今天给大家演示一个基于ComfyUI + ControlNet Canny的图像引导生成工作流。该工作流通过输入一张参考图片，自动提取清晰的结构边缘信息，并结合写实向的 Stable Diffusion 1.5 大模型进行重绘生成，使最终画面在整体构图、建筑结构和空间比例上高度贴合原图，同时在画面质感、光影和细节表现上得到明显提升。通过效果演示可以直观看到，该流程非常适合用于建筑外观重绘、风格统一生成以及参考图二次创作等场景，既保证结构不跑偏，又具备较高的自由度和稳定性。文章目录工作流介绍核心模型Node 节点工作流程大模型应用CLIPTextEncode 正向语义控制CLIPTextEncode 负向质量约束使用方法应用场景开发与应用工作流介绍这是一个以SD1.5 写实系大模型 + ControlNet Canny 边缘控制为核心的 ComfyUI 工作流。整体流程围绕“参考图 → 结构提取 → 条件约束 → 采样生成”展开，通过加载主模型与 VAE 作为基础生成能力，再利用 Canny 算法从输入图片中提取轮廓信息，并将该结构信息以 ControlNet 的形式注入到正负提示词条件中，从而在采样阶段对生成结果进行强约束控制。在节点设计上，该工作流覆盖了模型加载、CLIP 文本编码、图像尺寸自适应、ControlNet 高级应用、KSampler 采样以及最终解码与输出等关键环节，节点之间连接关系清晰，参数逻辑完整，适合用于教学演示和实际生产环境中的稳定复用。核心模型该工作流以Stable Diffusion 1.5 写实系模型作为整体画面生成的基础能力核心，负责图像的风格、细节精度和真实感表现。在模型结构上，通过 CheckpointLoader 加载主模型的同时，同步输出 CLIP 与 VAE，为后续文本语义理解和潜空间解码提供完整支持。在语义控制层面，工作流并未直接使用原始 CLIP，而是通过CLIPSetLastLayer对文本编码层进行裁剪，使模型在理解提示词时更加偏向整体结构与风格表达，减少过度细节干扰