共计 1950 个字符，预计需要花费 5 分钟才能阅读完成。
图像格调迁徙（Style Transfer）是一种计算机视觉技术，旨在将一幅图像的格调利用到另一幅图像上，从而生成一幅新图像，该新图像联合了两幅原始图像的特点，目标是达到一种风格化叠加的成果，本次咱们应用 Stable-Diffusion 联合 ControlNet 来实现图像格调迁徙成果。
装置 ControlNet 插件
首先确保本地曾经装置并且配置好了 Stable-Diffusion-Webui 服务，对于 Stable-Diffusion-Webui，请参见：人工智能, 丹青圣手, 全平台 (原生 /Docker) 构建 Stable-Diffusion-Webui 的 AI 绘画库教程(Python3.10/Pytorch1.13.0)，这里不再赘述。
随后进入我的项目目录，启动 Stable-Diffusion-Webui 服务：
python3 launch.py如果是没有 N 卡的电脑，就应用 cpu 模式启动：
python3 launch.py --skip-torch-cuda-test --upcast-sampling --use-cpu interrogate接着拜访 http://localhost:7860
抉择插件 (Extensions) 选项卡
点击从 url 装置，输出插件地址：github.com/Mikubill/sd-webui-controlnet.git
装置胜利后，重启 WebUI 界面。
因为 ControlNet 默认是一层网络，风格化操作咱们须要两层，所以在设置选单 (Settings) 中，将多层网络设置为 2。
设置好之后，下载模型文件：huggingface.co/webui/ControlNet-modules-safetensors/tree/main
将模型放入 stable-diffusion-webui/extensions/sd-webui-controlnet/models 目录
这里还须要独自下载一个格调迁徙模型，地址是：huggingface.co/TencentARC/T2I-Adapter/blob/main/models/t2iadapter\_style\_sd14v1.pth
同样放入 stable-diffusion-webui/extensions/sd-webui-controlnet/models 目录
至此，Stable-Diffusion-Webui 服务的 ControlNet 插件就配置好了。
格调迁徙
当初，咱们关上 ControlNet 的第一个图层，将原始图像的轮廓渲染进去，因为须要保障原始图像的根本形态。
这里预处理器抉择 head，模型应用 ControlNet 的 head 模型即可。
能够看到根本轮廓曾经失去了保留，风格化只负责色彩和线条。
随后配置第二个 ControlNet 图层，预处理器抉择 t2ia\_style-clipvison，模型抉择刚刚下载的 t2iadapter\_style\_sd14v1.pth，默认图像权重为 1，先不要动。
接着上传一张指标格调的图片，这里咱们抉择文森特梵高的表现主义作品《星空》：
随后点击 Generate 按钮做图生图（img2img）操作即可。
过拟合问题（Overfitting）
通过一段时间的本地推理，生成后果如下：
成果并不尽如人意，这也是大多数深度学习入门者会遇到的问题，也就是过拟合问题。
过拟合（Overfitting）是指在训练模型时，模型适度地学习了训练数据的特色和噪声，从而导致模型在新数据上体现不佳的问题。
艰深地讲，过拟合就像是一名学生背诵考试答案，然而他只是死记硬背了考试题目标答案，没有真正了解题目的实质和解题思路。当他遇到新的考试题目时，因为没有了解题目的实质和解题思路，他就无奈正确答复。
在机器学习中，过拟合的起因是模型简单度过高，导致模型对训练数据中的噪声和特色都适度谋求，并且疏忽了数据背地的实质法则和特色。因而，当模型面对新的数据时，因为没有真正了解数据的实质法则和特色，它就无奈正确地对新数据进行预测。
说白了，就是对于原始图的特色过分谋求，从而淡化了指标图的格调，还记得 ControlNet 默认权重是 1 吗？这里咱们只须要将权重往下调整，比方调成 0.8，再次尝试生成：
成果不错，既保留了原始图的大部分细节，又减少了梵高的表现主义格调。
当然了，权重也不能一味地往下调整，否则也会呈现欠拟合（Underfitting）问题，整个风格化迁徙的过程也能够了解为是一种“调参”的过程。
结语
通过 Stable-Diffusion 联合 ControlNet 插件，咱们能够失去一幅新的图像，该图像联合了两幅原始图像的特点，既具备内容图像的内容，又具备格调图像的格调。图像格调迁徙也能够利用于其余的畛域，比方电影、游戏、虚拟现实和动画创作等等。
