企业官网建设流程全解析

简介：ComfyUI用户可直接复用的户型图风格渲染工作流，面向室内设计、建筑表现及AIGC绘画爱好者，解决从基础户型图快速生成多种室内风格效果图的需求，适用于户型方案前期效果展示、设计风格比选等场景。压缩包仅含1个json工作流文件，大小约4KB，配置精简，集中定义了多模型组合、采样参数、VAE解码输出等核心节点，导入即可运行，也便于按需修改模型或调整参数。目前已有161人学习/浏览，属于轻量实用的小型工作流，文件体积小，便于分发与复用。json中节点链路完整清晰，包含模型加载、提示词控制、采样器设置、解码输出等关键模块，能帮助初学者理解ComfyUI从文本到图像的基本出图逻辑；同时支持替换不同大模型风格渲染，可在此基础上延伸出北欧、现代、轻奢等多种风格样板，适合作为风格化实验的起点，快速产出户型效果图。

1. 户型图风格渲染不是换个滤镜：ComfyUI 多模型工作流能解决什么

某甲方发来一张 CAD 导出的户型图，问“这个户型配哪种风格做效果图好看”。传统做法是建模、打光、渲染，按小时起步；而用 ComfyUI 多模型组合的方案，几分钟内就能产出几套不同风格的渲染参考：手绘线稿、水彩淡彩、极简插画都能批量出。很多人误以为这是“换滤镜”，真正动手才发现难点在于换风格的同时不能破坏墙体拓扑——房间数量、门洞窗洞位置都不能变。围绕这个核心矛盾，我拆出一条可复现的路径：用 ControlNet 锁结构，用底模换基础画风，用 LoRA 调风格浓度，最后批量出图交需求方挑选。这条路适合室内设计、效果图外包、装修自媒体这类需要高频产出风格参考图的人群。

2. 多模型组合中的分工逻辑：为什么结构靠 ControlNet，画风靠 LoRA

2.1 户型图渲染的双重目标：结构不崩、风格到位

户型图和普通照片最大的差别在于信息密度。风景照风格化时，墙少一块、树多一棵，观感无伤大雅；户型图是结构化线稿，墙线、门洞、窗洞、阳台位置全部承载了语义信息，渲染结果如果房间数量变了、门位移了，需求方一眼就能看出来。所以户型图风格渲染不是“好看优先”，而是“结构优先，风格其次”。

这里面有个天然矛盾：风格迁移靠的是去噪过程对图像的“改写”，而结构保持恰恰要求去噪过程“少改”。只开普通 img2img，denoise 调高结构崩，调低风格又出不来。这就是为什么单靠底模加提示词的做法在户型图上基本翻车，需要额外引入 ControlNet 来给去噪过程划定边界。

ControlNet 做的事情是：用先验器从输入图中提取结构信息（比如 Canny 边缘、MLSD 直线），再把这份结构信息作为条件注入到去噪网络的每一层。相当于每个采样步都在“盯着”原始布局画画，模型只能在结构骨架允许的范围内发挥风格。LoRA 则负责另一件事：在保持结构的前提下，把笔触、配色、材质感这些画风属性往目标风格上拉。

我一般会把任务拆成一张检查清单来对照：墙线是否连续不断、门洞数量是否一致、窗洞位置是否可辨认、房间边界是否闭合、整体配色是否符合目标风格。前四项靠 ControlNet 兜底，最后一项靠底模和 LoRA 决定，两边互不干扰，排查问题时段落分明。

2.2 为什么选 ComfyUI 而不是直接写 Python 脚本

如果用 Diffusers 直接写脚本，每调一次参数就要改代码、重启、等输出，试错成本太高，更别说要同时对比多套风格方案。ComfyUI 的价值在于把“模型加载、ControlNet 应用、采样、VAE 解码”整条链路可视化成了节点图，每个参数都能实时拧，调崩了还能撤回。对户型图这种要反复试风格组合的场景，这个体验很关键。

