Z-Image ControlNet 姿态/深度/线稿控制指南

掌握三种核心结构控制模式，让 AI 图像生成既遵循你的构图意图，又保持模型原生风格。

---

一、引言：ControlNet 如何分离"风格"与"结构"

在 AI 图像生成中，一个永恒的难题是：如何让模型既听话（遵循你的构图），又不失去自己的风格？

ControlNet 的答案很简洁——把风格交给提示词，把结构交给控制信号。

ControlNet 通过额外的条件输入（结构提示）来引导 AI 的生成方向，同时保留模型的原生风格。这意味着你可以用一张参考图来控制生成的构图、透视、姿态，而最终出片的画风仍然由你的 Prompt 和底模决定。

在 Z-Image（ComfyUI）工作流中，这一能力通过 QwenImageDiffsynthControlnet 节点实现，配合 ImpactSwitch 节点即可在多种控制模式间自由切换。

---

二、三种控制模式详解

ControlNet 提供了多种预处理器（Preprocessor），每种提取的结构信息不同，适合不同的使用场景。本文聚焦最常用、最实用的三种：

深度估计（Depth）

Depth 预处理器通过单张输入图像估算每个像素的 3D 距离信息，生成一张灰度深度图——近处更亮，远处更暗。

它保护什么？

• 相机距离（景深关系）
• 大型物体的轮廓与体块
• 源图中的透视关系，包括那些"别扭"的透视角度

它不关心什么？

• 颜色、纹理、材质细节
• 人物的具体姿态（除非姿态影响了整体轮廓）

典型表现： 源图中的透视畸变会被保留，这正是 Depth 的特点——它忠实地传递空间结构，不做美学修正。

边缘检测（Canny）

Canny 预处理器提取图像中清晰、干净的轮廓线条，完全忽略内部纹理。

它保护什么？

• 物体的外轮廓和内部结构线
• 线条的走向与交点

它不关心什么？

• 颜色、明暗渐变、材质
• 深度信息和空间层次

关键特点： Canny 在中等强度下对线稿控制非常可靠，但在高强度下容易变脆（brittle）——线条过于生硬，模型"被迫"贴合每一条线，导致画面僵硬、细节失真。

姿态估计（Pose）

Pose 预处理器将人体映射为关节点和骨骼连线（OpenPose 格式），用彩色线条标注关键骨骼结构。

它保护什么？

• 人体的整体节奏感（身体韵律）
• 四肢的位置与角度
• 关节之间的相对关系

它不关心什么？

• 面部 likeness（不会保证"像某个人"）
• 衣物的褶皱与细节
• 非人物体的结构

关键认知： Pose 控制的是"身体在空间中的节奏"，而非"具体长什么样"。它非常适合角色姿态设计，但不要指望它解决面部相似度问题。

对比总表

特性	Depth（深度）	Canny（线稿）	Pose（姿态）
提取的信息	3D 距离/空间结构	轮廓线条	人体关节骨骼
最擅长	建筑、场景透视	线稿转绘、草图细化	人物姿态设计
保留透视？	✅ 忠实保留	❌ 不关心透视	❌ 仅保留人体比例
忽略纹理？	✅	✅	✅（仅关注人体）
高强度风险	空间感过度固化	线条僵硬、画面变脆	姿态过正、不自然
推荐起始强度	0.5–0.6	0.4–0.6	0.5–0.7
非人物体有效？	✅	✅	❌

---

三、何时使用哪种模式？

选 Depth 的场景

• 建筑/室内设计可视化：保留空间透视和物体比例关系
• 场景重建：从照片生成同一视角的不同风格渲染
• 产品渲染：保持产品与环境的深度关系
• 透视矫正需求低时（Depth 会保留源图透视，包括不理想的视角）

选 Canny 的场景

• 线稿上色/风格转换：将手绘草图转为成品
• 结构精确复刻：需要严格遵循轮廓线的场景
• 图标/LOGO 生成：需要精准边缘控制
• 从简单草图到精细出图的转换流程

选 Pose 的场景

• 角色概念设计：固定人物姿态，尝试不同风格/服装
• 同人创作：用参考姿态生成不同角色的同一动作
• 动态姿势设计：探索人物动作的多种变体
• 多角色场景构图：控制多个角色的站位和动作

决策流程图

需要控制什么？
├── 空间结构/透视 → Depth
├── 轮廓线条/草图 → Canny
└── 人物姿态/动作 → Pose

需要同时控制多个维度？
└── 组合使用（见第七节）

---

四、Depth 工作流（逐步指南）

节点连接

[LoadImage] → 参考图像输入
     ↓
[ControlNet Preprocessor: Depth] → 生成深度图
     ↓
[QwenImageDiffsynthControlnet]
├── 输入：深度图
├── strength: 0.5（起始值）
└── 输出：conditioning
     ↓
[VAEEncode] ← Prompt（风格描述）
     ↓
[KSampler]
├── positive: conditioning (来自 ControlNet)
├── negative: 负面提示词
└── model: 底模
     ↓
[VAEDecode] → [SaveImage]

