想象你是一位小区夜景灯光设计师。开工前，你得先拿到一张“楼栋距离图”：哪栋楼紧贴马路，哪栋楼藏在花园深处，哪栋楼在远处山脚下。有了这张图，你才能决定哪个窗台装暖光、哪个屋顶装射灯。AI 绘画中的深度控制，正是这样一张“距离图”——画面里每个像素都标注着“它离镜头有多远”。ControlNet 读到这张图，才能在生成时把人物放在前景、把背景推向远处。 本文主角是画这张图的两种工具：MiDaS 像一位见多识广的老测绘员，任何陌生图片瞄一眼就能估出远近，出手快但边缘模糊；Depth 方案则像一台高精度激光测距仪，测量准、边界利落，但更挑场景。选对工具，画面层次才准确。

岗位关联

对 AI 从业者而言，理解 Depth 与 MiDaS 在原理、精度、场景上的差异，能快速选定深度控制方案、减少生成调试轮次，是进阶可控图像生成与 3D 内容创作的关键能力。

目录
  1. 可视化演示
  2. 深度图原理
  3. 方案差异对比
  4. 精度效果实测
  5. 选型决策指南
  6. 控制参数调剂
  7. 实战避坑经验
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

动态演示Depth与MiDaS深度控的核心机制，通过开始/执行/监控/完成四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Depth与MiDaS深度控：深度控制 深度控制原理与ControlN Depth深度估计方法与特点 核心机制可视化 Depth与MiDaS深度控整体架构与关键组件

深度图原理

装修一间新房前，设计师总会先量房：拿卷尺贴着墙脚，画下哪面墙长、哪根柱子在中间、窗台离门多远。没有这份尺寸图，后续的家具摆放全是纸上谈兵。AI 绘画里的“量房”，就是生成一张深度图。

深度图是一张普通的灰度图，每个像素的明暗并不代表颜色，而是代表“这个点到镜头的距离”。计算机先从照片里估算出远近关系，再把远近翻译成 0 到 255 的灰度值，让后续模型一眼看清画面层次。ControlNet 拿到这张图，就像设计师拿到尺寸图，生成时不敢把椅子画进墙里。

在 ControlNet 工作流里，深度图通常遵循“近暗远亮”的约定：近处的物体压暗，远处的背景抬亮。这样能最大化利用灰阶的区分度，让人物轮廓、建筑立面、天空层次一清二楚。

量完房才有底气布置家具。同理，有了清晰的深度图，ControlNet 才能把“近景人物”和“远景山峦”安排得明明白白。

p(x,y)=255×dmax−d(x,y)dmax−dmin\displaystyle p(x,y) = 255 \times \frac{d_{\text{max}} - d(x,y)}{d_{\text{max}} - d_{\text{min}}}
这个公式把真实的远近距离翻译成 0~255 的灰度值：距离越远，分数越小，像素越亮。
  1. 像素坐标 $(x,y)$指画面中某一个像素点的位置，深度图上每个格子对应照片里一个像素。
    (x,y)(x,y)
  2. 实测距离 $d(x,y)$该像素到相机镜头的真实远近数值。
    d(x,y)d(x,y)
  3. 最远与最近距离$d_{\text{max}}$ 是场景中最远点，$d_{\text{min}}$ 是最近点，用来把数值压缩到同一区间。
    dmax, dmind_{\text{max}},\ d_{\text{min}}
  4. 分子反转变换让距离越远的像素，灰度值越大，符合“近暗远亮”的约定。
    dmax−d(x,y)d_{\text{max}} - d(x,y)
  5. 归一化并转灰度除以距离区间把结果压到 0~1，再乘以 255 变成标准灰度。
    255×dmax−d(x,y)dmax−dmin255 \times \frac{d_{\text{max}} - d(x,y)}{d_{\text{max}} - d_{\text{min}}}

方案差异对比

一个工地同时来了两位测量师：老测绘员不带仪器，站在路口扫一眼，就能报出每栋楼的远近；另一位背着激光测距仪，强调自己“数值精确到毫米”，但架设仪器要花十分钟。MiDaS 和 Depth 的差别，正是这对组合。

从技术上看，MiDaS 是一套多数据集联合训练的单目深度估计器。它见过互联网照片、3D 电影、室内外场景，所以给任何一张陌生图都能迅速输出深度图。Depth 方案则是更泛指的一类深度获取方式：可以是针对特定领域精调的深度模型，也可以是由 3D 渲染器直接导出的真实深度图。两者最大的差异在“通用性”与“精确性”的天平两端。

