ControlNet核心基础知识

---

一、ControlNet模型的概念

1. ControlNet是一种“辅助式”的神经网络模型结构，通过在Stable Diffusion模型中添加辅助模块，从而支持更多的输入条件来控制AI绘画的生成过程。
   • 原始SD模型的输入：prompt、source image
   • ControlNet模型的输入：canny边缘、语义分割图、关键点、涂鸦等
2. ControlNet允许输入线稿、动作识别、深度信息等调节对象对原有的图像进行控制，用户可以手动编辑源图像,控制其某些属性,改变图像的画风、动作、颜料等，生成新的图像。
   
3. ControlNet应用领域非常广，如时尚设计师可以输入不同款式和图案,快速生成服装设计灵感和样品；游戏设计者可以使用该插件快速生成不同主题和风格的游戏资源,如不同时代的建筑、衣服、植被等；电商商家可以控制AI模特的动作，摆出相应的姿态等。

二、ControlNet模型的内部架构

ControlNet的网络结构可划分为两个部分，分别是locked copy和trainable copy。ControlNet主要在Stable Diffusion的U-Net中起作用，其中locked copy对应U-Net的encoder部分，trainable copy对应U-Net的decoder部分：

• Stable Diffusion U-Net的Encoder部分：所有参数都被锁定并克隆到 ControlNet 端的可训练副本中；
• Stable Diffusion U-Net的Decoder部分：通过skip connection加入了zero convolution模块处理后的特征，以实现对最终模型与训练数据的一致性。
  

三、zero convolution模块的有效性

ControlNet模型的最小单元结构（如下图）中有两个zero convolution模块 ，它们是1×1卷积，并且权重和偏置都初始化为零。

• 在我们开始训练ControlNet之前，所有zero convolution模块的输出都为零，使得ControlNet完完全全就在原有Stable Diffusion底模型的能力上进行微调训练，不会产生大的能力偏差；
• 只有在加入自己的数据训练之后，下图（b）中的trainable copy以及zero convolution中的可学习参数值才会发生变化，使整个网络学习到用户指定的任务。
  

推导：

• 假设ControlNet的权重为：$y=wx+b$，对应的梯度求导即为：$\frac{?y}{?w}=x$，$\frac{?y}{?x}=w$，$\frac{?y}{?b}=1$；
• 如果$w=0$并且$x\ne 0$，对应的梯度求导即为：$\frac{?y}{?w}\ne 0$，$\frac{?y}{?x}=0$，$\frac{?y}{?b}\ne 0$；
• 这意味着只要$x\ne 0$，一次梯度下降迭代将使得$w$变成非零值，进而使得$\frac{?y}{?x}\ne 0$，这样就能使得zero convolution模块逐渐成为具有非零权重的公共卷积层，并不断优化参数权重。

使用ControlNet模块就是假设将训练的所有参数锁定在$\theta$中，然后将其克隆为可训练的副本${\theta }_c$。复制的${\theta }_c$使用外部条件向量c进行训练。$Z=F(c;\theta )$代表了zero convolution模块，${\theta }_{z1}$和${\theta }_{z2}$代表ControlNet的参数权重。

由于训练开始前zero convolution模块的输出都为0，所以ControlNet未经训练的时候输出为0：
这种情况下对SD模型是没有任何影响的，就能确保SD模型原本的性能完整保存，之后ControlNet训练也只是在原SD模型基础上进行优化。ControlNet模型思想使得训练的模型鲁棒性好，能够避免模型过度拟合，并在针对特定问题时具有良好的泛化性，在小规模甚至个人设备上进行训练成为可能。

四、输入Condition与SD模型隐空间特征的结合

ControlNet在训练过程中添加了四层卷积层，将图像空间Condition转化为隐空间Condition。这些卷积层的卷积核为4×4，步长为2，通道分别为16，32，64，128，初始化为高斯权重，并与整个ControlNet模型进行联合训练。

参考：
深入浅出完整解析ControlNet核心基础知识
ControlNet原理&使用实操
Stable Diffusion — ControlNet 超详细讲解
【Stable Diffusion】ControlNet基本教程（一）