另一个被低估的点是可复现性。工作流可以导出为 JSON 文件，下次直接拖进去就恢复原状。给同一套户型图换风格时，只改 LoRA 名称和正向提示词两个节点，其他参数完全不动。这比写脚本记录参数要直观得多——参数写在哪一段代码里，时间久了真不一定找得到。

我自己的习惯是每次调参前先导出一份 API 格式的 JSON 存档。这就是给未来的自己留的后悔药，调崩了随时回滚。第一次上手 ComfyUI 会有一点学习成本，但那个成本换来的是后续调参效率的成倍提升。

2.3 底模、LoRA、ControlNet 先验器的分工与选型

这三个角色的分工很明确：底模决定基础画风取向，LoRA 决定风格强度和笔触质感，ControlNet 决定结构约束。选型时先把前两者和后者的目标分开，避免混在一起调参。

底模我一般准备两个方向就够：写实系 checkpoint 用来出接近真实渲染的效果图，插画系 checkpoint 用来出扁平插画或手绘风。不需要贪多，太多底模会让每次试错的选择成本变大。LoRA 按需补充，常见的是水彩风格、手绘线稿、拼贴杂志这三种，每个 LoRA 单独跑一张测试图确认它和底模搭配没有冲突。

ControlNet 先验器的选择直接决定结构保持的效果，这里最容易踩坑。

Canny 是我处理 CAD 导出图时的首选，结构信息密集，提取出来足够喂给模型。MLSD 更适合那种已经被简化成色块的户型示意。Depth 这类先验器不建议碰——户型图没有深度信息，硬用只会给模型喂一堆噪声。

3. 搭一条户型图渲染工作流：输入处理、节点链路和参数组合

3.1 输入预处理：让 CAD 导出图先“干净”再进模型

大多数 CAD 导出的图纸直接喂给模型都会出问题——尺寸标注是文字、墙体线是虚线、空白处还有杂点。这些在 Canny 眼里都是结构信息，全部会被当成约束条件。所以第一步不是调模型，而是把输入图收拾干净。

我用一段 OpenCV 脚本做基础预处理，把白底黑线的 CAD 导出图转成适合 ControlNet 的干净线稿：

import cv2 src = cv2.imread(r"D:/layout_input/layout_original.png") gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY) # 转灰度，去掉颜色干扰 # THRESH_BINARY_INV 把白底黑线变成黑底白线，这样 Canny 识别边缘更稳 _, thresh = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY_INV) # 闭运算把墙体上的细小断点闭合，避免渲染时墙线断裂 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) # 统一到 1024x1024，与底模的分辨率匹配，避免模型自行补细节 prepared = cv2.resize(closed, (1024, 1024), interpolation=cv2.INTER_AREA) cv2.imwrite(r"D:/layout_input/layout_clean.png", prepared)

阈值 200 是个经验值：如果提取后线条太碎，降到 150；如果背景残留明显，升到 220。resize 用 INTER_AREA 是缩小时保留结构清晰度的默认选择。输出尺寸要匹配底模的推荐分辨率，大多数模型用 1024 或 1216 都能稳定出图，宽高保持 64 的倍数可以减少边缘裁切带来的瑕疵。

预处理阶段另一个必须做的事是去掉尺寸标注文字。用 PS 框选标注区域填充白色，或者直接在 CAD 导出前关掉标注图层。这一步省不掉，因为 Canny 会把文字识别成结构线，后面渲染出来的残影很难清理。

3.2 工作流节点拓扑：ComfyUI 里需要拉哪些节点

从零开始搭这条工作流，核心节点链路是：Load Checkpoint -> CLIP Text Encode（正/负各一路）-> Load Image -> ControlNet Loader -> ControlNet Apply -> KSampler -> VAE Decode -> Save Image。

