SD教程 ControlNet 之MLSD 室内设计

你是否已经厌倦了传统的室内设计方式，想探索新方法来增强作品设计感？本期小编就同大家分享一个新武器，用Stable Diffusion的ControlNet来打造一个室内设计全新工作流。无论你是经验丰富的室内设计师还是初学小白，都将使你的日常工作如虎添翼、告别爆肝，焕发出令甲方爸爸们赞叹的设计感。
在这里插入图片描述

ControlNet将毛坯房照片转换为高清室内装饰效果图

ControlNet介绍

ControlNet是一种通过添加额外条件来控制扩散模型的AI神经网络结构，它提供了一种增强稳定扩散的方法。在文本生成图像的过程中，使用诸如涂鸦、边缘映射、分割映射、pose关键点等条件输入，可使生成图像更接近输入图像，对比传统图像到图像的生成方式有大幅的改进。

对初识Stable Diffusion的小伙伴们来说，看到ControlNet有这么多预处理器选项，一定很抓狂。
在这里插入图片描述

是的，随着ControlNet插件的不断更新，在v1.1.227版本，已经内置了15种预处理器。但没关系，为了方便大家使用，小编对每种预处理器的功能给出了简单的描述，并会在后续的分享中结合实例，演示具体的使用方法：

○ **Canny 硬边缘：**黑色背景带有白色边缘的单色图像；

○ **Depth 深度：**灰度图像，黑色代表深区域，白色代表浅区域；

○ **Normal 常规：**法线图，表示物体的凹凸纹理，常用在3D模型的绘制上；

○ OpenPose 姿态**：**生成角色动作姿态的骨架图；

○ **MLSD 直线：**黑色背景上带有白色直线的单色图像；

○ **Lineart 线稿：**黑色背景上带有白色线稿单色图像；

○ **SoftEdge 软边缘：**黑色背景上带有白色软边缘的单色图像；

○ Scribble 涂鸦**：**黑色背景上带有白色轮廓的手绘单色涂鸦图像；

○ **Seg 语义分割：**根据原图中不同素材以相应颜色进行区分的彩色图像；

○ **Shuffle 随机洗牌：**通过使用随机流的方式来洗牌原图像，在控制稳定扩散的前提下重构出新图；

○ **Tile 分块：**将原图分割为一块一块的小区域(Tile/瓦块)，然后分别对每个瓦块进行图生图放大，最后集合所有放大后的瓦块，拼成完整的大图;

○ **Inpaint 局部重绘：**用于蒙版部分重绘，能在统一整体效果的前提下，补全蒙版部分的内容;

○ **IP2P 像素对像素指令：**该模型会自动识别像素对应提示词与新输入提示词的关系，并选择性的向新提示词迁移；比如把图片的光照调暗，让白天变为夜晚，在正向提示词中加入（make it night:1.3）、（night:1.3）即可；

○ **Reference 参考：**根据给定的参考图，画同一张图，但是有一定的变化，常用来保持人物角色的一致性；

○ **T2IA 自适应：**提取图片色彩或边缘，用于风格迁移；

到这里小编感觉一定有很多小伙伴们要开始抱怨了，这么多的预处理器，用哪个啊。别担心，本篇中的演示只会运用到两种最具代表性的预处理器，MLSD（直线）和Seg（语义分割），选择它们两个，并按照小编的步骤，即便你只有一张随手拍摄的毛胚房照片，也能完成一副有高级既视感的室内装饰效果图。光看文字有点晦涩，让我们先来看下这两种预处理器的实际效果。

在这里插入图片描述

可以看到两种预处理器的处理方式完全不同，接下来就告诉大家具体的使用步骤。

MLSD的使用方法

在日常设计流程中，根据不同的需求，可选择不同的预处理器，也可将几种预处理器组合在一起使用。比如，只想保留原图中屋子的结构线，不需要地毯、家具装饰等细节，而是让AI去自由发挥这些，那么MLSD预处理器就很适合。

首先用手机拍摄一张毛胚房照片，并将照片文件导入ControlNet中；
控制类型选择MLSD（直线），系统会自动把预处理器和模型都设置为MLSD对应的选项；
然后点击启用（让ControlNet生效）、低显存优化（GPU显存8G以下推荐开启）、完美像素****模式（Pixel Perfect），允许预览（Allow Preview），最后点击中间的“爆炸”按钮，就可以预览预处理器生成的线稿图。