训练数据的差异决定了行为模式。MiDaS 从大量来源各异的数据中取均衡，学到的是“普遍规律”，因此对一个边缘的标注会被多个数据集的不同意见拉平，边界就会发糊。Depth 方案通常专注某一类场景，比如专门训练建筑内景，边缘被反复强化，细节保留更好，但一换到陌生题材就可能失灵。衡量深度估计误差，业界常用对数深度误差：

老测绘员适合陌生场地快速勘测，精密仪器适合重复测量的固定地形。MiDaS 适合“看一眼就画布局”，Depth 适合“必须把边界钉死”的场景——两者不是谁替代谁，而是互补。

Llog⁡=1N∑i=1N∣log⁡di−log⁡d^i∣\displaystyle L_{\log} = \frac{1}{N} \sum_{i=1}^{N} \left| \log d_i - \log \hat d_i \right|
先在数值上取对数再比较，是为了不让远处的误差在总损失里被近处误差掩盖。
  1. 真实深度 $d_i$第 $i$ 个像素的真实距离，是模型要逼近的目标。
    did_i
  2. 预测深度 $\hat d_i$模型对第 $i$ 个像素输出的估计距离。
    d^i\hat d_i
  3. 取对数把距离从“倍数关系”变成“加减关系”，让近处和远处同等重视。
    log⁡di, log⁡d^i\log d_i,\ \log \hat d_i
  4. 逐像素绝对值平均对所有像素的差异取平均，得到一个整体误差指标。
    1N∑i=1N∣log⁡di−log⁡d^i∣\frac{1}{N} \sum_{i=1}^{N} \left| \log d_i - \log \hat d_i \right|

精度效果实测

把钢卷尺贴到墙面上，最怕墙角有缝。尺子贴得越紧，读数越准；深度图的“尺子”就是边缘。边缘越锐利，生成出来的物体轮廓越不容易漂移。

在真实对比中，MiDaS 深度图的人物边界常带着一圈过渡带，像墨迹在宣纸上洇开；Depth 方案的人物轮廓则像刀切一样干脆。细节纹理层面，MiDaS 更容易把头发丝、镂空栏杆、树叶缝隙合并成同一个深度平面，导致生成时这些细节“粘连”在一起。Depth 方案对微小结构保留更积极，墙面砖缝、服装褶皱都能看出一二。

但再精密的测距仪也有天敌：玻璃反光和透明水杯。激光打到玻璃上会直接穿透，测出的距离是后面的墙。深度估计遇到透明、半透明物体时，MiDaS 往往给出一个“和稀泥”的中间值，Depth 方案则可能斩钉截铁地给出错误数值。判断边缘是否利落，可以用深度梯度来衡量：

尺子按紧才能读准数。想让深度图边缘干净，不能只靠模型，还要搭配好预处理器和源图质量——源图清晰，两种方案的表现都会上一个台阶。

∣∇d∣=(∂d∂x)2+(∂d∂y)2\displaystyle \left| \nabla d \right| = \sqrt{ \left( \frac{\partial d}{\partial x} \right)^2 + \left( \frac{\partial d}{\partial y} \right)^2 }
深度梯度越大，说明这个位置远近变化剧烈，也就是边缘越清晰。
  1. 水平方向变化 $\frac{\partial d}{\partial x}$深度值沿画面左右方向的变化快慢。
    ∂d∂x\frac{\partial d}{\partial x}
  2. 垂直方向变化 $\frac{\partial d}{\partial y}$深度值沿画面上下方向的变化快慢。
    ∂d∂y\frac{\partial d}{\partial y}
  3. 平方和开根把两个方向的变化合成一个总幅度，得到该点的梯度强度。
    (∂d∂x)2+(∂d∂y)2\sqrt{ \left( \frac{\partial d}{\partial x} \right)^2 + \left( \frac{\partial d}{\partial y} \right)^2 }

