ControlNet
一种用于精确控制AI图像生成模型输出的技术，可以通过额外的条件输入（如边缘检测、姿态骨架等）来控制生成图片的构图和姿态
核心事实
时间轴 (近 90 天)
ControlNet 是 Stable Diffusion 的一个扩展控制模块，2023 年由 lllyasviel 提出。
视觉锚点是指以图像作为参考帧或风格引导来约束 AI 生成内容的构图、色调和主体形态，通过图生视频技术将首帧或关键帧固定下来以提升可控性。
精确控制生成式模型的线条粗细、配色或构图网格需要额外引入条件控制手段，如 ControlNet 或 LoRA 微调。
边界框布局控制通过区域掩码与位置嵌入将文本加坐标描述注入扩散模型，不依赖参考图像，与 ControlNet 的深度图/边缘图引导机制不同。
零门控是一种残差注入技巧：将新分支输出乘以初始化为 0 的可学习门控系数，再加到主分支上。
ControlNet 支持多条件叠加，但每增加一个条件都会提升计算开销，实践中建议按需启用 1–2 个条件图。
生产环境典型图像生成流程为：低分辨率探索构图，然后用 ControlNet 约束姿态与结构，最后通过局部重绘修复易错区域。
SDXL（RealVisXL V5.0）加 ControlNet canny/depth 能逐帧精确保留姿态并几秒内产出写实结果，但对输入错误同样忠实（灰色占位器械、手未抓杠都会被复制），且超过77个token的提示词会被静默截断。
ControlNet 是 Stable Diffusion 的一类扩展网络，把额外的条件图（如canny边缘图、depth深度图）作为空间约束注入生成过程，保留原图结构并重绘风格。
行业应对AI图像编辑的路径包括：可控生成技术（如ControlNet、IP-Adapter）、专用inpainting模型、浏览器端轻量工具三条路径，TextRaze属于第三条路径。
还有 40 条时间轴事件
全部知识事实 (20)
ControlNet是2023年由斯坦福大学研究者提出的条件控制网络，在原有扩散模型旁边附加了一个可训练的控制分支
90%已验证ControlNet用于控制AI图像生成的姿态和构图，LoRA微调用于定制特定风格或人物
75%已验证ControlNet是一种条件控制架构，允许用户通过深度图、边缘图、人体姿态等辅助信号控制生成内容的空间结构
70%已验证ControlNet由斯坦福大学张吕敏于2023年提出，通过提取参考图的骨骼姿态、边缘线条或深度信息作为条件信号控制生成图像布局
70%已验证基于扩散模型的人脸替换与驱动技术只需少量参考图像即可将目标人物的面部特征迁移到任意视频素材上
65%已验证图生视频时将第一张图设为起始帧、第二张图设为结束帧，让 AI 视频模型自动补全过渡动画，这种技术在学术上称为视频插值（Video Interpolation）
65%已验证IP-Adapter和ControlNet等技术可用于将角色面部特征编码为参考向量，注入到后续生成过程中实现跨镜头人物锁定
65%已验证ControlNet能够接受骨骼关键点、深度图、边缘图等结构化信息作为扩散模型的额外条件
65%已验证ControlNet由张吕敏于2023年提出，通过在预训练扩散模型上附加额外的条件控制分支，支持边缘线稿、深度图、人体骨骼姿态、语义分割图等多种结构化输入来控制生成图像的构图和空间布局
65%待验证WanVideoWrapper 支持与 ControlNet、IP-Adapter 等节点联动使用
90%待验证现代角色动作迁移技术基于扩散模型，通过ControlNet等条件控制机制将姿态骨骼图作为额外条件输入，利用IP-Adapter等技术保持外观一致性
90%待验证首尾帧控制的原理是将参考图像编码为条件向量，在扩散模型的去噪过程中持续注入条件信号，其作用类似于ControlNet但扩展到了时序维度
85%待验证深度重绘通过ControlNet将深度图注入生成过程，以保留前景与背景的空间层次关系和透视关系
85%待验证AI生图工具的「参考图引导」功能通常借助ControlNet或IP-Adapter等技术实现
85%待验证Stable Diffusion开源意味着任何人可下载模型、在本地显卡运行，并训练LoRA微调模型或使用ControlNet实现构图控制
70%部分验证ControlNet等控制技术允许用户通过边缘图、深度图等条件输入精确控制构图
65%待验证深度通道记录场景中每个像素到摄影机的距离，通常以灰度图呈现，可作为ControlNet等条件控制机制的输入信号引导AI生成空间结构
60%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
60%待验证ControlNet通过引入额外条件分支（如边缘检测图、深度图、人体姿态骨架）让用户在生成过程中施加精确的空间约束
60%待验证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
60%