建筑方案设计前期往往需要快速验证空间与氛围，但传统效果图制作链路较长：先建粗模，再根据视角调整材质与灯光，最后渲染并后期。AI图像处理技术把这个流程压缩为“草图到效果图”的自动化过程，核心不是简单地把图变清晰，而是在保留方案结构的前提下生成可信的光影和材质。本文将完整拆解这一方法，并给出可落地的本地一键生成方案。
AI图像处理建筑表现的技术基础：ControlNet如何控制草图结构
普通图生图虽然可以根据一张草图生成图片，但扩散模型在去噪过程中会不断引入新的结构信息，导致原始线稿中的窗洞、柱位、体块边缘逐渐漂移。建筑表现对透视和构件位置的要求非常高，如果只是提高文本提示词的权重，仍然无法稳定锁定草图里的几何关系。ControlNet的价值就在于提供一条额外的条件输入通道，将边缘检测图、深度图、法线图或直线检测图作为结构化约束，同步注入到采样过程中。
在建筑草图场景中，常用的预处理器是Canny边缘检测和MLSD直线检测。Canny能保留手绘线条的连续轮廓，但容易受杂线干扰；MLSD则更擅长提取建筑中的长直线、消失线与体块转折，适合从干净的白模或CAD导出线稿生成效果图。实际使用时可以把两种预处理器叠加，让模型同时参考边缘轮廓和直线骨架，从而在保持方案设计意图的同时获得更真实的光影表达。
图生图的关键参数是denoising strength，它控制初始图像被加噪的强度，也就决定了模型有多少自由度去改变原图。该值如果低于0.5，输出图片会非常接近草图，材质和光影变化不足；如果高于0.85，建筑体块关系容易失真。对于概念草图生成效果图，通常设置在0.6到0.8之间比较合适。配合ControlNet后，即使denoising强度稍高，也能维持住主要设计结构。
搭建一键生成工作流：ComfyUI节点编排与WebUI API调用
要实现真正的一键生成，不能每次手动上传草图、选择模型、设置参数再点击出图，需要把过程固化为可重复执行的流程。ComfyUI的节点式界面很适合这类工作。典型工作流从LoadImage节点读取草图开始，经过CannyEdgeDetector或MLSDPreprocessor提取结构条件，再由ControlNetApplyAdvanced节点把条件接入采样器。KSampler负责去噪，VAEDecode和SaveImage完成解码和保存。整个节点图可以保存为JSON文件，下次拖入工作流即可复用。
如果是习惯用WebUI的团队，也可以通过API脚本实现批量一键生成。下面这段Python代码展示了如何调用Stable Diffusion WebUI的img2img接口，并将ControlNet参数一并提交。该脚本读取本地草图，生成一张建筑表现图，并保存到当前目录。
import json
import base64
import requests
url = "http://127.0.0.1:7860/sdapi/v1/img2img"
with open("concept_sketch.png", "rb") as f:
image_b64 = base64.b64encode(f.read()).decode("utf-8")
payload = {
"init_images": [image_b64],
"prompt": "architectural visualization, modern building, glass and concrete, soft daylight, high detail",
"negative_prompt": "low quality, blurry, distorted perspective, watermark",
"denoising_strength": 0.75,
"steps": 30,
"cfg_scale": 9,
"width": 768,
"height": 512,
"sampler_name": "DPM++ 2M Karras",
"alwayson_scripts": {
"controlnet": {
"args": [
{
"input_image": image_b64,
"module": "canny",
"model": "control_v11p_sd15_canny"
}
]
}
}
}
resp = requests.post(url, json=payload)
data = resp.json()
result_b64 = data["images"][0]
with open("result.png", "wb") as f:
f.write(base64.b64decode(result_b64))
print("生成完成")
实际部署时，模型文件需要放到stable-diffusion-webui\models\ControlNet目录下，并将上面的model字段改为实际文件名。API地址127.0.0.1:7860通常只在本机访问，如果服务器部署则需要配置监听地址和端口。批处理时可以用循环遍历一个草图文件夹，为每个草图生成多组不同提示词的结果，快速比较材质方案。
ComfyUI也有对应的HTTP API，但节点ID和参数结构相对复杂。如果团队中有人熟悉节点编排，可以用ComfyUI保存工作流后，通过调用/api/prompt接口提交完整JSON，更适合做成内部工具或网页服务。对大多数建筑设计师来说，先用WebUI脚本完成单机批量出图，再逐步迁移到ComfyUI，是学习成本较低的路径。
提示词、模型与风格控制：让AI输出符合建筑表现要求
建筑表现图的提示词需要分层组织，不能只写一句“现代建筑”。建议按照主体描述、材质、光线、环境、构图和风格后缀的顺序来写。例如主体写modern museum或residential tower，材质写glass curtain wall、exposed concrete、wood louvers，光线写warm sunset light或overcast daylight，环境写trees in foreground、urban context，最后加上architectural visualization、ultra detailed、8k等质量词。这样模型才能同时理解建筑类型、材料质感和环境氛围。
模型选择同样影响风格走向。通用真实感模型适合快速出预览图，建筑类微调模型则对玻璃反射、混凝土质感和立面比例控制更好。如果希望生成水彩画或拼贴风方案图，可以加载对应的风格LoRA，并用较低权重与其他建筑LoRA混合。LoRA强度建议从0.5开始测试，过高会导致画面风格化过强，偏离方案表达。
在参数层面，CFG Scale控制提示词的遵循程度。建筑表现常用7到10，过低画面随机性大，过高则色彩容易发灰、光影生硬。采样步数30到40通常足够，继续增加对质量提升有限。分辨率不建议一开始就设置过高，否则容易出现重复窗户、错乱柱网等结构问题。更稳妥的方式是先以768×512左右出小图，选定满意构图后再用高清放大脚本处理。
常见问题排查与输出质量控制
草图线条太淡或背景太杂，会导致Canny检测断裂，ControlNet无法正确约束结构。解决办法是先用图像编辑软件提高对比度，或者使用MLSD预处理器提取直线骨架。如果生成图中透视角度发生明显偏移，可以降低denoising strength，或同时启用Depth预处理器，用深度信息补充结构约束。对于体块关系要求极高的方案，还可以先输出深度图，再用深度图反向生成效果图。
建筑表现中经常出现窗户数量不一致、柱子缺漏、楼层线错位等问题。这些属于扩散模型的结构幻觉，很难仅靠提示词完全避免。实践中可以通过固定随机种子反复抽卡，或者把出错区域截取出来做局部重绘。局部重绘时同样使用ControlNet，只对遮罩区域重新采样，能够保留周围正确的结构，避免整图改动。
出图后还应进行必要的质量控制。预览阶段先看整体透视、比例和光影方向，再放看材质和细节。如果画面细节不足，可以使用Ultimate SD Upscale或SD upscale脚本做二次放大，让模型在高分辨率下补充细部。最后进入修图软件做轻微色彩校正，并加入人物、植被或室内灯光等素材，能显著提升建筑效果图的真实度和完成度。