Lưu trữ LoRA

ControlNet là gì? Hướng dẫn cài đặt và sử dụng ControlNet chi tiết là tài liệu kỹ thuật dành cho người dùng Stable Diffusion, AUTOMATIC1111 WebUI, học viên thiết kế đồ họa, kiến trúc sư diễn họa, người làm concept art và người đang cần kiểm soát chính xác bố cục, dáng người, đường nét, phối cảnh hoặc chiều sâu trong hình ảnh AI.

Trong suốt hơn 10 năm trực tiếp quản trị hệ thống máy trạm đồ họa, tối ưu GPU render, xử lý lỗi phần mềm, backup dữ liệu và hỗ trợ học viên Arcline Academy làm đồ án thiết kế, tôi nhận ra rằng Stable Diffusion mạnh nhưng dễ gây mất kiểm soát. Prompt tốt vẫn có thể cho ra hình sai dáng, sai bố cục, lệch tay, méo mặt, hỏng phối cảnh hoặc không giữ được đường nét gốc.

ControlNet giải quyết đúng vấn đề này. Đây là mô hình bổ sung điều kiện điều khiển không gian cho mô hình text-to-image diffusion, giúp người dùng đưa thêm bản đồ cạnh, bản đồ độ sâu, pose người, line art, normal map hoặc ảnh tham chiếu để định hướng quá trình tạo ảnh. Nghiên cứu gốc mô tả ControlNet là kiến trúc neural network thêm spatial conditioning controls vào các mô hình text-to-image diffusion đã huấn luyện sẵn. Nghiên cứu ControlNet trên arXiv giải thích rõ cơ chế này bằng cách khóa mô hình nền và dùng zero convolution để học điều kiện mới an toàn hơn.

ControlNet là gì?

ControlNet là một phương pháp điều khiển Stable Diffusion bằng dữ liệu tham chiếu ngoài prompt chữ. Thay vì chỉ yêu cầu “một cô gái đứng trước quán cà phê”, bạn có thể đưa thêm ảnh pose, ảnh line art, ảnh phối cảnh hoặc ảnh có đường biên để AI bám theo cấu trúc mong muốn.

Với Stable Diffusion thông thường, prompt chỉ mô tả ý tưởng. Model vẫn có tính ngẫu nhiên rất cao. ControlNet thêm một lớp điều kiện thứ hai, giúp quá trình tạo ảnh vừa bám văn bản, vừa bám cấu trúc thị giác.

Prompt: điều khiển nội dung, phong cách, vật liệu, bối cảnh, cảm xúc.
ControlNet: điều khiển bố cục, dáng người, đường nét, chiều sâu, cạnh, pose hoặc cấu trúc.
Checkpoint: quyết định phong cách tổng thể của ảnh.
LoRA: bổ sung nhân vật, style, trang phục hoặc ngôn ngữ tạo hình riêng.
VAE: ảnh hưởng màu sắc, độ chuyển và cảm giác hình ảnh.

Nói ngắn gọn, nếu prompt là “ý tưởng”, ControlNet là “bản vẽ kỹ thuật điều khiển hình”. Đây là lý do ControlNet đặc biệt quan trọng với người học thiết kế, kiến trúc, nội thất, game art và diễn họa 3D.

Vì sao người dùng Stable Diffusion cần ControlNet?

Người dùng Stable Diffusion lâu năm đều hiểu một vấn đề: tạo hình đẹp không khó bằng tạo hình đúng. Bạn có thể generate 50 ảnh rất đẹp nhưng không có ảnh nào đúng dáng khách yêu cầu, đúng khung cảnh đồ án, đúng phối cảnh nội thất hoặc đúng bố cục poster.

ControlNet giúp giảm trò chơi may rủi đó. Khi có ảnh tham chiếu, bản sketch hoặc pose rõ ràng, model sẽ không còn tự do hoàn toàn. Nó phải bám theo dữ liệu điều khiển mà người dùng đưa vào.

