这节课我们来讲“预处理”。
🍉什么是预处理？为什么必须做预处理？
简单来说，预处理就是把你输入的原始图片，转换成 ControlNet 模型在训练时 “看得懂” 的格式。
这是因为 ControlNet 模型（比如 Canny）在训练阶段，是通过 “图像对” 来学习的。以 Canny 模型为例，它学习的是 ** 原始图像（左侧）和对应的轮廓图像（中间）** 之间的对应关系。
如果不做预处理，直接把原始图片喂给模型，它就无法正确提取到需要的特征，自然也就达不到理想的控制效果。
🎯 为什么直接用原图效果差？
因为我们输入的是原始图片，而不是模型训练时用的轮廓图，所以生成效果自然会很差。
✨ 预处理的简便方法
你完全不用去学 Photoshop 这类复杂工具，在 ComfyUI 里就可以直接用预处理器来完成图像转换。它会自动把原始图片转换成模型需要的格式，比如把照片变成 Canny 轮廓图。
1.Canny预处理器节点
进行图像的预处理：
⚠️ 重要提醒
预处理器和 ControlNet 模型是配套使用的，不能随意混用。
比如我们现在用的是 Canny 模型，就必须搭配 Canny 预处理器。如果换用其他 ControlNet 模型（如 Depth、OpenPose），也要选择对应的预处理器。
它们之间是多对一的对应关系（多个预处理器可能对应一个模型），但不能跨类型混用，否则会完全达不到控制效果。
其中，“预览图像” 这个节点只是用来让你查看预处理后的图像效果的，它不会对最终的图像生成结果产生任何影响。
运行一下：
请重点观察两个红框标注的节点输出：
- 预处理后的图像，应该是清晰的轮廓图，这才是 Canny 模型能接受的标准输入格式。
- 最终生成的图像，和参考图在结构、轮廓上变得非常相似。
但我想，如果只是做成这样，和最终的效果相差依然很大，问题出在哪里呢？
因为空的太厉害，所以我们需要适当降低强度，降低到多少合适呢？这个就跟模型，图像本身都相关了。
2.ControlNet权重
这里我们尝试降低权重到0.3。
生成的效果：
这样就合理多了。
但是只能这样了吗?当然不是，ControlNet还可以多个模型一起使用，增强控制效果。
注意：补充一句，ControlNet也不是连接越多越好，需要根据实际情况来控制。
3.多ControlNet混用
这里我们连接一个tile的ControlNet。
⚠️ 重点提醒
请留意框线标注的节点连线方式，以及模型的选择是否正确。
你会发现，在 ComfyUI 中串联多个 ControlNet 模型是比较容易的，不同模型的输入也各不相同。例如 tile 模型，只需要直接输入原始图片即可。
💡 小技巧：修正发色
如果发现生成图像的发色被意外改变，最简单的解决方法就是在正向提示词中增加描述发色的关键词，比如 black hair（黑发），这样就能精准控制发色了。
最后输出：
⚠️ 补充说明
关于图像清晰度和灰度的问题，在后续学习到 VAE（变分自动编码器）相关内容时，会有更完善的调整方法，这里暂时先不展开讲解。
本节课的工作流可以网盘下载
链接: https://pan.baidu.com/s/1u-kWkOOXg_mGN5njOx-eyg 提取码: wfp3
课程小结
到这里，我们已经学会了边发现问题、边解决问题的核心思路。
那么，这类基础的问题解决思路还有哪些呢？
下节课，我们会继续讲解：
- 如何找到 ComfyUI 最基础的工作流
- 如何进行高效的自学