关键参数

参数	推荐值	说明
strength	0.5	起始值，视需求调整
start_step	0.0	从采样开始就介入
end_step	0.8	在采样后期退出，保留模型自由
preprocessor	Depth	MiDaS 或 ZoeDepth

示例

输入： 一张室内照片
Prompt： cinematic lighting, modern interior design, warm tones, photorealistic, 8k
Strength： 0.55
效果： 输出保留了原始房间的空间布局和透视，但材质、灯光、风格完全由 Prompt 驱动，生成了一张电影级室内渲染。

调整经验：

• 将 strength 从 0.55 提升到 0.7，空间约束更强，但模型风格自由度下降
• 将 end_step 从 0.8 缩短到 0.6，模型有更多后期自由，风格更明显

---

五、Canny 工作流（逐步指南）

节点连接

[LoadImage] → 参考图像/线稿输入
     ↓
[ControlNet Preprocessor: Canny]
├── low_threshold: 100
└── high_threshold: 200
     ↓
[QwenImageDiffsynthControlnet]
├── 输入：Canny 边缘图
├── strength: 0.5（起始值）
└── 输出：conditioning
     ↓
[KSampler] → [VAEDecode] → [SaveImage]

Canny 阈值参数

参数组合	效果	适用场景
low: 100, high: 200	标准边缘提取	通用场景
low: 50, high: 100	更多细节线条	精细草图
low: 150, high: 250	仅保留粗轮廓	简化线稿

示例

输入： 简单手绘角色草图
Prompt： masterpiece, best quality, anime style, detailed character, dynamic pose
Strength： 0.45
Canny 阈值： low 100, high 200
效果： 草图的轮廓被忠实保留，AI 在轮廓内部填充了精致的动漫风格细节——发丝、服装纹理、光影效果。

调整经验：

• strength = 0.4 时，模型有较大自由发挥空间，适合草图转绘
• strength > 0.7 时，线条约束过强，面部容易出现僵硬感
• 对于复杂线稿，适当降低 high_threshold 可减少噪音线条的干扰

多模式切换

使用 ImpactSwitch 节点，可以将同一 ControlNet 节点接入多个预处理器的输出，通过一个开关值动态切换：

[Depth Preprocessor] ─┐
[Canny Preprocessor]  ├→ [ImpactSwitch] → [QwenImageDiffsynthControlnet]
[Pose Preprocessor]   ┘

Switch Index = 0 → Depth, = 1 → Canny, = 2 → Pose

这样无需重新布线即可切换控制模式，大幅简化工作流。

---

六、Pose 工作流（逐步指南）

节点连接

[LoadImage] → 参考图像（含人物）
     ↓
[ControlNet Preprocessor: OpenPose]
├── 检测人体关节
└── 输出：彩色姿态图
     ↓
[QwenImageDiffsynthControlnet]
├── 输入：姿态图
├── strength: 0.6（起始值）
└── 输出：conditioning
     ↓
[KSampler] → [VAEDecode] → [SaveImage]

示例

输入： 一张运动员跑步的照片
Prompt： cyberpunk character, neon city background, dynamic running pose, futuristic outfit
Strength： 0.6
效果： 输出人物的奔跑姿态与参考图高度一致，但角色外观完全变成了赛博朋克风格——完全不同的服装、配色和背景。

调整经验：

• strength = 0.5：姿态约束较宽松，适合探索姿态变体
• strength = 0.6–0.7：标准范围，姿态还原度高且保持自然
• strength > 0.8：姿态过于"僵硬"，人物像被固定住一样不自然

Pose 的局限性

• 面部不受控： Pose 只关注身体骨骼，不处理面部特征。如果需要面部控制，请搭配 IP-Adapter 或 Facial Restoration 节点
• 非人物体无效： Pose 对建筑、产品、动物等非人物体无作用
• 多人物场景： OpenPose 能检测多人，但关节可能交叉混乱。复杂多人场景建议手动清理姿态图

---

七、组合工作流

组合一：Pose + Inpaint（局部重绘）

这是角色创作中最实用的组合之一。

场景： 你有一个满意的角色全身姿态，但面部或服装需要调整。

[LoadImage] → [IP-Adapter / Face Restore] → 面部控制
     ↓
[OpenPose Preprocessor] → 姿态控制
     ↓
[QwenImageDiffsynthControlnet] (Pose, strength 0.6)
     ↓
[KSampler] with [LatentMask] → 局部采样
     ↓
[VAEDecode] → [SaveImage]

工作流步骤：

1. 用 Pose 控制Net固定整体姿态（strength 0.6）
2. 生成完整角色图像
3. 在面部区域画遮罩（mask）
4. 对遮罩区域进行局部重绘（inpaint），调整 facial features 或表情
5. 姿态控制确保重绘后的面部仍然与身体姿态协调

组合二：多个 ControlNet 并行

Z-Image 支持同时使用多个 ControlNet 节点，叠加不同的结构约束。

[Depth Preprocessor] → [QwenImageDiffsynthControlnet] (strength 0.4)
[Canny Preprocessor]  → [QwenImageDiffsynthControlnet] (strength 0.3)
     ↓                    ↓
[Concat Conditioning] → [KSampler]