Vẽ nhân vật: giữ đúng pose, hướng mặt, dáng tay, tỷ lệ cơ thể.
Thiết kế nội thất: giữ bố cục không gian, mảng tường, sàn, trần, cửa, đồ nội thất.
Diễn họa kiến trúc: giữ phối cảnh, hình khối công trình, đường biên facade.
Concept art: giữ line art nhưng đổi style, màu sắc hoặc chất liệu.
Ảnh sản phẩm: giữ hình dáng sản phẩm, thay nền hoặc ánh sáng.

Tại Arcline Academy, khi hướng dẫn học viên dùng AI trong quy trình thiết kế, tôi luôn nhấn mạnh rằng ControlNet không thay thế nền tảng mỹ thuật. Nó hỗ trợ người có tư duy hình khối, phối cảnh, ánh sáng và bố cục kiểm soát AI tốt hơn.

Cơ chế hoạt động của ControlNet

ControlNet hoạt động bằng cách lấy ảnh đầu vào, đưa qua một bộ tiền xử lý, tạo ra bản đồ điều khiển, sau đó truyền bản đồ này vào quá trình tạo ảnh của Stable Diffusion. Bản đồ điều khiển có thể là cạnh Canny, pose OpenPose, depth map, normal map, segmentation map hoặc line art.

Ví dụ, nếu dùng Canny, hệ thống sẽ trích xuất đường biên từ ảnh gốc. Stable Diffusion sau đó tạo ảnh mới dựa trên prompt nhưng vẫn bám đường biên đó. Nếu dùng OpenPose, hệ thống lấy các keypoint cơ thể như đầu, vai, khuỷu tay, cổ tay, hông, đầu gối, mắt cá chân để giữ dáng nhân vật.

Phần mở rộng phổ biến nhất trên AUTOMATIC1111 hiện nay là ControlNet for Stable Diffusion WebUI. Kho này mô tả extension cho phép WebUI thêm ControlNet vào Stable Diffusion theo cơ chế on-the-fly, không cần merge model trực tiếp.

Ảnh tham chiếu: hình gốc, sketch, pose, render, ảnh người, ảnh nội thất.
Preprocessor: bộ phân tích ảnh để lấy cạnh, pose, depth hoặc line.
Control model: model tương ứng với preprocessor.
Stable Diffusion: tạo ảnh cuối dựa trên prompt và điều kiện ControlNet.
Output: ảnh mới giữ cấu trúc theo input nhưng có style theo prompt.

Cài đặt ControlNet trên AUTOMATIC1111 WebUI

Để sử dụng ControlNet, trước hết cần cài AUTOMATIC1111 Stable Diffusion WebUI. Theo hướng dẫn chính thức, trên Windows người dùng cần Python 3.10.6, Git, tải repository stable-diffusion-webui và chạy file webui-user.bat.

Khi WebUI đã hoạt động, có thể cài ControlNet qua tab Extensions. AUTOMATIC1111 cũng mô tả extension là dạng tiện lợi hơn của user scripts, được đặt trong thư mục extensions của WebUI.

Mở AUTOMATIC1111 WebUI.
Vào tab Extensions.
Chọn Install from URL.
Dán link repository chính thức của sd-webui-controlnet.
Nhấn Install và chờ hoàn tất.
Vào tab Installed, chọn Apply and restart UI.
Khởi động lại WebUI để kiểm tra mục ControlNet trong txt2img hoặc img2img.

Sau khi cài extension, bạn cần tải đúng model ControlNet. Các model thường đặt trong thư mục stable-diffusion-webui/extensions/sd-webui-controlnet/models. Không nên tải bừa toàn bộ model nếu ổ cứng SSD còn ít dung lượng, vì các checkpoint, LoRA, ControlNet model và output ảnh AI có thể chiếm rất nhiều bộ nhớ.

