前言：

上一章，我们介绍局部重绘的各种基础知识和技巧点

本章，我们介绍如何将我们的涂鸦或者草图，直接生成更好看的图片

AIGC的强大能力，冲击最大，最直接的就是原画师，原画师的随手涂鸦，或者更专业点说手绘的内容，在RA/SD的AIGC体系下，高效的被运行和提升。

很多人会问，AIGC会代替原画师吗？很抱歉的回复你，大概率会。以RA/SD为代表的AIGC体系产品，不仅在生成能力，生产效率，想象力，调整能力，都会在近期大量冲击美术市场。

本文的涂鸦草图内容生成实景图，应该是一个非常具有代表性的展现了。

知识点：

“涂鸦生图”功能的原理，涉及将用户的简笔画（涂鸦）转换为详细、艺术化的图像。这一过程依赖于扩散模型及其相关技术，以在提供基本结构或提示的基础上生成复杂的图像。

以下是涂鸦生图的详细原理和步骤：

输入涂鸦：
- 用户提供一个简笔画或涂鸦，作为生成图像的基础。这通常是一个简单的线条图，表示图像的基本结构和布局。
条件生成（Conditional Generation）：
- 扩散模型通过条件生成技术，根据输入的涂鸦生成图像。条件生成技术使模型能够根据提供的特定条件（如涂鸦、文本提示）生成相应的图像。
扩散过程：
- 扩散过程是指模型通过多次迭代生成图像，从初始的噪声图像逐步逼近目标图像。每一步生成过程中，模型会考虑输入的条件（如涂鸦）来调整生成的图像。

初始化：
- 输入涂鸦被处理为图像生成的初始条件。通常会将涂鸦转换为一个适合模型处理的格式，如特定的张量表示。
扩散模型的反向过程：
- 扩散模型开始反向过程，从高噪声图像逐步生成低噪声、详细的图像。这个过程包括多个迭代步骤，每一步都会生成一个逐步细化的图像。
噪声注入和调整：
- 在每一步迭代中，模型会注入少量噪声，同时根据涂鸦的结构调整生成的图像。模型使用噪声和条件提示来探索不同的图像细节，从而逐步生成高质量的图像。
最终输出：
- 最终，模型输出一个详细、艺术化的图像，保留了用户输入的涂鸦的基本结构，同时添加了丰富的细节和艺术效果。

扩散模型（Diffusion Models）：
- 扩散模型通过模拟一个逐步去噪的过程，从随机噪声开始逐步生成清晰的图像。每一步生成都依赖于前一步的结果和条件输入。
条件生成（Conditional Generation）：
- 条件生成技术允许模型根据特定的输入条件生成图像。这在涂鸦生图中尤为重要，因为模型需要根据用户的涂鸦生成相应的图像。
去噪自动编码器（Denoising Autoencoders）：
- 去噪自动编码器在扩散模型中用于处理噪声注入和去噪过程，确保生成图像的质量和细节。