一句话定义：ControlNet 是一种给预训练扩散模型（diffusion model）外挂「可训练分支」的技术，让出图时除了听文字提示，还能听一张条件图——边缘、深度、人体姿态、线稿、分割图——从而精确控制画面的构图与结构。
它是怎么工作的
想象一位功底深厚但脾气随意的老画师，这就是预训练扩散模型。你说「一个女孩坐在窗边」，他画出来的人可能歪着、手不知放哪。你要的不是换画师，而是给他配一位拿着施工图的助手。
ControlNet 的做法是：把老画师的本事原样冻结（原模型权重不动），复制一份「影子网络」当可训练分支，把条件图喂进去。分支每一层的输出，再通过特殊连接加回原模型的对应层。关键在连接处的卷积权重初始化为 0，叫零卷积（zero convolution）。训练一开始，分支输出全是 0，等于什么都没加，原模型完全不受影响；随着训练推进，分支才慢慢学会「往哪里加、加多少」。
好处很直接：不用重新训练几十亿参数的大模型，只训练一个小分支，就能学会一种控制方式。而且原模型没被破坏，画质和审美依然在线。
和相邻概念的差别
| 概念 | 管什么 | 输入 |
|---|---|---|
| 提示词（prompt） | 画面语义与风格倾向 | 文字 |
| 图生图（img2img） | 整体重绘，粗略保留原图 | 一张参考图 |
| LoRA | 风格、人物、特定概念 | 少量样本训练出的权重 |
| ControlNet | 空间结构与构图 | 边缘／深度／姿态／线稿／分割图 |
一句话：LoRA 决定「画的是谁、什么味道」，ControlNet 决定「东西摆在哪儿、什么姿势」。
对实际工作的意义
过去用 AI 出图更像抽卡，改十遍提示词也未必让手放到指定位置。有了 ControlNet，流程变成：草图或白模 → 提取条件图 → 生成成图，可控、可迭代、可复用。电商可以固定模特姿态，只换服装和场景；建筑和室内能在草图阶段就出效果图；动画可以做姿态迁移和结构对齐。对普通职场人来说，它把「生成图片」往「执行设计稿」推近了一步。
局限也要知道：一种条件通常对应一个单独训练的分支；多个条件叠在一起可能互相打架；条件图本身画得粗糙，结果也不会精细。至于具体支持哪些条件类型、权重怎么调，以各工具的官方页面为准。