叠加原则：

• 每个 ControlNet 的 strength 单独设置，总和不应过高
• 推荐的总 strength 上限：1.0（超过则模型失去自由度）
• Depth + Canny 是经典组合：Depth 控制空间结构，Canny 控制轮廓线条

典型组合：

组合	场景	推荐强度分配
Depth + Canny	建筑/产品可视化	Depth 0.4, Canny 0.3
Pose + Depth	角色在复杂场景	Pose 0.5, Depth 0.3
Pose + Canny	角色线稿上色	Pose 0.4, Canny 0.4

组合三：ControlNet + IP-Adapter

ControlNet 管结构，IP-Adapter 管风格/面部，两者互补：

[参考图A - 结构] → [ControlNet Preprocessor] → [ControlNet Node]
[参考图B - 风格/脸] → [IP-Adapter] → [Conditioning]
     ↓                    ↓
[Concat] → [KSampler]

这样你可以用一张图控制构图，用另一张图控制风格或面部特征。

---

八、强度调优指南与进阶技巧

强度基准表

Strength	效果描述	适用场景
0.2–0.3	轻微引导	只需要一点点结构暗示
0.4	宽松控制	草图转绘，保留较多风格自由
0.5–0.6	基线推荐值	大多数场景的起点
0.7	强控制	需要较高结构还原度
0.8	精确锁定	需要严格遵循参考结构
0.9–1.0	极致约束	极易导致僵硬/伪影，慎用

调优流程

Step 1: 从 strength = 0.5 开始
Step 2: 生成 2-4 张，观察结构还原度和风格自由度的平衡
Step 3: 如果结构不够 → 每次 +0.1 上调
Step 4: 如果风格被压制 → 每次 -0.1 下调
Step 5: 找到平衡点后，微调 start_step 和 end_step

进阶技巧

1. 分阶段控制（start_step / end_step）

ControlNet 不必在整个采样过程中全程参与。通过控制介入时间段，可以实现更精细的效果：

start_step = 0.0, end_step = 0.6
→ ControlNet 在前 60% 采样阶段引导结构，后 40% 由模型自由发挥

start_step = 0.2, end_step = 0.8
→ 跳过最初 20%（让模型先建立大致方向），中间阶段介入

经验法则：

• 想要模型更多自由 → 缩短 end_step
• 想要结构更精确 → 延长 end_step，但不要超过 0.9
• 想让模型"先思考" → 延迟 start_step 到 0.1–0.2

2. 预处理后处理

预处理后的结构图（深度图、边缘图、姿态图）可以手动编辑后再输入 ControlNet：

• 深度图： 用灰度编辑器调整局部深度，修正不准确的区域
• Canny 图： 手动擦除不需要的线条，或补充缺失的轮廓
• 姿态图： 用 OpenPose Editor 调整关节位置，摆出参考图中没有的姿态

3. 多尺度处理

对于不同分辨率的输入，预处理效果会有差异：

• 小图（< 512px）： 预处理精度下降，建议先放大再预处理
• 大图（> 1024px）： 预处理精度高但计算量大，注意显存
• 最佳实践： 预处理到 1024px 左右，再送入 ControlNet

4. 常见问题排查

问题	可能原因	解决方案
输出与参考图完全无关	strength 太低 / 预处理器选错	提高 strength 到 0.6，确认预处理器
画面僵硬、细节丢失	strength 太高	降到 0.5–0.6，缩短 end_step
Canny 输出有噪点	阈值设置不当	调高 high_threshold
Pose 检测不到人物	人物太小/被遮挡	裁剪参考图，确保人物占主要区域
Depth 透视不准确	输入图像本身透视模糊	使用更清晰的参考图
组合 ControlNet 冲突	总 strength 过高	降低各节点 strength，总和不超 1.0

5. 保存与复用

• 将调优好的 strength、start_step、end_step 参数记录下来
• 在 Z-Image 中，将整个工作流保存为模板（.png 工作流）
• 使用 ImpactSwitch 预配置多个模式，一键切换

---

总结

ControlNet 是 AI 图像生成中最强大的结构控制工具。掌握 Depth、Canny、Pose 三种核心模式，你就拥有了：

• Depth —— 空间的锚点，让 AI "看到"三维结构
• Canny —— 线条的骨架，让 AI "沿着"轮廓创作
• Pose —— 姿态的节奏，让 AI "理解"人体运动

记住核心原则：

Prompt 决定风格，ControlNet 决定结构，Strength 决定两者之间的平衡。

从 strength = 0.5 起步，逐步调整，找到每个场景的最佳平衡点。随着经验积累，你将能够精确控制 AI 生成的每一个细节，同时保持模型原生的艺术风格。

---

本文基于 Z-Image（ComfyUI）环境编写，核心节点为 QwenImageDiffsynthControlnet 和 ImpactSwitch。不同插件版本的参数名称可能略有差异，请以实际节点面板为准。