Nếu trong quá trình cài đặt xảy ra lỗi ổ cứng, mất thư mục model hoặc format nhầm ổ chứa dữ liệu AI, tuyệt đối không ghi thêm dữ liệu mới. Việc ghi đè có thể làm giảm khả năng khôi phục. Người dùng nên tham khảo hướng xử lý trong bài cứu dữ liệu bị format nhanh nhất hoặc tìm chuyên gia trước khi cài lại hệ thống.

Cài đặt ControlNet trên Google Colab

Với Google Colab, nhiều notebook Stable Diffusion đã có sẵn tùy chọn bật ControlNet trong phần Extensions. Người dùng chỉ cần đánh dấu ControlNet trước khi chạy notebook. Tuy nhiên, cần kiểm tra GPU được cấp, dung lượng phiên làm việc và đường dẫn lưu model.

Colab phù hợp cho người mới thử nghiệm, nhưng không ổn định bằng máy trạm riêng khi làm đồ án dài, render batch lớn hoặc cần lưu nhiều model. Mỗi lần reset runtime, một số dữ liệu tạm có thể mất nếu không lưu lên Drive.

Ưu điểm: không cần máy mạnh, dễ thử nghiệm, chạy nhanh nếu được cấp GPU tốt.
Nhược điểm: giới hạn phiên, dễ mất dữ liệu tạm, phụ thuộc kết nối mạng.
Khuyến nghị: lưu prompt, seed, model, output và file cấu hình lên Drive.

Trong môi trường học tập tại Arcline Academy, học viên được hướng dẫn cả hai hướng: chạy local bằng workstation mạnh và chạy cloud khi cần linh hoạt. Dù dùng cách nào, nguyên tắc backup dữ liệu vẫn là bắt buộc.

Cách sử dụng ControlNet trong txt2img

Trong tab txt2img, ControlNet giúp tạo ảnh mới từ prompt nhưng bám theo ảnh tham chiếu. Đây là workflow phổ biến khi muốn giữ pose người, đường nét sketch hoặc bố cục không gian.

Chọn checkpoint Stable Diffusion phù hợp.
Viết prompt và negative prompt rõ ràng.
Mở bảng ControlNet.
Tải ảnh tham chiếu vào vùng input.
Bật Enable.
Chọn preprocessor phù hợp như openpose, canny, depth hoặc lineart.
Chọn model ControlNet tương ứng.
Bật Pixel Perfect nếu muốn hệ thống tự tính kích thước hợp lý.
Nhấn Generate và kiểm tra kết quả.

Sai lầm phổ biến là chọn preprocessor một kiểu nhưng model lại kiểu khác. Ví dụ dùng preprocessor openpose nhưng chọn model canny, kết quả sẽ thiếu ổn định. Nguyên tắc cơ bản là preprocessor và model phải cùng nhóm.

Nếu tạo nhân vật toàn thân mà khuôn mặt bị mờ, có thể kết hợp ControlNet với After Detailer để tự động sửa khuôn mặt. ControlNet giữ pose và cấu trúc, ADetailer sửa vùng mặt hoặc tay sau khi ảnh được tạo.

Cách sử dụng ControlNet trong img2img

Trong img2img, ControlNet phù hợp khi bạn đã có ảnh gốc và muốn biến đổi style nhưng vẫn giữ cấu trúc. Đây là cách rất hữu ích cho người làm concept nội thất, chuyển ảnh phác thảo thành render, đổi vật liệu, thay mood ánh sáng hoặc chuyển line art thành hình hoàn thiện.

Khi dùng img2img, cần kiểm soát denoising strength. Denoising thấp giữ ảnh gốc nhiều hơn. Denoising cao cho AI tự do hơn nhưng dễ lệch bố cục, sai vật liệu hoặc thay đổi quá mạnh.

