m0_71746299的博客

Stable diffusion的模型除了上述的分类之外，从用途上看，还分为官方模型、二次元模型（动漫）、真实系模型和2.5D模型四大类。4.1 官方模型官方模型有 1.X 和 2.X 两个大版本，目前在 1.X 中官方发布的有四个版本，分别是v1-1、v1-2、v1-3、v1-4。

今天分享一个2025年利用AI快速赚钱的副业项目，轻松月入1万+，还记得之前那个AI“高铁口罩娘”的视频吗？它瞬间引爆全网，至今仍让人记忆犹新。而说到“美女”这一话题，无论在哪个平台，她们都是流量的代名词。最近又有一位AI“胶带裙女神”横空出世，引发了新一轮的热潮。这条胶带裙的设计堪称大胆而独特，黄橙色的胶带在裙身上闪闪发光，瞬间吸引了无数目光。一时间“胶带裙女神”成为了新的流量密码！其实利用“美女”账号进行变现早已不是什么新鲜事。爱美之心，人皆有之，而美女账号的巨大流量也早已被众人所熟知。

通过本节内容，我们已经详细讲解了ControlNet插件的安装步骤，包括从Stable Diffusion界面和GitHub下载安装，以及模型和预处理器的安装。下节内容，我们将正式开始讲解ControlNet插件的使用方法。希望这篇文章能帮助你顺利完成ControlNet插件的安装。新手资源包文末获取哦~

像素风设计一直是一股潮流，现在有了AI绘画工具Stable Diffusion，画像素画从来没有这么简单。今天我就教你如何用SD画出好看的像素画，无论是用来做头像还是设计素材甚至用来当做游戏动画资产都可以。**/**AI绘画的本质在提示词，不借助特定的模型只用基础模型，只要提示词写对了你也能获得想要的风格，因此我们需要知道哪些词语可以让AI明白并清楚地画出像素风格图画。现在给大家一些像素风例图（只用SD的基础XL模型生成）我们来看一下这些提示词有什么共同之处。

图片的插画转绘有很多种不同的风格，今天我们分享另一种制作方法。我们先看一下效果图。*【第一步】：**大模型的选择**这里推荐使用：helloFlatArt扁平画风模型下载地址（文末也可获取）*【第二步】：**提示词的编写**图片信息可以通过WD1.4 标签器标签反推。：(杰作)，(最佳质量)，平面插图，无人，风景，户外，房子，建筑相关参数设置*【第三步】：Loar模型的设置**该lora模型特别适用于自然风景，人文城市等场景。无需触发词，权重建议0.8。0.7或以下影响扁平化，不过风格也还不错。

近期，MX绘画再次进行了更新，首先，MX绘画改回原名SD绘画，其实SD风格的更新为用户提供了更多的风格选择。SD风格再次更新多种风格，这可能意味着在已经混合和创新的基础上，进一步探索和整合更加前沿或者异域的设计元素。这种更新能够让SD风格保持其动态和适应性，反映出当前文化、技术和艺术的最新趋势。最近网上很火的毛毡娃娃大家试过了吗，是不是很可爱，在本次更新中SD模式也更新了毛毡娃娃的风格，一起来看看效果怎么样。效果是不是很不错，那么该怎么使用呢？

今天和大家分享另外一个基于SD1.5的真人大模型：Photo style 小红书纯欲风格自拍 CNvtuberMix。

通过一段时间的实际使用，我们深刻感受到Stable Diffusion在景观设计中的潜力。它不仅帮助我们。

在学习WebUI和ComfyUI起步前，SD各种模型的类别区分及它们的关系、用法总是令我迷惑。最近尝试不同版本的ComfyUI整合包——官方版、LibLibAI版、秋葉版——又遇到了明明是同类模型但配置路径完全不同的情况。

大家好，本次我们主要来讲讲SD的模型和提示词。

我尝试了几个常用的大模型，发现使用和没使用VAE模型的区别并没有那么大。在使用某些模型时，有时候绘制的图片整体颜色比较灰，这个时候可以使用VAE模型对图片的颜色进行矫正。（3）VAE模型只是SD设计中的一个环节，使用VAE实现图片滤镜效果，有时候把图片给PS软件处理可能更方便，因此大家不要局限于工具本身，灵活使用工具快速绘图实现需求目标才是我们真正的目的。不同于LORA模型，VAE模型数量就少很多了，在C站搜索出来的VAE模型就只有11种。（1）VAE模型并不是在所有的大模型中都生效的。

StableDiffusion官方会提供SD模型。除此之外，我们也可以从Civitai上面获取模型。Civitai是目前一个比较成熟的StableDiffusion模型社区，里面拥有几千个模型，以及数十万张附带提示词的图像，这些都让StableDiffusion的学习成本降低了很多。我们目前使用比较多的主要包括2类模型：大模型、[微调模型]

在形状引导的物体修复中，需要生成的物体可以与给定的mask形状很好地对齐。为了实现这一点，作者引入第三个TaskPrompt，记为P_{shape}，训练时通过随机扩张对象分割掩码，并使用P_{shape}和P_{ctxt}之间的插值作为训练的任务提示，建立两种内绘图目标之间的权衡。如网络结构图所示，通过结合这些任务提示以及定制的训练策略，PowerPaint能够在各种修复任务中提供出色的性能，比如文本引导的物体修复、上下文感知的图像修复、物体移除和形状引导的物体修复。