摘要：又双叒叕种草了家装新风格？想要尝试却又怕踩雷？如果能够轻松Get量身定制的家装风格图，那该多好啊。现在，这一切都成为了可能！
本文分享自华为云社区《又双叒叕种草了新家装风格？AI帮你家居换装！》，作者：Emma_Liu。
你是否曾经想过，如果能够轻松地看到自己家居的不同风格，该有多好呢？现在，这一切都变得可能了！
让你的眼睛仔细观察这些图片，你会发现它们展现了不同的风格和氛围，从现代简约到古典优雅，从温馨舒适到时尚前卫，应有尽有。但是，你知道吗？这些图片都是由AI生成的！
它们看起来非常逼真，仿佛是真实的照片一样。这就是人工智能的奇妙之处，让我们可以轻松地预览不同的家居风格，不必实际进行装修。让我们一起来感受AI技术的魅力吧！
装修风格参考
现代极简风卧室
图一是原图，我要基于图一的装修布局重新装修一下，图二是M-LSD线段检测器的输出图像，图三是加入prompt为：现代极简风卧室生成图像，图四再补充一些prompt：现代极简风卧室，床是黄色的，墙是浅咖色。不得不说效果真不错！
卫生间
图一这种简单布局的卫生间我很是喜欢，康康其他风格的侘寂风卫生间 - 图二、三
客厅
换装ing——奶油风客厅——无名（不填prompt也可以生成不错的图片，很多惊喜诶）
别墅
我已经在幻想住上大别墅了✨看看别墅的效果怎么样
浪漫的海边别墅、新中式别墅
我想尝试用建筑设计图来看看能不能生成…哇，绝绝子——简约风，现代风
其他建筑
建模图变——欧式建筑
厂房变办公楼、大型超市、别墅（这样式的别墅）
好神奇，它是怎么做到的呢，来看看模型的介绍。
建筑的稳定扩散 | ControlNet模型-MLSD，随意创建建筑物、房间内部或外部以及独特的场景
ControlNet 最早是在L.Zhang等人的论文《Adding Conditional Control to Text-to-Image Diffusion Model》中提出的，目的是提高预训练的扩散模型的性能。它引入了一个框架，支持在扩散模型 (如 Stable Diffusion ) 上附加额外的多种空间语义条件来控制生成过程。为稳定扩散带来了前所未有的控制水平。
Mobile LSD (M-LSD): 《Towards Light-weight and Real-time Line Segment Detection》是用于资源受限环境的实时和轻量级线段检测器，M-LSD利用了极其高效的LSD体系结构和新的训练方案，包括SoL增强和几何学习方案。模型可以在GPU、CPU甚至移动设备上实时运行。
图1 GPU上M-LSD和现有LSD方法的比较
图2 移动设备上的推理速度和内存使用情况.
案例以分享至AI Gallery - AI建筑风格修改: ControlNet-MLSD,一起来运行代码，实现你的新装吧。
!pip install transformers==4.29.0 !pip install diffusers==0.16.1 !pip install accelerate==0.17.1 !pip install gradio==3.32.0 !pip install translate==3.6.1
使用mlsd, sd-controlnet-mlsd, stable-diffusion-v1-5预训练模型，为方便大家使用，已转存到华为云OBS中。
import os import moxing as mox pretrained_models = ['mlsd', 'sd-controlnet-mlsd', 'stable-diffusion-v1-5'] for pretrained_model in pretrained_models: model_dir = os.path.join(os.getcwd(), pretrained_model) if not os.path.exists(model_dir): mox.file.copy_parallel(f'obs://modelarts-labs-bj4-v2/case_zoo/ControlNet/ControlNet_models/{pretrained_model}', model_dir) if os.path.exists(model_dir): print(f'{pretrained_model} download success') else: raise Exception(f'{pretrained_model} download Failed') else: print(f"{pretrained_model} already exists!")