选型决策指南

老测绘员和经验再丰富，也有他擅长和不擅长的地形；精密测距仪再准，也不是所有工地都方便架设。给画面选深度方案，本质是“看菜下饭”。

一个实用的选型口诀是：动漫线稿优先 Depth 方案。动漫线条需要跟线稿严丝合缝，MiDaS 的模糊边缘会让线稿被“吃”掉。写实照片则优先 MiDaS，因为真实照片场景五花八门，MiDaS 的强泛化能力能稳住整体结构。3D 合成场景更简单，直接用渲染器导出的真实深度图，这就是最完美的 Depth 方案。风格化插画介于两者之间，通常 MiDaS 的“通用审美”更能匹配插画师的想象空间。

在 ControlNet 实际接入时，这个选择体现为预处理器下拉菜单里的不同选项。选好之后，还可以观察深度图里的层次是否完整：前景人物、中景道具、背景墙面应该呈明显的灰阶分区。用“线条保留分数”可以快速判断方案是否适合线稿类画面：

尺身的长度并不重要，会用的人才知道该在哪张图上掏出哪把尺。选型没有绝对正确，只有“更适合当前画面”。

score=∑iei⋅∣∇di∣∑iei\displaystyle \text{score} = \frac{\sum_{i} e_i \cdot \left| \nabla d_i \right|}{\sum_{i} e_i}
当线稿边缘位置恰好对应深度梯度大的地方，分数就高，说明深度图能撑起线稿结构。
  1. 线稿边缘强度 $e_i$第 $i$ 个像素处线稿边缘的明显程度。
    eie_i
  2. 该点深度梯度 $|\nabla d_i|$深度图在这个位置的变化是否剧烈。
    ∣∇di∣\left| \nabla d_i \right|
  3. 加权求和用线稿边缘作为权重，只统计线稿位置的深度清晰度。
    ∑iei⋅∣∇di∣\sum_{i} e_i \cdot \left| \nabla d_i \right|
  4. 整体归一化除以线稿边缘总量，得到平均意义上的线条保留分数。
    ∑iei⋅∣∇di∣∑iei\frac{\sum_{i} e_i \cdot \left| \nabla d_i \right|}{\sum_{i} e_i}

控制参数调剂

拿到一台测距仪，不能上来就猛按开关——你得先调灵敏度、校准零点。ControlNet 深度控制对应的“旋钮”，就是权重参数和预处理器设置。

ControlNet 的权重（Control Weight）控制着深度图对生成结果的“约束强度”。权重太高，图会变成深度图的描红，细节和风格被压死；权重太低，深度图形同虚设，人物照样乱飘。实际操作中，可以从 0.6 开始试，前景主体不飘、背景氛围不糊，就说明旋钮拧到了合适的位置。

预处理器搭配同样关键。深度图模糊时，可以叠加 Canny 边缘图，让边缘信息“双保险”；如果画面同时需要大布局和细边缘，还可以混用两种深度方案：用 MiDaS 提供整体远近，用 Depth 钉住关键物体轮廓。混合方式可以写成线性加权：

旋钮不是越大越好，而是“刚好按住画面、又不压扁笔触”才最舒服。多试几次 $w$，你会找到属于自己的手感。

Dblend=w⋅DDepth+(1−w)⋅DMiDaS\displaystyle D_{\text{blend}} = w \cdot D_{\text{Depth}} + (1-w) \cdot D_{\text{MiDaS}}
权重 $w$ 越大，最终深度图越接近 Depth 的风格；$w$ 越小，越接近 MiDaS。
  1. Depth 深度图 $D_{\text{Depth}}$来自精密方案，边缘清晰但泛化弱。
    DDepthD_{\text{Depth}}
  2. MiDaS 深度图 $D_{\text{MiDaS}}$来自目测派，整体稳定但边缘糊。
    DMiDaSD_{\text{MiDaS}}
  3. 混合系数 $w$取 0~1 之间的值，决定两种方案各占多少分量。
    ww
  4. 加权相加两图按比例叠加，得到一张“大体结构稳、关键边缘利”的混合深度图。
    w⋅DDepth+(1−w)⋅DMiDaSw \cdot D_{\text{Depth}} + (1-w) \cdot D_{\text{MiDaS}}