Denoising 0.2 – 0.35: giữ cấu trúc tốt, chỉnh nhẹ style.
Denoising 0.4 – 0.55: cân bằng giữa giữ hình và tạo mới.
Denoising trên 0.65: thay đổi mạnh, cần ControlNet weight chắc hơn.
Control Weight thấp: ảnh mềm, ít bị gò bó nhưng dễ lệch input.
Control Weight cao: bám input chặt nhưng có thể cứng hoặc lộ artifact.

Với file đồ án quan trọng, hãy luôn lưu bản gốc trước khi chạy img2img. Không nên ghi đè trực tiếp file render, file PSD, file PNG final hoặc ảnh khách hàng. Nếu mất file do xóa nhầm, có thể đọc thêm cách cứu dữ liệu bị xóa kịp thời để giảm rủi ro mất dữ liệu vĩnh viễn.

Các preprocessor ControlNet quan trọng

OpenPose

OpenPose dùng để phát hiện keypoint cơ thể người. Nó rất hữu ích khi bạn muốn giữ dáng nhân vật nhưng đổi quần áo, bối cảnh, giới tính, chất liệu, phong cách hoặc ánh sáng.

OpenPose: giữ keypoint cơ bản của cơ thể.
OpenPose face: thêm thông tin khuôn mặt.
OpenPose hand: thêm thông tin bàn tay và ngón tay.
OpenPose full: giữ body, face và hand đầy đủ hơn.

OpenPose không giữ trang phục, tóc, nền hoặc vật liệu. Nó chỉ giữ dáng. Vì vậy, prompt vẫn phải mô tả rõ nhân vật, trang phục, bối cảnh và phong cách mong muốn.

Canny

Canny trích xuất đường biên của ảnh. Nó phù hợp khi cần giữ hình dáng vật thể, bố cục kiến trúc, layout nội thất, đường nét sản phẩm hoặc silhouette nhân vật.

Trong thiết kế nội thất, Canny có thể dùng để giữ đường viền bàn ghế, khung cửa, mảng tường hoặc phối cảnh phòng. Tuy nhiên, nếu ảnh tham chiếu quá nhiều chi tiết, Canny có thể làm output bị cứng và nhiễu.

Depth

Depth tạo bản đồ độ sâu từ ảnh tham chiếu. Nó giúp Stable Diffusion hiểu gần – xa, tiền cảnh – trung cảnh – hậu cảnh. Đây là lựa chọn mạnh cho không gian nội thất, phối cảnh kiến trúc, cảnh đường phố hoặc ảnh có nhiều lớp không gian.

Depth không giữ đường nét chặt như Canny nhưng giữ khối và khoảng cách tốt hơn. Khi render concept phòng khách, showroom, biệt thự hoặc văn phòng, depth map thường cho cảm giác không gian tự nhiên hơn.

Lineart

Lineart phù hợp với tranh vẽ tay, anime, manga, sketch sản phẩm hoặc bản phác nhân vật. Nó giữ đường nét chính nhưng cho phép đổi màu, ánh sáng, texture và phong cách.

Người học vẽ có thể phác tay, scan lại, đưa vào ControlNet Lineart và dùng prompt để thử nhiều phương án màu. Nếu file scan nằm trên thẻ nhớ hoặc USB bị lỗi, hãy xử lý cẩn thận theo nguyên tắc cứu dữ liệu thẻ nhớ an toàn, không format lại thiết bị trước khi khôi phục.

Tile

Tile thường dùng khi upscale ảnh hoặc thêm chi tiết. Nó giúp ảnh sau phóng to giữ được nội dung gốc tốt hơn. Với ảnh render nội thất, tile có thể hỗ trợ tăng chi tiết vật liệu, vân gỗ, vải, đá hoặc ánh sáng.

Reference

Reference dùng để bám phong cách hoặc đặc điểm thị giác của ảnh tham chiếu. Nó không giống OpenPose hay Canny vì không nhất thiết cần model điều khiển tương ứng. Reference phù hợp khi cần giữ mood, bảng màu, phong cách nhân vật hoặc cảm giác tổng thể.

