基于StableDiffusion的环境设计教学新思维

引言

因为 AI 技术的快速迭代，以至于找到一款适合当下的 AI 教学系统确实很难。一项技术的发展，会经历从有趣到有用的蜕变。有趣是指它能让人眼前一亮，有用才是我们追求的生产效率的提升。在今天这个节点，AI 绘图软件 Stable Diffusion 正逐渐变得有用，无论是学生还是专业工作从事者，都可以利用这个工具，提升工作效率与设计质量。

一、概述

AIGC，即 Artificial Intelligence Generated Content（人工智能生成内容），该技术以上世纪末本世纪初为起点产生发展起来，如今已广泛受到设计爱好者的关注，其中Midjourney（以下简称 MJ）和 Stable Diffusion（以下简称 SD）是当下最流行的 AI 绘画应用。MJ 对初学者更加友好一些，简单的一行文字就可以生成精美的图片，但它对出图结果不可控，环境设计创造中会存在很大的问题。反观SD，利用 ControlNet 插件可以实现出图结果的相对可控，环境设计行业对可控性的要求，决定了当下 SD 是我们AIGC 环艺教学的最佳工具。

二、SD 的模型在环境设计中的作用

SD 模型的核心思想是将图像生成过程看作是一个扩散过程。在这个过程中，模型会根据输入的随机噪声和一系列预设的条件，逐步生成最终的图像。SD 模型主要包括Checkpoint 模型、LORA 模型和 ControlNet 模型三种。Checkpoint 模型是 SD 的主模型，也叫大模型，包含了大量的场景素材，所以它的体积很大，其它模型都是在它基础上做一些细节的定制。LORA 模型是一个微调模型，主要用于对主体进行定制，相比于主模型，LORA 模型更加轻巧，训练效率也更高。ControlNet 模型是一种用于控制稳定扩散的神经网络结构模型，它允许用户通过添加额外条件来控制 SD 的扩散过程，从而引导生成图像的内容。ControlNet 模型也是 SD 可控性的关键。

环境设计师可以使用这些建筑类的大模型来生成不同风格的建筑设计方案，帮助设计师在设计过程中获取灵感。当设计师需要一定的特殊化要求时，LORA 模型就可以满足这些方面了。LORA 模型可以看作是大模型的补丁，旨在提高 SD 大模型的效率和性能，同时满足特定的风格或特征需求。ControlNet 模型增强了对生成作品的内容和风格的操控能力，更加精细的实现对设计内容的细化调整。

三、在 ComfyUI 的工作流中完成环境设计创意

ComfyUI 是 SD 中一个基于节点编辑的图形用户界面（GUI），ComfyUI 工作流是用于创建复杂图像生成的工作流程，它为用户提供了一种直观且强大的方式来创建和管理AI 图像生成任务，极大地方便了AI 图像生成项目的开发和实施。工作流由多个节点组成，每个节点代表一个具体的任务，如加载模型、处理图像等。用户可以将这些节点拖拽到画布上，并通过连接线定义它们之间的关系，从加载模型到生成图像完成构建一个完整的工作流。

下面以建筑初步设计为例，阐述 ComfyUI 工作流的基本实现方法。首先，根据建筑设计的需求选择合适的模型和插件并将其导入，以便在工作流中使用。其次，搭建工作流，这也是流程中最重要的环节。搭建过程中需要建立相关的工作流节点（Node），ComfyUI 就是通过这些节点的联系进行计算分析最终输出作品。最后，设计者只需要启动工作流，通过计算分析，一张或一组建筑初步设计意向图就生成了。

四、环境设计中LORA 模型的训练

在环境设计中，LORA 模型的训练，是一个重要的过程，它允许设计师根据特定的建筑风格或设计元素对模型进行微调。

LORA 模型训练的基本流程如下：首先需要明确训练 LORA 模型的目标，比如是生成特定风格的建筑图像、优化建筑设计方案中的某些元素等；其次，准备训练数据集。根据训练目标收集相关的建筑图片，以便模型能够识别和学习图片中的关键信息；然后，配置训练环境，设计师可以选择训练平台，比如选择本地或云端进行训练；最后，进行模型训练，在配置好训练环境和参数后，就可以启动训练了。

五、环境设计中ControlNet 控件的作用

ControlNet 控件的主要作用体现在提升设计的精细度、创意性和工作效率上，核心是更精准的控制设计作品以符合设计需要。比如 ControlNet 允许设计师使用参考图来辅助设计，这些参考图就像建筑设计的图纸一样，能够精确指导设计过程，确保最终的设计作品符合预期的精细度和准确性。同时，一些 ControlNet 插件还可以实现风格迁移，将一种图像的风格应用到另一种图像上，进一步丰富设计的多样性。ControlNet 还具有智能布局的功能，在环境设计中，能帮助设计师快速搭建设计框架。

ControlNet 在SD 中发挥着至关重要的作用。它通过引入额外的条件信息来指导图像的生成过程，实现了对图像生成的精细控制和质量的提升。通过选择合适的预处理器和模型、配置参数以及优化生成结果，可以创建出具有独特风格和精细细节的环境设计作品。

六、结论

在环境设计专业的教学中，无论是室内设计、景观设计还是建筑设计，学生都可以利用 SD 快速生成多样化的设计方案，从而辅助创意灵感的产生。设计师通过输入条件生成与之相匹配的图像内容，使得设计师能够在环境设计中更加精细化的控制成果。所有这些优势使得 SD 成为环境设计师重要的创作工具。在教学实践中，我们应该将传统环境设计教学与 Stable Diffusion 设计创作进行合理整合，共同推动环境设计专业教学的设计创新和发展。

参考文献：

[1] 谢柯烨. 人工智能图像生成在环境设计中的应用[J]. 美与时代，2024(09)TU20;TP18;TP391.41

[2]徐蕴博.基于稳定扩散模型的中小尺度风景园林空间布局方案生成探索[J].建筑与文化，2024 (09)TU986

[3]刘华然.黄慎泽.从技术到艺术从计算到智能——全国高校计算机基础教育四十年发展综述[J].传媒，2024 (19)G642;TP3-4

[4]於涵阳.语言精确性：AIGC 时代数字艺术创作的转变[J].艺术品鉴，2024(29)J0;TP18

[5]程雨庄.刘静.AIGC 思考：生成式设计与过程式设计[J].鞋类工艺与设计，2024 ,4(19) TP18;J50-05

[6]彭聪.AIGC 对艺术设计毕业生的就业影响及对策[J].传媒与艺术研究，2024（02）J50-4;G647.38基金项目：2024 年校级本科教学改革研究项目：AIGC 在环境设计专业教学中的辅助作用研究课程改革研究。项目编号：JG240901C1