关键连线顺序是：Load LoRA 的输出要同时接 CLIP Text Encode 的 model 输入和 KSampler 的 model 输入，少接一条 LoRA 就不生效。ControlNet Apply 的 output 必须连到 KSampler 的 positive 条件输入，而不是连到 latent 输入。这个连错的话，结构约束根本不会进入采样过程。

我在实际搭的时候会先把 ControlNet Apply 用开关节点包一层，方便后面做 A/B 对比——对比同一个 LoRA 开关 ControlNet 的效果差异。ComfyUI 的组节点功能可以把整条链路收成一个自定义组，下次直接用。

3.3 提示词怎么写：给“好看”下定义，但别指望它改结构

户型图渲染的提示词不需要描述空间布局，那是 ControlNet 的事。提示词只做两件事：定义画风、排除坏结果。下面这组是我常用的一组起步模板：

正向：watercolor hand-painted architectural illustration, cozy modern apartment interior, soft color palette, clean line art, natural lighting, spacious living feeling 负向：lowres, bad anatomy, broken lines, distorted perspective, watermark, text, annotations, dimension labels, arrows, messy strokes, oversaturation

正向提示词里尽量不要出现“bedroom”“sofa”这类具象物体词。模型一旦听到这些词，就会试图在渲染结果里“画”一个沙发或者床出来，而这恰恰不是我们要的——我们要的是墙面和空间关系的风格化表达。风格词要有明确动词，比如 hand-painted、sketch、watercolor 这类词会直接影响笔触走向。

负向提示词里最值得加的是 annotations、dimension labels、arrows，这三个词专门对付 CAD 导出图里残留的标注元素。即便预处理阶段清理过，加上它们做双保险也不亏。

3.4 起步参数表：一组能直接跑通的首发搭配

第一次跑这条工作流时，我推荐用这组参数起步：

这里要理解一组平衡关系：denoise 和 ControlNet strength 是一对跷跷板。如果 ControlNet 开得高，denoise 可以适当往上拉，模型有结构骨架兜底，风格能放得更开；如果 ControlNet 强度只有 0.5 左右，denoise 还拉到 0.7，结构就会崩。我先用 0.55 的 denoise 跑第一张，确认结构没问题后再每次加 0.05 往上探索，而不是一步拉满。

采样器这个东西有点玄学，但 Euler a 在结构类任务上整体最稳。DPM++ 2M Karras 的细节更锐利，但门洞边缘容易过锐成锯齿。这两种我都留着，遇到风格需求偏锐利时切换。

4. 户型图渲染最容易翻车的五个坑：现象、原因、解决办法

4.1 墙体断裂、房间数量对不上

现象：输出图上承重墙断成两截，两间卧室变成一间，或者客厅里莫名其妙多出一堵隔墙。这应该是户型图渲染里最高频的翻车现场。

原因通常有两个：ControlNet strength 开太低，模型没有足够的结构压力去维持墙线连续；或者输入线稿本身有细小缺口，闭运算没处理干净，Canny 提出来就是断的。

解决方式分两步。先把 ControlNet strength 抬到 0.8-0.9，denoise 控制在 0.6 以内，确认输出图墙线连续；如果还断，回到预处理环节把闭运算的 kernel 加大到 5x5，让输入线稿先闭合。不要试图用提示词修复墙体断裂，模型听不懂“墙别断”这种指令。

4.2 门窗位置被“创意改版”

现象：原户型图门洞在玄关左侧，渲染结果里跑到了右侧；原本只有一扇窗的房间出现了两扇窗。这种“创意改版”对客户来说完全不可接受。

原因是 Canny 提取门窗轮廓时，它们被当成普通装饰线处理了，模型在采样过程中会按自己对“门应该在哪”的先验理解重新安排位置。尤其 denoise 偏高时，这种重排会更明显。

我的处理是换用 MLSD 先验器，直线结构强化后门窗轮廓更稳固。同时正向提示词里加一行 “correct door and window placement”，虽然模型不一定完全理解，但配合高 ControlNet strength 能明显减少偏移。还有一个进阶操作：把 ControlNet strength 在采样前半段用 0.9，后半段降回 0.5，让模型先锁结构再放风格。ComfyUI 里可以做分段控制，不动代码。