Tuy nhiên, Reference dễ làm ảnh bị ảnh hưởng quá mạnh nếu prompt không rõ. Người dùng cần cân bằng giữa style tham chiếu và mục tiêu thiết kế để tránh copy cảm giác quá mức hoặc tạo ảnh thiếu bản sắc.

Các thông số ControlNet cần hiểu

Control Weight

Control Weight quyết định mức độ ảnh hưởng của ControlNet. Weight cao khiến ảnh bám tham chiếu mạnh. Weight thấp cho Stable Diffusion tự do hơn. Với Canny hoặc Lineart, weight quá cao có thể làm ảnh cứng. Với OpenPose, weight quá thấp có thể sai dáng.

Starting Control Step và Ending Control Step

Hai thông số này quyết định ControlNet tác động từ bước nào đến bước nào trong quá trình diffusion. Nếu chỉ muốn ControlNet định hướng bố cục ban đầu, có thể kết thúc sớm hơn. Nếu muốn bám chặt toàn bộ quá trình, giữ ending step cao.

Pixel Perfect

Pixel Perfect giúp ControlNet tự tính độ phân giải tiền xử lý phù hợp với ảnh output. Đây là lựa chọn nên bật với người mới vì giảm lỗi lệch kích thước, méo bản đồ điều khiển hoặc tiền xử lý không đúng tỷ lệ.

Resize Mode

Resize Mode ảnh hưởng cách ảnh tham chiếu được đưa vào kích thước output. Nếu chọn sai, pose hoặc bố cục có thể bị kéo giãn. Với ảnh người, cần giữ tỷ lệ cơ thể. Với ảnh nội thất, cần giữ phối cảnh và tỷ lệ khung hình.

Ứng dụng ControlNet trong thiết kế và diễn họa 3D

ControlNet không chỉ dành cho người tạo ảnh giải trí. Với ngành thiết kế, nó có thể hỗ trợ rất mạnh trong giai đoạn ý tưởng, moodboard, phối cảnh, ánh sáng, vật liệu và trình bày concept.

Thiết kế nội thất: chuyển sketch phòng thành concept màu, giữ bố cục chính.
Kiến trúc: thử facade, vật liệu, ánh sáng nhưng vẫn giữ khối công trình.
Đồ họa sản phẩm: giữ hình dáng sản phẩm, thay bối cảnh hoặc style quảng cáo.
Game art: giữ pose nhân vật, phát triển costume và môi trường.
Trình bày đồ án: tạo nhanh nhiều phương án mood để chọn hướng thiết kế.

Người học muốn đưa AI vào quy trình nghề nghiệp nên học thêm nền tảng thiết kế, dựng hình và render. Tại Arcline Academy, các nội dung về 3D Rendering & Visualization, Thiết Kế & Diễn Họa 3D, khóa học 3ds Max – Vray – Photoshop và khóa học Unreal Engine 5 giúp người học hiểu rõ ánh sáng, vật liệu, camera và bố cục trước khi dùng AI.

AI chỉ thật sự hiệu quả khi người dùng biết mình đang điều khiển điều gì. Nếu không có nền tảng phối cảnh, tỉ lệ, ánh sáng và vật liệu, ControlNet dễ biến thành công cụ thử ngẫu nhiên thay vì công cụ thiết kế chuyên nghiệp.

