色彩统制一直是 AIGC 的难点，prompt 会污染、img2img 太随机… 今天带来利用controlnet，实现对画面色彩的有效统制。都说AIGC是抽卡，但对把它作为工具而非玩具的设计师，必须掌握如何统制它，让我们一起开始可控AI生成。
更多相关干货：
一、想给 AI 点色彩瞧瞧，怎么这么难
大家或许已经通过各种《三分钟包会》《五分钟出道》的教程，可以手拿把掐的将一张商品图，完美植入需要的配景中。客观的说，无论从角度、投影、还是商品与配景的语义关系，以下都能算是合格的图片。但是作为视力 255³的设计师，总能发现它的不完美——色彩，更准确的说是商品和配景的色彩关系。
但是，只要我们加亿点点细节，就可以让商品和配景的融合更为自然，减轻 AI 生成的割裂感，让它更像一张出自人手的精修图片。
通常，要做到这样的效验，或是去 stable diffusion 中尝试大量色彩的 prompt，但因为 SD 机制的原因，污染会很严重，效验难得理想；或者在 midjourney 中，通过反复的垫图反推+ps，抽卡一张合适的效验，总之是费时、费力，更费人。
现在，我们有了更简单、更可控、更出效验的方法，如果你也深受上述问题之苦，那就让我们一起来，给 AI 点色彩瞧瞧。
二、色彩就这招，简单可控效验好
这张是我们的对照组，没有增加任何的色彩统制手段，接着我们撸起袖子开干。
① 提取商品主色调，作为色彩统制基础
首先我们先吸取商品的主色调，然后顺着商品色彩变化的方向，做一张全尺寸（等同最终脱稿尺寸）的突变效验，突变主要是为了效验更加自然。
② 增加controlnet，实现色彩统制效验
这一步是重点，它会完成色彩融合，在 controlnet 中，加载这张色彩突变图片，并增加预处理器 t2ia_color_grid 和对应模型，具体的模型和参数会在后文有详细解读，这里我们先看效验。
③ 并入生图过程，完成全图色彩管理
最后，补全配景生成的过程，就可以得到一张色彩折衷，又没有割裂感的商品主图了。
将这套过程应用到不同的商品和场景图中，实现如下效验。可以看到，经过色彩统制后，商品图的融合效验都有了显著提升。利用上述方法，设计师就能非常可控的来对图片进行色彩管理了，特别适合当商品本身色调鲜明多样，对放置的场景又有较高要求的需求中。
三、操作不再黑箱，用着才算真香
下面，详细介绍下中间的参数和方法：
预处理器我们使用 t2ia_color_grid，它的功能是对色彩进行网格检测，用来生成与原图色谱一致，分布近似的图像，所以它会呈现一个马赛克效验，在它的作用下，重新生成的图片会按照它的色彩特征进行重绘。（延伸思考：在一些特殊场景，你设置可以手绘一个色彩分布非均匀的模板，并以此产生更加丰富的效验）
其中最重要的参数是 weight、starting control step、ending control step
weight 是这个 controlnet 在整体中起到多大的作用，下图可以看到 weight 从小到大的分布对画面的影响。
starting control step 统制了 controlnet 从什么时候开始介入生图的方法，越早介入对画面的影响越深远，毕竟从一开始就参与其中了嘛。
ending control step 统制了 controlnet 在什么时候退出生图的方法，越晚退出则会将影响保留的越完整，它意味着把统制留到的画面生成的最后一刻。
这里经过测试，为了保持比较折衷的效验，三个参数分别是（0.7，0.3，1），但需要注意，这套参数适配的是案例中色相柔和、饱和度较低的情况，如果在实际应用中遇到的色彩很重，那针对参数也要进行相应的调整。
搭建好统制色彩的 controlnet 之后，补上针对商品和布局的 controlnet，整个对色彩统制的过程就完成了。
点击 generate，就能得到一张色彩折衷的脱稿啦。
四、效验一键实现，用户无感体验
以上方法主要用在本地操作，一些方法还需要人为参与。当要把这套逻辑工程化、线上化，自然没法再靠设计师吸取色彩了，中间过程会用一些简单的算法和代码，比如对 sku 主色的选取，可以用 octree 或 colorthief。
提取出的色值也需要经过一定的优化和映射再用到 controlnet 中才会取得比较好的效验，毕竟商品的情况多且复杂，单纯的依靠机器识别，可能出现偏颇，所以为了最终效验，必须要做更精细的管控。
到此，整个色彩统制的过程完结，或许你也常听闻 AIGC 是黑盒、是随机、是抽卡，但对要把它作为工具而非玩具的人来说，就是要探究从各个维度、各个环节，统制它的手段。虽然科技改变生活，但不能改变你的绝活。
以上，我们下期再见啦！