4.3 出图糊脏，像蒙了一层灰

现象：整体轮廓是户型图，但线条边缘发虚，色块脏兮兮的，哪怕风格目标是干净的水彩也带着杂色噪点。

这个坑我早期翻得最多。原因主要集中在三个地方：CFG 开太高（超过 10），采样器选错，或者 VAE 没有正确加载。CFG 过高会产生过锐化的伪影，具体表现就是边缘一层脏边；采样器如果选到某些 SDE 变体，细节噪点会明显增加；VAE 缺失则整体颜色发灰。

排查顺序是：先把 CFG 拉回 7，采样器换 Euler a，跑一张看是否干净；如果颜色还是灰，检查 Load Checkpoint 节点上的 VAE 加载状态，用模型对应的 VAE 替换。这三步能解决九成以上的糊脏问题。

4.4 尺寸标注文字变成了奇怪的乱线

现象：输出图里出现一团团无法辨认的线条纹理，位置正好对应原图尺寸标注和文字说明的区域。这是输入图没清理干净的典型症状。

原因很直接：Canny 把标注文字也当成了结构线，模型在去噪时试图把这些文字“还原”成某种图形，结果产出了一团乱麻。预处理阶段的清理没做干净，之后所有补救都是在跟模型搏斗，性价比极低。

解决：回到预处理脚本，在形态学操作前先用阈值把标注区域的白色覆盖掉，或者更简单——在 CAD 导出时直接关掉标注图层。如果原图已经带了标注且没有源文件，就在 PS 里用内容识别填充掉，再跑一次预处理。负向提示词加 no annotations 和 no dimension labels 只能缓解，不能根治。

4.5 挂了 LoRA 却看不到风格变化

现象：LoRA 装上去了，权重也设了，渲染结果跟没挂 LoRA 时几乎没有区别——还是那个模板味道的图。

原因大概率不是 LoRA 坏了，而是它被 ControlNet 的结构约束“压住”了。当 denoise 只有 0.5 左右且 ControlNet strength 很高时，模型几乎没有自由度发挥 LoRA 的风格，输出自然趋同。

排查方法是做一次隔离测试：把 ControlNet Apply 暂时绕过，denoise 拉到 0.7，单独跑一张看 LoRA 是否生效。如果风格明显，说明 LoRA 本身没问题，再把它接回工作流，适当提高 denoise 或降低 ControlNet strength 找到平衡点。另外注意 LoRA 权重从 0.8 起步，0.4 以下在结构任务里基本看不出效果。

5. 从单张到一批：用 API 批量跑多风格户型图方案

5.1 风格矩阵的思路：把“多模型”变成可对比的批量输出

单个工作流只能跑一种风格，但实际需求永远是“同一种户型，多套风格让我选”。这就需要把“多模型”理解成一组组合矩阵：底模、LoRA、提示词风格短语三者的组合。每换一组，就是一套完整方案。

我常用的风格矩阵大概是这样的：

矩阵的好处是不用每换一个风格就重新调参数，结构相关的参数保持不动，只换 LoRA 名称和提示词前缀。每套风格跑 3-5 个 seed，凑成一组九宫格给需求方挑选。

