【ComfyUI】涂鸦 ControlNet 涂鸦参考引导生成

今天给大家演示一个基于 DreamShaper 模型 与 ControlNet Scribble 相结合的 ComfyUI 工作流。这个流程通过导入基础模型和 VAE，结合图像的边缘检测预处理，再配合正向与负向提示词的控制，使生成结果在画面风格和细节上都能保持高质量。整个流程的重点是将输入图像经过 Canny 算子提取特征，再利用 ControlNet 引导生成，最终输出具备高度还原与艺术表现力的图像效果。这样一来，无论是广告创意、角色 Q 版化设计，还是场景细节的再现，都能获得更灵活且稳定的生成体验。

工作流介绍

该工作流以 DreamShaper_8_pruned.safetensors 作为核心基础模型，配合 vae-ft-mse-840000-ema-pruned.safetensors 的解码器保证细节的丰富度，并引入 control_v11p_sd15_scribble_fp16.safetensors 来实现手绘线稿式的 ControlNet 控制。通过这一组合，工作流既能保证图像的整体艺术质量，又能让输入图像在边缘、构图等层面得到准确的约束和优化。在节点设计上，工作流涵盖了从模型加载、图像预处理、提示词编码、采样生成到最终图像保存的完整链路。整体的节点分工清晰，既突出了生成的灵活性，也保证了效果的稳定性。

核心模型

在核心模型部分，工作流加载了三个关键模型：DreamShaper 用于生成图像的主要风格与画质，VAE 负责高质量的解码细节，而 ControlNet Scribble 则在图像约束与边缘保持中发挥了决定性作用。这一组合让生成结果既保留了创作自由度，又能忠实遵循输入图像的结构与轮廓，特别适合场景还原、风格化角色创作等场景。

Node节点

在节点构成上，工作流通过 CheckpointLoaderSimple、VAELoader、ControlNetLoader 等基础节点完成核心模型的加载与配置；利用 CLIPTextEncode 节点对正向与负向提示词进行编码，从而精确控制画面内容；再通过 LoadImage 与 Canny 节点完成输入图像的导入与边缘检测，配合 ControlNetApplyAdvanced 进行约束调整；最后使用 KSampler、VAEDecode、SaveImage 完成生成与结果输出。这样的节点设计保证了整个流程的完整性和可控性。

工作流程

该工作流的执行过程从模型与 VAE 的加载开始，随后进入图像的输入与预处理，再到提示词的正负向编码与 ControlNet 的约束结合，最终通过采样与解码生成图像。整体流程分为模型准备、图像结构提取、提示词控制、采样生成与结果输出五个阶段。模型准备保证了生成的质量与风格基调，图像结构提取确保输入素材的构图能被充分识别，提示词控制让生成结果与创作者意图高度匹配，采样生成则将潜变量逐步迭代成像，最后通过解码和保存实现成品输出。每个阶段均有对应的节点承担关键功能，使整个流程既高效又直观。

应用场景

该工作流在多种创意与生产场景中具有广泛应用价值。通过 DreamShaper 提供的高质量生成能力，以及 ControlNet Scribble 对输入图像结构的约束，可以将普通图像转化为艺术化的设计素材。例如在广告创意中，能够快速生成具有独特风格的宣传图；在角色设计中，可以借助手绘式的线稿控制生成 Q 版人物；在教育与展示中，则可用于生成直观的示例图像，提升表达效果。整个流程不仅适合设计师与插画师，还适合需要图像定制化内容的用户群体，最终实现结构清晰、风格统一、表现力突出的图像输出。