九哲-AI绘画系统课程

九哲这套 AI 绘画系统课程，主题落在 Stable Diffusion 系的实操链路上，而不是泛泛谈「AI 能画画」。它适合已经装好或准备装本地环境、想把手上的生成流程从「抽卡」变成「可控生产」的开发者与绘画从业者。下面按技术栈、可复用模块和自学路径三个角度拆一下这份资料的用法。

技术栈与内容定位

课程围绕文生图、图生图、局部重绘、后期处理、ControlNet 插件这几块展开。这些恰好是 SD 工作流里最常被打断的环节：出图容易，稳定复现难；单张好看容易，批量一致难。资料把「原理—参数—案例」串在一起讲，比如图生图这一节会涉及重绘幅度、涂鸦引导，ControlNet 部分则落到 Openpose 这类具体预处理器上。它不追求把扩散模型的数学推导讲透，而是把每个参数在工程里「动了什么、影响哪一步」讲清楚，这正是拿来对照实践的价值所在。

项目结构：模块划分对应真实工作流

从内容分布看，整门课实际是按生成流水线的阶段切分的：

• 基础层——从零建立对模型、提示词、采样器的操作直觉；
• 控制层——图生图、局部重绘、涂鸦，解决「只想改一块」的需求；
• 精修层——后期处理、细节把控、高清放大，对应出图后的收尾；
• 约束层——ControlNet 插件与 Openpose，把姿势、构图这类结构信息固定下来；
• 实战层——老照片复原这类完整案例，检验前面各模块能否拼成一条链。

这种划分的好处是，你可以不按顺序看。已经在用 SD 的人，完全可以从 ControlNet 或高清放大切入，遇到卡点再回头补图生图的重绘逻辑。老照片复原那一节尤其值得当参照：它天然要求修旧、补全、放大三步协作，是检验你对我们前面几个模块掌握程度的现成题目。

可复用模块：能直接搬进自己脚本的部分

真正能沉淀下来的是那些可参数化的环节。重绘幅度与蒙版范围的配合，决定了局部修改会不会污染整张图；ControlNet 的权重与引导时机，决定了结构约束是「听话」还是「抢戏」；高清放大的放大算法与重绘强度搭配，决定了细节是补出来的还是糊出来的。课程里这些点都有对应案例，建议边看边把参数记成一份自己的配置表，而不是看完就过。插件那一节涉及的预处理器选择，也可以整理成按场景索引的对照清单，后续换项目直接查表。

自学路径建议

如果按依赖关系推进：先吃透文生图的提示词与采样逻辑，建立对模型行为的判断；再进图生图和局部重绘，理解「以图控图」；接着上 ControlNet，把结构约束加进来；最后用高清放大和后期处理收尾，并用老照片复原做一次端到端演练。每看完一节，最好拿自己的图跑一遍相同参数，观察差异从哪来——这门课更适合当操作手册对照着做，而不是当视频刷完就算学完。

整体上，这份资料的结构清晰、案例指向明确，适合作为 SD 工作流的工程化参考。把它当成一套可查、可改、可复现的操作底稿，比单纯看演示更能留下东西。