待验证50% 置信事实精确时间
ControlNet由张吕敏等人于2023年提出，通过在预训练扩散模型旁附加一个可训练的编码器分支，接收边缘图、深度图、语义分割图等空间条件信号来控制生成图像的结构布局
1
来源数
50%
置信度
长期有效
时效性
2026/9/9
首次发现
来源
涉及实体
相关事实
待验证ControlNet由Zhang等人于2023年提出，通过复制扩散模型编码器权重并加入零卷积层，使深度图、边缘图、骨骼姿态图等条件信号精确控制生成结果78% 相似待验证ControlNet通过将预训练扩散模型的编码器复制一份作为可训练副本，通过零卷积层与原模型连接，在不破坏原模型能力的前提下注入空间条件信息75% 相似已验证填充式训练（Fill-in-the-Middle, FIM）给定代码前缀和后缀让模型预测中间缺失部分，更贴近实际开发中的代码补全场景68% 相似待验证ControlNet通过零卷积层将预训练的Stable Diffusion与条件分支连接，允许通过额外条件输入精确控制生成结果68% 相似待验证现代多模态大模型采用统一的端到端训练框架，图像编码器与语言模型联合优化67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/882615API
curl https://kongchang.com/api/v1/knowledge/claims/882615MCP
get_claim(id=882615)