Lỗi thường gặp khi dùng ControlNet

ControlNet mạnh nhưng rất dễ lỗi nếu cài sai phiên bản, thiếu model, sai thư mục, chọn nhầm preprocessor hoặc máy trạm thiếu VRAM. Khi hỗ trợ học viên tại Arcline Academy, tôi thường gặp các nhóm lỗi sau:

Không hiện bảng ControlNet: extension chưa cài đúng hoặc WebUI chưa restart.
Không thấy model: file model đặt sai thư mục hoặc thiếu file tương ứng.
Ảnh không bám pose: chọn sai preprocessor, sai model hoặc Control Weight quá thấp.
Ảnh quá cứng: Control Weight quá cao, Canny quá nhiều chi tiết hoặc prompt quá yếu.
Chạy rất chậm: GPU thiếu VRAM, batch size cao, dùng nhiều ControlNet unit cùng lúc.
Lỗi crash WebUI: xung đột extension, lỗi driver, thiếu package hoặc môi trường Python hỏng.

Nếu máy tính có dấu hiệu màn hình sọc, driver GPU crash, render treo, WebUI tự tắt hoặc lỗi CUDA liên tục, cần kiểm tra phần cứng trước. Bài sửa card màn hình và nhận biết lỗi VGA đồ họa sẽ hữu ích cho người dùng workstation render.

Nếu chuột bị double click, con lăn lỗi hoặc click không chính xác khi vẽ mask, thao tác trong WebUI cũng dễ sai. Người dùng có thể tham khảo hướng dẫn sửa lỗi double click chuột để xử lý sự cố ngoại vi trong quá trình làm việc đồ họa.

Quy trình sử dụng ControlNet an toàn cho đồ án

Khi dùng ControlNet cho đồ án, portfolio hoặc dự án khách hàng, không nên làm việc theo kiểu generate ngẫu nhiên rồi lưu đè. Một quy trình kỹ thuật rõ ràng sẽ giúp kiểm soát chất lượng và bảo vệ dữ liệu.

Bước 1: tạo thư mục riêng cho từng dự án.
Bước 2: lưu ảnh input, prompt, negative prompt, seed, checkpoint và ControlNet model.
Bước 3: tạo bản nháp ở độ phân giải vừa phải.
Bước 4: chọn phương án tốt rồi mới upscale hoặc hậu kỳ.
Bước 5: backup output quan trọng sang ổ phụ hoặc cloud.
Bước 6: không ghi đè file gốc, luôn giữ version cũ.

Trường hợp ổ SSD/HDD chứa model, LoRA, file render hoặc đồ án bị bad sector, không nhận ổ, format nhầm hoặc xóa nhầm, tuyệt đối không tiếp tục cài thêm model vào ổ đó. Hãy đọc thêm cách cứu dữ liệu ổ cứng bị bad hoặc dùng dịch vụ kỹ thuật để tránh ghi đè dữ liệu.

ControlNet, After Detailer và Pix2Pix nên dùng thế nào?

ControlNet, After Detailer và Instruct Pix2Pix không thay thế nhau. Mỗi công cụ giải quyết một phần khác nhau trong workflow AI.

ControlNet: kiểm soát cấu trúc, pose, đường nét, độ sâu và bố cục.
After Detailer: tự động sửa mặt, tay hoặc chi tiết nhân vật sau khi tạo ảnh.
Instruct Pix2Pix: chỉnh sửa ảnh bằng lệnh văn bản theo hướng nhanh và trực quan.
Photoshop: hậu kỳ, ghép layer, chỉnh màu, xử lý mask và trình bày final.

Nếu mục tiêu là giữ pose, dùng ControlNet. Nếu mặt bị lỗi sau khi tạo ảnh, dùng After Detailer. Nếu muốn chỉnh ảnh theo lệnh như đổi màu áo, đổi nền, đổi ánh sáng, có thể tham khảo thêm hướng dẫn sử dụng Instruct Pix2Pix.

Đối với người học thiết kế nội thất, kiến trúc và diễn họa, các công cụ này nên được xem là phần mở rộng của quy trình sáng tạo. Muốn dùng hiệu quả, cần hiểu bản vẽ, phối cảnh, ánh sáng, vật liệu, bố cục và quy trình quản lý file chuyên nghiệp.

