待验证60% 置信事实精确时间
ControlNet通过零卷积层将预训练的Stable Diffusion与条件分支连接，允许通过额外条件输入精确控制生成结果
2
来源数
60%
置信度
长期有效
时效性
2026/8/10
首次发现
来源
相关事实
待验证该模型的门控机制以网格本身为输入，为每个顶点生成权重，再将各专家的输出重新组合，且过程完全端到端可学习，不需要人工指定频谱划分阈值68% 相似待验证ControlNet由张吕敏等人于2023年提出，通过在预训练扩散模型旁附加一个可训练的编码器分支，接收边缘图、深度图、语义分割图等空间条件信号来控制生成图像的结构布局68% 相似已验证微调（Fine-tuning）通过反向传播算法在预训练权重基础上继续更新参数，使模型适应特定领域或任务风格67% 相似待验证ControlNet由Zhang等人于2023年提出，通过复制扩散模型编码器权重并加入零卷积层，使深度图、边缘图、骨骼姿态图等条件信号精确控制生成结果67% 相似待验证零初始化QKV扩展将新增维度对应的权重初始化为零，使适配训练开始时模型行为与扩展前完全一致66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/723119API
curl https://kongchang.com/api/v1/knowledge/claims/723119MCP
get_claim(id=723119)