ControlNet: 一个基于 Stable Diffusion 1.5 的轻型预训模型，能利用输入图片 （input image）里的边缘特征、深度特征 或 人体姿势的骨架特征（posture skeleton），配合文字prompt，精确引导图像在 SD1.5 里的生成结果。
6天后，腾讯 ARC 也发布了类似解决方案 T2I-Adapter。
ControlNet 和 T2I-Adapter 的框架都具备灵活小巧的特征，训练快，成本低，参数少，很容易地被插入到现有的文本-图像扩散模型中
和img2img 区别：
img2img 的input image 提供的引导主要是噪音的分布，影响构图和颜色，但对生成对象形状(边缘) 的与输入图片的贴合度并不高（鹿角特别明显）。
1、ControlNet训练
ControlNet 论文里提到，
Canny Edge detector 模型的训练用了300万张边缘-图像-标注对的语料，A100 80G 的 600个 GPU小时。
Human Pose （人体姿态骨架）模型用了8万张 姿态-图像-标注 对的语料, A100 80G的 400个 GPU 时。
2、T2I-Adapter训练
4块Tesla 32G-V100 上只花了2天就完成，包括3种 condition，sketch（15万张图片语料），Semantic segmentation map（16万张）和 Keypose（15万张）。
3、T2I-Adapter 支持一种以上的 condition model 引导，
比如可以同时使用 sketch 和 segmentation map 作为输入条件，或 在一个蒙版区域 (也就是 inpaint ) 里使用 sketch 
引导。