Học ControlNet theo hướng nghề nghiệp tại Arcline Academy

ControlNet là kỹ năng đáng học nếu bạn đang theo ngành thiết kế nội thất, kiến trúc, đồ họa, concept art hoặc 3D visualization. Tuy nhiên, không nên học ControlNet tách rời khỏi nền tảng nghề. Một người biết ControlNet nhưng không hiểu bố cục, ánh sáng, phối cảnh và vật liệu vẫn khó tạo ra sản phẩm có giá trị thương mại.

Tại Arcline Academy, học viên được định hướng kết hợp công nghệ AI với phần mềm nghề nghiệp như AutoCAD, SketchUp, 3ds Max, Vray, Photoshop và Unreal Engine. Đây là hướng học thực tế vì thị trường cần người biết tạo hình đẹp, đúng kỹ thuật và có khả năng trình bày ý tưởng rõ ràng.

Nếu bạn muốn xây dựng nền tảng vững chắc từ thiết kế, dựng hình, ánh sáng, vật liệu đến ứng dụng AI vào quy trình làm việc, có thể tham khảo khóa học thiết kế nội thất tại Arcline Academy. Đây là hướng đi phù hợp cho người muốn biến công cụ AI thành lợi thế nghề nghiệp thay vì chỉ tạo ảnh theo trào lưu.

Với người cần bản vẽ kỹ thuật và triển khai hồ sơ, khóa học AutoCAD giúp xây nền tảng chính xác. Với người cần dựng phối cảnh nhanh, khóa học SketchUp là lựa chọn thực tế. Khi các nền tảng này kết hợp với ControlNet, người học có thể tạo concept nhanh nhưng vẫn kiểm soát được cấu trúc thiết kế.

Thông tin liên hệ Arcline Academy

Địa chỉ trụ sở: 32/19 Nghĩa Hòa, Phường 6, Quận Tân Bình, TPHCM

Hotline/Zalo: 0938 32 12 17

Website: https://arcline.edu.vn

FAQ: Những câu hỏi thường gặp về ControlNet

1. ControlNet có bắt buộc khi dùng Stable Diffusion không?

Không bắt buộc. Nhưng nếu bạn cần kiểm soát pose, bố cục, line art, chiều sâu hoặc hình khối chính xác, ControlNet gần như là công cụ không thể thiếu. Prompt chữ đơn thuần thường không đủ ổn định cho các yêu cầu kỹ thuật.

2. Người mới nên bắt đầu với preprocessor nào?

Người mới nên bắt đầu với OpenPose nếu làm nhân vật, Canny nếu muốn giữ đường nét, Depth nếu làm không gian và Lineart nếu dùng sketch. Không nên học quá nhiều preprocessor cùng lúc, hãy thử từng nhóm bằng cùng một ảnh để hiểu sự khác biệt.

3. ControlNet có làm máy chạy chậm hơn không?

Có. ControlNet thêm bước tiền xử lý và điều kiện điều khiển vào quá trình tạo ảnh, nên sẽ tốn thêm VRAM và thời gian. Nếu máy yếu, hãy giảm batch size, giảm độ phân giải, dùng ít ControlNet unit và kiểm tra nhiệt độ GPU.

4. Vì sao ảnh dùng ControlNet vẫn sai bố cục?

Nguyên nhân có thể là chọn sai preprocessor, sai model, Control Weight quá thấp, Resize Mode không phù hợp, prompt xung đột hoặc ảnh tham chiếu quá nhiễu. Hãy bật preview để xem bản đồ điều khiển trước khi generate.

5. Có nên dùng ControlNet cho thiết kế nội thất và kiến trúc không?

Có. ControlNet rất hữu ích để giữ bố cục phòng, phối cảnh, đường nét sketch, facade hoặc concept vật liệu. Tuy nhiên, người dùng vẫn cần nền tảng thiết kế, dựng hình, ánh sáng và vật liệu để đánh giá ảnh tạo ra có đúng kỹ thuật hay không.

Van Quang Nguyen