勾选“完美像素模式”系统将会自动检测底图像素。相较未开启，生成的预处理图线条会更加细致，这边推荐大家开启哦！

最后我们也可以调整**“MLSD Value Threshold”和“MLSD Distance Threshold”**来改变图片线条的细节程度，这两个参数大家可以理解为调整线条的细节程度。

到这里ControlNet的参数我们已基本设定好了。接下来便是调整Stable Diffusion的基础参数。Stable Diffusion的基础参数设定并不是固定的，更多是靠各位设计师通过尝试各种创意，绘制出最适合的风格。这里小编就手把手教大家如何设置Stable Diffusion的基础参数。

首先设置Stable Diffusion模型，模型风格有很多种，比如二次元、写实风、插画、中国风等，小编推荐采用以下四个写实类风格的常用模型：

○ anything-v4.5

○ realisticVisionV20

○ PrimeMix_V2.1

○ chilloutmix_NiPrunedFp32Fix；

接下来是输入正向提示词和反向提示词：

○ **正向提示词包括：**best quality, ultra high res, 8K, Interior Design, Warm, simple, High-rise landscape；

○ **反向提示词包括：**low quality，worst quality，bad anatomy，bad composition；

接着我们设置采样迭代步数Ste****ps，默认为20，视不同图片尺寸和Stable Diffusion模型而定，通常设置在15-40左右，小编用10、15、20、25四个参数做演示。

最后设置采样方法Sa****mpler，从界面中可选择的采样方法类型有很多，不同的采样方法生成图片的过程各不相同，这里小编列举了四个常用的采样方法：Eulera、DPM++ 2S a Karras、DPM++ 2M Karras、DPM++ SDE Karras。

到这里设计师们可能会问，上面列了那么多组参数，生成的图片都有啥区别呢？

要回答这样的问题，少不了各种模型间的对比测评。如果使用中低阶GPU卡来完成这类对比测评任务，可能要花好几个小时。但作为LoveGPU的小编，当然要好好利用一下平台的资源优势，给大家带福利咯。使用地表最强出图卡Nvidia GeForce RTX 4090，短短十几分钟，小编就完成了这组测试。下面就给大家看一下anything-v4.5、realisticVisionV20、PrimeMix_V2.1、chilloutmix_NiPrunedFp32Fix四种模型的对比效果。

在这里插入图片描述
anything-v4.5

在这里插入图片描述

通过对比可以看出，不管是哪个参数都对出图的效果和质量有一定程度的影响。有了完整的测试效果支持，最终小编推荐选择下面这组Stable Diffusion参数设置：

○ **StableDiffusion模型：**majicMIX_realistic_麦橘写实_v7 ；

○ **正向提示词：**best quality, ultra high res, 8K, Interior Design, Warm, simple, High-rise landscape；

○ **反向提示词：**low quality，worst quality，bad anatomy，bad composition；

○ **采样迭代步数（Steps）：**25；

○ **采样方法（Sampler）：**DPM++ SDE Karras；

最后一步是调整图像分辨率，点击预处理图下方最右边的箭头符号。

在这里插入图片描述

可以看到Stable Diffusion基础参数里的宽度和高度已经和ControlNet中放入的图片尺寸同步了。

现在所有的参数都调好了，让我们来看一下出图效果吧！
realisticVisionV20
在这里插入图片描述
majicMIX_realistic_麦橘写实_v7

哇！甲方爸爸梦想中的大平层出现了，还不错是吧！但房间有点空哦，能放些家具进去就更好了。那么如何添加家具呢？这就与下面要介绍的控制权重（Control Weight）和关键词填写有关。

先解释一下**控制权重（Control Weight）的作用，权重越高则代表被原图约束越强。如果我们需要AI帮我们自由发挥一下，通常会适当地减低权重值，当然如果权重太小了，则会距离原图效果越远。通过以下的几组图例，大家可参考一下控制权重（Control Weight）**对出图效果的影响。

