外的输入条件，比如控制图像的构图、颜色、纹理、物体位置、人物姿势、景深、线条草图、图像分割等多种图像特征。通过这种方式，ControlNet 提升了 AI 绘画系统的可控性和灵活性，使得艺术创作和图像编辑更加精细化。

Canny边缘检测算法能够检测出原始图片中各对象的边缘轮廓特征，提取生成线稿图，作为SD模型生成时的条件,该模型能够很好的识别出图像内各对象的边缘轮廓。

Depth算法通过提取原始图片中的深度信息，能够生成和原图一样深度结构的深度图。其中图片颜色越浅（白）的区域，代表距离镜头越近；越是偏深色（黑）的区域，则代表距离镜头越远。

OpenPose算法包含了实时的人体关键点检测模型，通过姿势识别，能够提取人体姿态，如人脸、手、腿和身体等位置关键点信息，从而达到精准控制人体动作。除了生成单人的姿势，它还可以生成多人的姿势，此外还有手部骨骼模型，解决手部绘图不精准问题。

Tile高阶放大算法和超分算法部分类似，能够增大图像的分辨率。但不同的是，在增加图像分辨率的同时，还能生成大量的细节特征而不是简单地进行插值。

Reference预处理器能够直接利用现有的图像作为参考（图像提示词）来控制SD模型的生成过程，类似于inpainting操作，从而可以生成与参考图像相似的图像。与此同时，在图像生成过程中仍会受到Prompt的约束与引导。

AI生成总图彩平图效果

最后：说下总结吧，总体来说出的图，观感上看像那么一回事，但是外行看热闹，内行看门道，其实有很多细节都不尽人意，比如总平图含有不需要的光影信息，建筑效果图具体的建筑材质无法固定，户型图内每个房间的铺装材质无法确定，还有不需要的家具信息，插画图里面人都变成了树，小区彩平图的球场无法锁定材质等等。很多信息都是AI根据模型推理呈现的，很难都达到自己的需求，更别说甲方了。

但是相信未来，技术迭代后，模型对物理世界的理解越来越深刻，以上问题会逐步解决。AI的效果图后可以反哺自己对项目的理解认识，AI对建筑一些新材质的天马行空的运用，也可以提高设计师的灵感，原来用这个材料，最终项目交付后是这个效果。目前最大的好处就是效率，只要几十秒就可以生成好几张自己项目的彩平图，这个是以前绝对做不到的，这对设计师的生产力是极大的提高。

**
**

最后关于AI能否取代设计师，我来说一下自己的想法

1、AI能否达到人类设计理念的深度、人与建筑和自然的理解、视觉和构图的创意

2、AI能否三维建模的准确性，具体的建筑体块和甚至家具是否能准确体现

3、AI图的材质和纹理的质量，能否取代原始的3D或其他建模渲染软件的质量

4、**AI的技术依赖性和成本方面，**现有物质生产资料的水平能否满足AI对硬件的强制需求，高昂的显卡和算力成本，对AI的普及拓展也是钳制因素

5、AI数据对训练数据的依赖，AI在很大程度上依赖于训练数据的质量和多样性。如果训练数据有限或存在偏差，AI的输出可能会受到影响

等这些方面

以上就是本期文章的全部内容了，谢谢观看，欢迎大家在后台沟通交流。