实战避坑经验

再好的测距仪，如果被门缝卡住、电池没电，读出来的数字也会骗人。深度控制翻车，往往不是工具不行，而是用法踩了坑。

第一个坑是深度图模糊。上传的参考图分辨率太低，或预处理器参数没调，深度图就会变成一片灰蒙蒙的色块，生成结果里物体轮廓像融化了一样。第二个坑是黑白反转。很多模型对深度图的灰度约定不同，如果拿了一张“近亮远暗”的深度图喂给“近暗远亮”的模型，人物和背景就会站反，画面透视彻底崩坏。第三个坑是换图不换深度图。上一张图的深度结构还赖在画布里，新图的构图自然对不上。第四个坑是透视失衡，广角与中焦镜头的深度分布差异很大，强行沿用会造成前景怪物、后景塌陷。

判断一张深度图是否合格，可以把它和原图叠起来看边缘是否对齐。量化评估时，可以用均方根误差来衡量深度图的忠实度：

尺子读错了不是尺子的错，是使用者没先校准。每换一张图、每换一个模型，都重新检查一次深度图，才能少走弯路。

E=1N∑i=1N∣di−d^i∣2\displaystyle E = \sqrt{ \frac{1}{N} \sum_{i=1}^{N} \left| d_i - \hat d_i \right|^2 }
这个指标把逐像素误差平方后取平均再开根，误差大的点会被明显放大，方便暴露严重错位。
  1. 逐像素差异 $d_i - \hat d_i$真实深度与估计深度之间的差值。
    di−d^id_i - \hat d_i
  2. 平方放大误差对差异取平方，让少数严重错误的像素浮出水面。
    ∣di−d^i∣2\left| d_i - \hat d_i \right|^2
  3. 对所有像素平均把平方误差累加后除以像素总数。
    1N∑i=1N∣di−d^i∣2\frac{1}{N} \sum_{i=1}^{N} \left| d_i - \hat d_i \right|^2
  4. 开根号还原量纲让指标保持和深度值同一单位，便于直觉判断。
    1N∑i=1N∣di−d^i∣2\sqrt{ \frac{1}{N} \sum_{i=1}^{N} \left| d_i - \hat d_i \right|^2 }

AI 应用场景

室内设计效果图重绘

阶段：图像生成前的预处理与结构控制

解决的问题：设计师想把客厅照片换成侘寂风或奶油风，但必须保留窗墙位置、家具轮廓。传统做法靠 PS 手动抠图、拉参考线，一张图要修半小时；用 MiDaS 提取照片深度图，再交给 ControlNet 重绘，能瞬间锁定空间结构，让 AI 只换“皮肤”不换“骨架”。

具体案例：室内设计师上传一张精装房实拍图，MiDaS 输出近暗远亮的深度图，ControlNet 在该深度约束下生成新的风格效果图，沙发、吊灯、窗台位置都不走动，墙面材质焕然一新。

3D 角色立绘场景分层

阶段：模型微调与局部重绘

解决的问题：3D 内容创作者需要把角色立绘和背景分离，手动抠图容易丢失发丝边缘。使用 Depth 方案（渲染深度图）可以直接把 3D 场景中角色的真实远近导出，叠加 ControlNet 后，生成的背景与前景人物层次分明，脖颈、手指等细节不再粘连。

具体案例：在 Blender 中渲染一段带深度通道的角色动画，每帧深度图导入 ControlNet，AI 重绘出质感和光影，同时保证人物轮廓与原始渲染一致。

电商产品图背景替换

阶段：图像分割与背景生成

解决的问题：电商美工常要把产品照放到不同场景中。传统抠图遇到透明瓶身就崩溃；MiDaS 深度图能快速判断产品与背景的前后关系，配合 ControlNet 生成新背景时，产品依然稳稳站在“前景层”，瓶身透出背景也不穿帮。