在这里插入图片描述

通过对比，我们更能直观感受到当权重设置越低，AI的创造力更强。上图权重为0.1时，生成的图片与原图基本无关；当权重逐渐提升，生成的图片与原图越来越接近。小编我希望AI为我们在图中添加沙发和地毯，因此我们适当的降低权重到0.7。

接下来我们看下关键词对出图的影响。在正向提示词中添加sofa****（沙发），carpet**（地毯）。点击生成后，我们可以看到地毯已经生成出来了，但是沙发并没有生成出来。看来关键词sofa被忽略了，我们需要提高关键词sofa的权重值。鼠标选择sofa关键词，按住ctrl键+方向键上，就可以提高关键词的权重值。现在将关键词sofa权重提升到1.3**，沙发就生成出来了。
在这里插入图片描述

在这里插入图片描述

然而，单靠关键词帮我们添加家具，最后摆放的位置往往是随机的。如果我们要在指定的位置安放家具，可用Photoshop甚至手绘的方式来先自行修改**MLSD（直线）**图，这样就能按照自己的想法来设计房间布置了！是不是已经迫不及待地想要给房间添加新家具了？小编来为大家简单演示一下。

右键保存**MLSD（直线）**图，将保存的图片导入Photoshop。然后在需要的位置简单勾勒出床的轮廓，大家也可以根据自己的喜好画，并不需要画的非常细致，只要大致描绘出轮廓就行了。

在这里插入图片描述

将绘制好的图片重新拖到ControlNet中，把关键词sofa改为bed，因为这已经是预处理好的图片了，所以预处理器选择none。这次，我希望生成图片的布局和我修改过的MLSD（直线）图一致，所以我把控制权重调高至1。

在这里插入图片描述

现在设置完毕啦，点击生成让我们来看一下设计效果吧！
在这里插入图片描述

可以看床已经放到我们想要的位置，而且生成图片的内容和结构都遵循了手动修改过后的线稿图。看到这里，我相信大家已经理解了ControlNet中**MLSD（直线）**的用途和使用方法了！但到这里还仅仅是本篇的一半内容，后面更精彩哦。

Seg语义分割的使用方法

我们知道MLSD是通过线条去识别物体的。大家有没有想过，当两件物体的外形是一样的，比如一个衣柜和一个冰箱，它们都是长方体，仅仅通过线条来识别，并不能很好的区分它们。显然，此时仅有MLSD已经无法胜任了，这时就需要用到Seg（语义分割）, Seg可分割并用颜色标记原图物体，通过颜色对应物体的方式来引导Stable Diffusion生成希望获得的物体。以下小编就为大家介绍Seg的具体使用方法。

1.保存刚才生成的效果图，将它重新导入ControlNet中；
在这里插入图片描述

2.控制类型选择Seg（语义分割），在预处理器栏中我们可以看到有**seg_**ofade20k、seg_ofcoco、seg_ufade20k三种预处理器可供选择。

在这里插入图片描述

seg_ofade20k和seg_ufade20k都使用了ADE20k协议，所以这两种预处理器识别图片中素材所用标记颜色是相同的。区别在于它们采用了不同的算法：OneFormer算法会在颜色不同处使用白线分割；而UniFormer算法没有分割线。

seg_ofcoco则采用了COCO协议，所以它的标记颜色和ADE20k协议有所区别。另外它采用了OneFormer算法，因此在颜色不同处也会有白线分割。

光看文字比较抽象，小编直接上效果图：
在这里插入图片描述

从三种预处理器的效果来看，都可以很好地分割原图中的各类素材区域。

这里小编选择预处理器seg_ufade20k，点击启用、低显存模式（GPU显存8G以下推荐开启）、完美像素模式（Pixel Perfect）、允许预览（Allow Preview），点击“爆炸”按钮，我们可以看到图片中各素材已用不同的颜色标记出来了；
这里小编分享一个ADE20k协议的色号表，里面记录了不同的颜色所对应的材质或物件，大家也可以到LoveGPU官网内下载并使用。
现在我们想在床边添加一张桌子，先保存S****eg预处理效果图，并将其导入Photoshop，简单画出桌子的轮廓，颜色参考ADE20k色号表，选择将第34行“desk桌子”，将它的色号**#0AFF47**复制出来，填充进轮廓中。