“喂饭级”教程！建筑AI生成设计Stable Diffusion看这篇就够了！

你最近是否看过这样的“魔法案例”，由一张简单的SU体块图片，快速生成多个设计方案，就像这样：

©绘图空间

而看过之后，你是否也在心里想着——“教练！我要学这个！”

今天我们就将带你入门这种“魔法”的源头——生成式AI工具Stable Diffusion。

01

Stable Diffusion本地部署

Stable Diffusion Local Deployment

Stable Diffusion运行需求©绘图空间

如果你的电脑满足以上要求，那么就可以进行Stable Diffusion的本地部署了。

在此我们要特别鸣谢B站UP主@秋葉aaaki。他将Stable Diffusion繁琐的本地部署方式，优化为“一键启动式”的整合包。你可以去@秋葉aaaki的主页进行整合包下载，也可以加入我们的AI设计讨论群，在群文件里面自行下载。

下载好整合包之后，你需要将文件解压在全英文的安装路径中，这样将减少后期报错的可能。然后按照以下步骤完成Stable Diffusion本地部署。

具体步骤如下：

待启动器页面弹出后，点击“一键启动”：

首次启动Stable Diffusion可能需要较长的时间，请耐心等待：

当Stable Diffusion界面自动弹出时，就代表着你已经完成其本地部署。

02

WebUI简介

Introduction to WebUI

在使用Stable Diffusion创作之前，我们先熟悉一下Stable Diffusion的界面。

在界面的左上角，你可以选择进行创作的基础模型。

在模型选择的下方，是输入提示词的文本栏。与Midjourney不同的是，Stable Diffusion还拥有一行反提示词文本栏，你可以将不希望呈现在画面中的元素输入进去以贴合创作需求。

对书写提示词有疑问的朋友，可稍后阅读我们的往期文章，相信一定会对你有所帮助。而下方也有我们整理的部分建筑方向常用反向提示词以供参考。

建筑方向常用反向提示词整理©绘图空间

提示词文本栏的下方，是采样方法与迭代步数。其中，采样方法我们不作过多探讨，感兴趣的朋友可以自行查找一些AI方向的研究文章进行了解。我们主要介绍一下迭代步数的意义。

简单的来讲，迭代步数影响的是创作画面的细节丰富程度。迭代步数越多，所产生的细节就越多。

但并非迭代步数越多越好，这需要结合创作项目来进行实际调试。可能有时候迭代步数稍低所生成的图片更能贴合创作需求。所以这是一个经验值，大家因创作而异。

在采样方法与迭代步数的下方，是十分好理解的图片宽度、高度、生成批次、每批数量。

我们着重介绍的是在它们下方的提示词相关性。它控制着产出图片受输入提示词的影响程度。我们一般取值范围在7-15。

提示词相关性的下方，是十分重要的随机种子参数以及ControlNet插件。可以说，正是因为有了ControlNet插件，才使得Stable Diffusion区别于Midjourney等“抽盲盒”式AI生成工具，更能应用于建筑方向实际项目之中。

接下来我们就将通过一个案例来讲解如何入门ControlNet。

03

ControlNet入门

Getting Started with ControlNet

我们在AI设计讨论群提供的Stable Diffusion整合包中，已经配置好了ControlNet插件。

而如果有朋友之前已经本地部署了Stable Diffusion，却没有安装ControlNet插件，可以按照以下方式进行安装（该方法也是Stable Diffusion安装插件的通用方法）：

Stable Diffusion插件安装流程©绘图空间

在确保已经安装ControlNet插件之后，你需要将ControlNet的根路径进行更改，具体流程如下：

需要注意的是，该操作需在“科学上网”前提下进行，对“科学上网”有疑问的朋友，可联系我们的客服。

案例教学

case study

下面将通过一个案例介绍如何入门ControlNet。

第1步：填写好提示词与反提示词：

第2步：在SU中搭建一个体块模型，并导出二维图片。

第3步：将导出的SU体块图片拖入到ControlNet中，如下图所示：

第4步：点击enable（启动）按钮。选择preprocessor（预处理方式），并在Model（模型）中选择preprocessor所对应的模型：

第5步：调整权重栏数值，权重越高生成的图片就越贴合我们提供的原始模型图片，具体数值根据实际项目需求进行调整：

第6步：在随机种子栏我们选择默认的-1（对应的是骰子图标），它代表的是本次图片生成将完全随机：

生成批次与每批数量我们分别选择3、4。这样一次我们就能得到12张图片。

第7步：最后点击生成按钮，稍等一会，我们就将得到如下的图片：

©绘图空间

点击单张图片，可以放大对应的作品：

©绘图空间

如果在生成的图片中，有想继续深化的作品，选中它后，在随机种子栏，点击绿色按钮，将获得一段种子代码，此后生成的作品就将基于这个代码进行创作，以保证创作的可控性：

我们获取上图的种子代码，然后在此代码的基础上再进行生成，就会得到如下的图片（我们选择生成4张作品）：

©绘图空间

可以看出新生成的作品与我们选中的作品风格、构造都比较接近。

而通过ControlNet插件，我们还可以做到从手绘草图直接生成设计方案：

保持我们上述的提示词、反提示词与各种参数设置不变，直接将手绘图纸拖入到ControlNet中：

点击生成按钮，我们就会得到：

©绘图空间

以上就是在Stable Diffusion中，如何利用ControlNet插件，从SU体块模型、手绘草图直接生成设计方案的方法。

04

总结

Summarize

如果你花了一些时间，认真的阅读了上述内容，最好是在本地部署Stable Diffusion之后，跟着操作了一遍。那么相信你已经成功入门了Stable Diffusion这一建筑方向出图利器。

而与我们之前发布的教程《》相比，本篇的篇幅明显更长一点，而且这还仅仅只是一篇入门级的指导性文章。

因为相较于Midjourney来说，Stable Diffusion需要个人设置的部分更多，有人曾这么简单的形容两者的区别：“Midjourney就像电子产品中的苹果，而Stable Diffusion更像是安卓。两者只是创作方式不同，没有高下之分。”

但对于建筑方向来说，结果更可控的Stable Diffusion显然更受设计师们的青睐。

05