在使用stable diffusion作画(俗称炼丹)时，为了生成生成更符合自己需要的图片，就可以结合controlnet扩展来实现，下面是我总结的各扩展模型的作用：
depth模型
作用 ：该模型可以识别图片主体，依据图片主体生成不同背景的图片变种，类似于抠图
示例图片 ：第一个为原图-- 》后面是结合 depth 模型生成的 (prompt: handsom man )
官方示例效果使用界面 ：
sd参数界面生成结果 ：
normal模型
该模型作用和depth 模型类似
示例图片 ：(prompt: man in flower/house)
示例图片效果使用界面 ：
sd参数界面生成结果 ：
实际生成结果示例可以看到使用该模型时，会根据原图的主题生成类似的一系列图片，并不会和depth模型一样生成同样动作的图片
canny模型
作用 ：通过canny 模型识别图片内容为线稿，来控制 sd 图片生成内容
示例图片 ：(prompt: dog in a room)
图片示例使用界面 ：
生成结果：
canny实际生成图片效果和depth模型生成的类似
openpose模型
作用 ： 通过 openpose 模型识别人物图片的头，手，身体的姿势来控制 sd 图片的生成
示例图片 ：（prompt: man in suit ）
示例效果使用界面 ：
使用参数界面生成结果 ：
实际生成效果图可以看到生成的图片效果和原图会有相同的姿势，不同的背景
Segmentation模型
作用 ： 通过 segmentation 模型精准分割图片上的不同的物体和内容，并以此来控制 sd 图片的生成
示例图片 ：（prompt ： house ）
官方示例效果使用界面 ：
使用参数界面生成结果 ：
实际生成结果效果和之前模型的类似
Anime Lineart模型
作用 ： 通过该模型识别动漫线稿，并以此控制 sd 生成类似动漫图片
示例图片 ：（prompt ： 1girl, in classroom, skirt, uniform, red hair, bag, green eyes ）
官方示例效果使用界面 ：
sd使用界面参数生成结果：
实际生成效果对比总结： 对于动漫类型图片，比 canny 模型识别更清晰，生成的图片效果更好
Shuffle模型
作用：通过该模型重新对图片进行打乱重组，来生成新的图片
示例图片：（prompt ： hong kong ）
官方示例图片使用界面 ：
sd使用参数界面生成结果 ：
实际生成效果对比总结： 适用于基于原图上改进的场景，人物动作会打乱重新生成
Tile模型
作用 ：通过该模型可以提高原图的分辨率的同时给原图填充更多的细节，适合搭配 sd 的高清修复选项，非常适合生成4k 高质量图片
示例效果 (ps:图片只截取了部分 ) ：（ prompt : old man ）；可以看到输出的图片在脸部会有更多的细节显示
官方效果对比使用界面 ：
sd使用界面参数生成结果 ：左为原图，右为输出图片
生成的实际效果对比该模型适合生成高清大图，补充细节，使用频率比较高
总得来说，结合不同模型的控制特点，多尝试，以此来生成自己想要的图片。