5.2 用 ComfyUI API 模式写一个批量出图脚本

ComfyUI 的 API 模式可以用来批量提交任务，核心是把工作流导出为 JSON，然后用 Python 脚本直接修改节点参数并提交给本地服务。

import json import urllib.request # 从 ComfyUI 菜单的 Save (API Format) 导出，节点 id 以导出时的数字为准 workflow = json.load(open(r"D:/comfy_workflow/layout_render_api.json", encoding="utf-8")) style_a = { "lora_name": "watercolor_style_v3.safetensors", "lora_weight": 0.8, "positive": "watercolor hand-painted architectural illustration, soft color palette", } style_b = { "lora_name": "sketch_style_v1.safetensors", "lora_weight": 0.9, "positive": "ink sketch line drawing, minimal details, clean line art", } for seed in range(1048576, 1048582): workflow["17"]["inputs"]["seed"] = seed # 节点 17 是 KSampler，seed 每次都要变 workflow["21"]["inputs"]["lora_name"] = style_a["lora_name"] workflow["21"]["inputs"]["strength_model"] = style_a["lora_weight"] workflow["3"]["inputs"]["text"] = style_a["positive"] # 节点 3 是正向 CLIP data = json.dumps({"prompt": workflow}).encode("utf-8") req = urllib.request.Request( "http://127.0.0.1:8188/prompt", data=data, headers={"Content-Type": "application/json"}, ) resp = urllib.request.urlopen(req).read() print(f"submitted seed {seed}: {resp.decode('utf-8')}")

脚本逻辑很直接：读取 API 格式的 workflow JSON，定位到要改的节点 id，修改 LoRA 名称、权重和正向提示词，然后对每个 seed 提交一次任务。节点 id 以导出时的数字为准，我写的 17、21、3 是示例值，你导出后要自己对着 JSON 文件确认。

提交返回的结果里包含 prompt_id，可以用它去轮询任务状态。任务完成后图片会写到 ComfyUI 的输出目录，按时间排序找文件。如果返回 400 错误，多半是 JSON 里的节点 id 不对，或者某个字段名拼错了。

5.3 出图后的快速筛选：哪些给客户，哪些直接丢

批量出图不能照单全收。多模型组合不是黑匣子，交到客户手里的图必须过一遍筛选。

我筛选的标准很朴素：墙线连续、门窗位置和原图对得上、没有文字残影、配色符合目标风格。结构检查靠肉眼对照原图，一张图看三秒就够；风格检查看笔触和色彩是否统一。同一套参数下出 3 张图，如果三张的门窗位置都不一样，说明 ControlNet 约束不足，这套图的参数需要调，先不交付。

有一个值得做的自动化辅助：用 OpenCV 把输出图和原图各自提取 Canny 边缘，算两图的边缘重合率。重合率低于 0.6 直接标记为结构不合格，不用肉眼看第二遍。这样能省下大量人工筛选时间，尤其批量跑 30 张图的时候。

6. 怎么判断渲染结果合格：量化对比、人工核对与我的交付习惯

渲染图“看起来还行”和“合格”之间有一条线。不能只看整体氛围，要能逐步说清楚哪里行哪里不行。

量化的方法是用 OpenCV 对输出图和原图分别提取 Canny 边缘，然后比较两图边缘的重合率。重合率在 0.6 以上说明结构骨架基本保住，低于这个值直接重跑。这个指标比我肉眼判断客观得多，批量筛图时尤其有用。

人工核对清单按顺序过一遍：门洞数量是否一致、窗洞数量是否一致、每面墙是否闭合、标注残影有没有出现。这四项都过了才谈风格。风格判断可以交给需求方，但结构问题必须在自己这一关截住。

素材稳定性检查不能跳过：同一组参数下换 3 个 seed 各出一张，比较门窗位置是否都一致。如果三个 seed 给出的门洞位置各不相同，说明模型其实没看懂结构，只是随机碰对了其中一张。

我个人的交付习惯是，把原图和处理后的渲染图拼成一张对比长图发给需求方，左右对照一目了然。这样还有一个好处：后续需求方说要“门的位置再往左一点”，我能快速确定是哪一版工作流的产物，直接在对应 JSON 上改。

另外每版工作流跑完，我都把关键参数写在节点备注里，下次再接到同类型需求时直接复用。这套流程跑顺之后，同一张户型图出六套风格参考图的时间可以稳定控制在十分钟以内。希望帮到你。

本文还有配套的精品资源，点击获取