import torch from PIL import Image from mlsd import MLSDdetector from translate import Translator from diffusers.utils import load_image from diffusers import StableDiffusionControlNetPipeline, ControlNetModel, UniPCMultistepScheduler mlsd = MLSDdetector() controlnet = ControlNetModel.from_pretrained("sd-controlnet-mlsd", torch_dtype=torch.float16) pipe = StableDiffusionControlNetPipeline.from_pretrained("stable-diffusion-v1-5", controlnet=controlnet, safety_checker=None, torch_dtype=torch.float16) pipe.scheduler = UniPCMultistepScheduler.from_config(pipe.scheduler.config) pipe.enable_model_cpu_offload()
首先，传入的图片会通过mlsd detector输出黑白线条图，然后基于此mlsd图像，通过controlnet和stable diffusion生成图像。
from PIL import Image import matplotlib.pyplot as plt import numpy as np ori = Image.open("1920245540.jpg") mlsd = MLSDdetector() mlsd_img = mlsd(ori, thr_v=0.1, thr_d=0.1, detect_resolution=512, image_resolution=512, return_pil=True) trans = Translator(from_lang="ZH",to_lang="EN-US") prompt = "现代极简风卧室，床是黄色的，墙是浅咖色" en_prompt = trans.translate(prompt) gen_img = pipe(en_prompt, mlsd_img, num_inference_steps=20).images[0] fig = plt.figure(figsize=(25, 10)) ax1 = fig.add_subplot(1, 3, 1) plt.title('Orignial image', fontsize=16) ax1.axis('off') ax1.imshow(ori) ax2 = fig.add_subplot(1, 3, 2) plt.title('ML Detector image', fontsize=16) ax2.axis('off') ax2.imshow(mlsd_img) ax3 = fig.add_subplot(1, 3, 3) plt.title('Generate image', fontsize=16) ax3.axis('off') ax3.imshow(gen_img) plt.show()
Gradio应用启动后可在下方页面上传图片根据提示生成图像，您也可以分享public url在手机端，PC端进行访问生成图像。
参数说明
img_path：输入图像路径
prompt：提示词（建议填写）
n_prompt: 负面提示（可选）
num_inference_steps: 采样步数，一般15-30，值越大越精细,耗时越长
image_resolution: 对输入的图片进行最长边等比resize
detect_resolution：Hough Resolution，检测分辨率，值越小-线条越粗糙
value_threshold: Hough value threshold (MLSD)，值越大-检测线条越多，越详细
distance_threshold: Hough distance threshold (MLSD)，值越大-距离越远，检测到的线条越少
对比一下参数value_threshold，distance_threshold,当value_threshold值变大时，如图二所示，检测到的线段越少，获取到的信息也就越少，对控制生成后的图像来说，会缺失掉很多的细节；当distance_threshold值变大时，如图三所示，越远处的物体，提取到的线段越少，图像会更专注于前面的部分。这对于来调整生成的图像是一个很好的参考。
thr_v=0.1, thr_d=0.1
thr_v=0.5, thr_d=0.1
thr_v=0.1, thr_d=20
import gradio as gr def mlsd(img, prompt, num_inference_steps, thr_v, thr_d, n_prompt, detect_resolution, image_resolution): trans = Translator(from_lang="ZH",to_lang="EN-US") prompt = trans.translate(prompt) n_prompt = trans.translate(n_prompt) mlsd = MLSDdetector() mlsd_img = mlsd(img, thr_v=0.1, thr_d=0.1, detect_resolution=512, image_resolution=512, return_pil=True) gen_img = pipe(prompt, mlsd_img, num_inference_steps=20, negative_prompt=n_prompt).images[0] result = [mlsd_img, gen_img] return result block = gr.Blocks().queue() with block: with gr.Row(): gr.Markdown("## Control Stable Diffusion with MLSD") with gr.Row(): with gr.Column(): input_image = gr.Image(source='upload', type="numpy") prompt = gr.Textbox(label="描述") run_button = gr.Button(label="Run") with gr.Accordion("高级选项", open=False): num_inference_steps = gr.Slider(label="图像生成步数", minimum=1, maximum=100, value=20, step=1) value_threshold = gr.Slider(label="Hough value threshold (MLSD)", minimum=0.01, maximum=2.0, value=0.1, step=0.01) distance_threshold = gr.Slider(label="Hough distance threshold (MLSD)", minimum=0.01, maximum=20.0, value=0.1, step=0.01) n_prompt = gr.Textbox(label="否定提示", value='lowres, extra digit, fewer digits, cropped, worst quality, low quality') detect_resolution = gr.Slider(label="Hough Resolution", minimum=128, maximum=1024, value=512, step=1) image_resolution = gr.Slider(label="Image Resolution", minimum=256, maximum=768, value=512, step=64) with gr.Column(): result_gallery = gr.Gallery(label='Output', show_label=False, elem_id="gallery").style(columns=2, height='auto') ips = [input_image, prompt, num_inference_steps, value_threshold, distance_threshold, n_prompt, detect_resolution, image_resolution] run_button.click(fn=mlsd, inputs=ips, outputs=[result_gallery]) block.launch(share=True)