具体案例：一瓶精华液的白底图，MiDaS 提取深度后，ControlNet 生成一张摆在浴室台面的场景图，瓶身反光与背景融合自然，边缘无白边。

Python 演示

python31 行
import numpy as np def box_blur(d, k=3):    """用盒式模糊模拟 MiDaS 对深度边缘的平滑效应。"""    h, w = d.shape    p = np.pad(d, ((k // 2, k // 2), (k // 2, k // 2)), mode='edge')    out = np.zeros_like(d)    for y in range(k):        for x in range(k):            out += p[y:y + h, x:x + w]    return out / (k * k) def edge_sharpness(d):    """用平均梯度幅度衡量深度图边缘的锐利程度。"""    gy, gx = np.gradient(d)    return float(np.mean(np.sqrt(gx * gx + gy * gy))) def make_scene(h=80, w=80):    """构造一张模拟深度图：渐变背景 + 前景方块。"""    y, x = np.mgrid[0:h, 0:w]    d = (y / h) * 255.0    d[20:60, 15:65] = 220.0    d[45:65, 50:70] = 90.0    return d if __name__ == '__main__':    depth = make_scene()    midas_sim = box_blur(depth, 5)    print('Depth方案边缘锐度:', round(edge_sharpness(depth), 2))    print('MiDaS模拟版边缘锐度:', round(edge_sharpness(midas_sim), 2))    print('深度值范围:', depth.min(), depth.max())
目的：用 NumPy 构造一张模拟深度图，对比“精密派”原图与“目测派”模糊版的边缘锐度差异，直观理解 Depth 与 MiDaS 在边界保留上的区别。
  1. make_scene()生成一张 80×80 的模拟深度图，前景方块距离更近，背景渐变代表远处。
  2. box_blur(depth, 5)模拟 MiDaS 多数据集训练造成的边缘平滑，让物体边界洇开。
  3. edge_sharpness()计算平均梯度幅度，数值越高代表边缘越锐利。
  4. depth.min(), depth.max()输出深度范围，确认灰度值是否保持 0~255 区间。

常见误区

误区MiDaS 能处理任何图片，所以它输出的深度图一定反映了真实远近，我可以放心直接用。

正解单目深度估计本身就有天生的歧义：没有立体视觉，很难判断一面白墙是“远方的墙”还是“近处的大白板”。MiDaS 只是给了一个“最可能”的猜测，玻璃、镜面、纯色区域都会让它猜错。深度图要跟原图叠起来肉眼检查，边缘对不齐就要换预处理方案。

为何常见：预览时深度图看起来确实有模有样，非专业人士很难立刻发现暗藏的结构错误，只有生成后才会看到物体扭曲。

误区既然 Depth 方案的边缘更清晰、梯度更锐利，那在所有场景下它都应该比 MiDaS 更准。

正解Depth 方案的“准”建立在场景匹配的前提下。它可能是在某一类数据上精调的模型，或者来自渲染器的真实深度通道；遇到没见过的画风、低清老照片、特殊畸变镜头，它的表现会断崖式下跌。MiDaS 的强项恰恰是“没见过也能估个大概”。两者是泛化与精度的取舍，不是绝对的高下之分。

为何常见：人们容易把“边缘清晰”等同于“数值准确”，忽略了深度估计本质是对场景分布的假设。

误区我习惯把深度图理解为“亮的地方离镜头近”，看到一张近暗远亮的图就以为模型给反了。

正解深度图没有统一的灰度约定，不同模型、不同预处理器之间，近远方向的表示可能完全相反。有的用近暗远亮，有的用近亮远暗。接入 ControlNet 时，要提前确认当前工作流用的是哪种约定，否则一反转画面透视就全乱了。

为何常见：多数教程以“近暗远亮”为例，大家记住了这张特定图片，却没意识到这只是约定之一。

误区深度图反正只是参考，模糊一点、细节少一点，ControlNet 应该也能生成出差不多的画面。

正解模糊的深度图会让相近深度的物体被合并成同一层，后果是生成图里人物与背景粘连、树枝与天空糊在一起、前后遮挡关系丢失。尤其对动漫线稿和高精度 3D 合成场景，模糊深度图几乎等于废图。发现深度图模糊，应该先提升源图分辨率、调预处理器参数，或者改用 Depth 方案。

为何常见：深度图在预览时缩小显示，细节丢失不易察觉，等生成大图时才暴露结构问题。

误区Canny 边缘图也是结构控制，用它不就行了吗？为什么要多此一举用深度图？

正解Canny 只画出“哪里有边缘”，完全不表达“谁在前、谁在后”。深度图则把前后遮挡关系写进每个像素。画一个苹果放在杯子前面，Canny 只知道有两条轮廓，深度图却知道苹果比杯子更近，生成时苹果会稳稳挡在杯子前面。两者可以叠加使用，但不能互相替代。

为何常见：很多入门教程把 Canny 和深度都归为“结构控制”，让人误以为它们解决的是同一个问题。

面试题

Q1. MiDaS 最突出的优势是什么？

单选题 · easy

  • A.单目也能估距离← 正确答案
  • B.边缘保持极锐利
  • C.可实时视频流
  • D.开源而且免费

答案：A。MiDaS 通过多数据集联合训练，擅长从单张图片估计深度，泛化能力强。它不是为了某一类场景优化的，边缘清晰度反而不是卖点。开源免费是生态属性，不是 MiDaS 独有的核心优势。

