Hello，各位同学大家好！欢迎来到今天的课程。今天我们继续使用 Stable Diffusion（SD），探讨它在室内设计效果图生成中的实际应用。 我们准备了两个典型场景进行演示： 第一种是将毛坯房图像转化为完成装修后的效果图； 第二种是基于已有室内效果图，在保持原有空间结构的前提下，生成风格或配色不同的新效果图。 首先，请下载一个专用于室内设计的 Stable Diffusion 大模型。该模型可在 Hugging Face 平台搜索关键词“Interior”找到。下载完成后，将其放入 Stable Diffusion 的模型文件夹中即可。 接下来进入图生图（img2img）工作流： **场景一：已有室内图 → 风格化改造** 1. 将原始室内效果图拖入图生图界面； 2. 设置图像尺寸（建议宽度约 1024 像素）； 3. 选择采样方法（如 Euler a），迭代步数设为 30； 4. 启用 ControlNet，并选择“语义分割（Segmentation）”预处理器； 5. 上传原图后点击“预处理”，系统会将画面按不同物体类别（如沙发、圆桌、地毯等）以彩色区域分割，便于后续精准控制； 6. 提示词分为两部分： 　- 质量类提示词：如“masterpiece, best quality, realistic lighting, detailed shadows”； 　- 内容类提示词：如“blue sofa, yellow cushions, gray rug”； 7. 反向提示词用于排除不希望出现的效果，例如：“low quality, sketch, drawing, grayscale, black and white”； 8. 确保 ControlNet 已启用，并勾选“Perfect Pixel”选项； 9. 点击生成。若某些元素（如蓝色沙发）表现不明显，可通过增加对应关键词权重（如 `(blue sofa:1.3)`）强化效果。 **场景二：毛坯房 → 全屋效果图** 1. 将毛坯房照片导入图生图界面； 2. 此时不宜使用语义分割，因毛坯房缺乏明确物体特征； 3. 改用 ControlNet 的“直线检测（MLSD）”模式，可有效提取墙面、门窗等结构线； 4. 提示词示例：“living room, modern style, beige sofa, wooden coffee table, soft carpet, white walls, potted plants, natural light”； 5. 若生成结果中灯具过多，可降低“light bulb”权重，或添加反向提示词如“excessive lights”； 6. 可适当提高重绘幅度（Denoising strength），给予模型更大创作自由度； 7. 补充细节提示词，如“curtains, windows, indoor plants”，有助于提升画面完整性与真实感。 通过上述两种方式，Stable Diffusion 能够在保留原始空间结构的基础上，高效产出高质量、风格可控的室内设计效果图，显著提升设计表达与方案沟通效率。