Q2. 深度图中灰度值的常见约定是？

单选题 · easy

  • A.近处暗远处亮← 正确答案
  • B.近处亮远处暗
  • C.亮暗由饱和度决定
  • D.亮暗由透明度决定

答案：A。虽然不同模型存在反转约定，但 ControlNet 最常见的深度预处理采用“近暗远亮”：近处物体压暗、远处背景提亮。饱和度和透明度与深度无关，属于干扰项。

Q3. MiDaS 深度图边缘容易模糊的主要原因是什么？

单选题 · mid

  • A.多数据集标注冲突← 正确答案
  • B.单数据集训练过少
  • C.图像压缩尺寸过小
  • D.模型结构过于简单

答案：A。MiDaS 在多个数据集上取“均衡”，不同数据集对同一边缘的标注深浅不一，模型只能给出折中结果，边缘因此洇开。图像压缩是外部因素，模型结构复杂度和模糊没有直接因果关系。

Q4. 哪些场景优先选择 Depth 方案更合适？

多选题 · mid

  • A.动漫梗图线稿← 正确答案
  • B.室内效果图重绘← 正确答案
  • C.老照片快速修复
  • D.3D渲染合成场景← 正确答案

答案：ABD。动漫线稿要边缘利落，室内效果图要精确边界，3D 渲染可导出真实深度，都适合 Depth。老照片场景未知、画质差，正是 MiDaS 泛化的主场。

Q5. ControlNet 中的“权重”参数调节的是什么？

单选题 · mid

  • A.深度图的明暗程度
  • B.结构约束的强度← 正确答案
  • C.生成模型的分辨率
  • D.训练数据的采样率

答案：B。ControlNet 权重控制生成结果被深度图“按住”的力度：权重高则结构稳定但风格受限，权重低则自由度大但结构容易飘。它不改变深度图本身，更不涉及模型训练参数。

Q6. 哪些画面会让深度估计工具可靠性下降？

多选题 · mid

  • A.玻璃反射高光← 正确答案
  • B.透明水杯倒影← 正确答案
  • C.纯色大白墙← 正确答案
  • D.正常光照人像

答案：ABC。玻璃会穿透、透明体会迷惑、纯色区域缺乏纹理线索，单目深度估计在这些情况下容易出错。正常光照人像反而是深度估计最熟悉的场景。

Q7. 深度图在 ControlNet 中的核心作用是什么？

单选题 · easy

  • A.决定画面远近层次← 正确答案
  • B.决定画面冷暖色调
  • C.决定笔刷质感纹理
  • D.决定随机噪声种子

答案：A。深度图给每个像素标注远近，生成时让前景人物、中景道具、背景建筑层次分明。色调由提示词控制，笔刷质感由风格模型控制，噪声种子与深度无关。

Q8. 以下哪些是 Depth 方案的特征？

多选题 · mid

  • A.边界保留更利落← 正确答案
  • B.陌生图片更稳定
  • C.适合合成渲染场景← 正确答案
  • D.对玻璃误差极小

答案：AC。Depth 方案在匹配场景下边界清晰、层次硬朗，尤其适合合成渲染场景。但陌生图片容易失效，玻璃上也会因为穿透造成误差。B 和 D 恰好是 MiDaS 的相对优势。

Q9. Canny 边缘图与深度图的本质区别是什么？

单选题 · hard

  • A.深度图记录相对距离← 正确答案
  • B.Canny 图记录距离
  • C.两种图完全等价
  • D.深度图不包含结构

答案：A。Canny 只标记边缘位置，深度图额外记录前后遮挡关系。正因如此，深度图能表达“谁挡在谁前面”，Canny 不能。两者可以叠加，但不可互换。

Q10. 生成时前景人物与背景粘连，合理的处理方式有哪些？

多选题 · mid

  • A.修复深度图边缘← 正确答案
  • B.换用更清晰的预处理器← 正确答案
  • C.直接降低分辨率
  • D.删光所有提示词

答案：AB。修复深度边缘和换预处理器都是对症下药。降低分辨率会加重结构混乱，删提示词则彻底丢失画面主题，都是错误做法。