6.1 条件机制深度解析

6.1 条件机制深度解析

条件生成在 2.5 立了三种通道，本节深入它们的共同落点——去噪网络的注意力层，以及各类条件之间如何协作、如何冲突。我们会把 CFG 引导、时空注意力、负提示这些"旋钮"串成一套能理解的控制逻辑。

如果你读到这里还只把条件想成"把提示词塞进网络"，说明还欠这脚临门一脚：条件真正起作用的地方，几乎都集中在去噪网络的一类极关键模块——注意力层。这一节就要把光灯打向它：为什么注意力层是条件的主战场、不同条件之间怎么在同一个层里过招、以及你怎么看穿它们合作或打架的时机。这是理解第六、七章所有控制技术的一把总钥匙。

注意力层：条件让每块像素"参考谁"

在生成的中高阶段，UNet 里装着注意力机制。它的作用是让图像特质的每个位置，都能去"看"其他位置的对应信息，从而建立长程依赖。文本条件一旦进入这段注意力，就变成"这幅画的每一块，都应该跟这个语义向量对得上"——于是画面的各个局部会向"你说要的那个意思"靠拢。这也解释了为什么同一段提示词，放不同的注意力层，控制粒度不一样：靠前的层管局部细节，靠后的层管全局语义。

图像条件（参考图、掩码）走的也是同一套通道：作为额外的键值（key/value）参与注意力，让每个局部都能"照抄"参考图的姿态或纹理。所以"条件注入"这句话的实操含义，大多就是"把这堆条件向量，以注意力的身份接到去噪网络的融合点"。

把"条件注入"等于"注意力键值参与"这条等式再记牢一点，能帮你破除一个常见的玄学感：很多高级玩法（图生图、ControlNet、参考图约束、蒙版引导）听起来五花八门，拆到底层都是一回事——多了一组额外键值进来，告诉模型的每一块"该在对齐什么"。掌握这层统一性，就等于握住了一根能随时把任何新控制方案"翻译成 注意力 术语"的总纲。

多条件协作：什么时候互相成全，什么时候打架

当文本与结构、与类别同时给，模型要把多股约束揉到同一张图上。多数时候是"可协作的"：文本告诉构图与风格、结构告诉骨架与走线、类别限定对象。但冲突也明显：如果文本说"一只狗"、结构图画的却是"人形骨架"，两者在注意力层撕扯，结果常是对齐度最高的一方占上风、另一方被压扁。解决冲突有两条经验：一是把权重分配向更刚性的一方（结构优先），二是用 CFG 引导把"与哪个对齐"显式表达。

CFG：真正的"听你的"旋钮

复习一下 CFG 引导：推理时对"有条件分支"与"无条件（空提示）分支"分别算一次去噪，再按强度外推。cfg 越高，越贴条件，但过度会引发色彩过饱和与语义僵化。这个旋钮在控制增强里的意义，是"你到底多相信这个条件"。每加一类条件，都相当于多一个可以配不同 cfg 的通道——有些多通道工具允许给结构与文本各配力度，这正是"分道控制"的由来。

def guided_denoise(cond_out, uncond_out, guidance_map):
    # 对每个条件分别应用各自的强度
    guided = uncond_out
    for cond_type, strength in guidance_map.items():
        guided = guided + strength * (cond_out[cond_type] - uncond_out)
    return guided
​

这段代码说透了：你先给每个条件算出"条件分支与无条件分支的差"，再按各自强度叠加。条件越多，这张叠加表就越要你排足够清楚的主次，否则互相抵消。

把"多条件如何同时涌进注意力层"画成一张汇合图，谁强谁弱一眼能看清：

图 6-1：多条件汇入注意力融合点

这一张图层的就是本节那句"对号入座"的本质：文本、结构、类别三类条件以键值的身份在同一注意力融合点相遇，最后画谁的脸、走谁的线，由它们各自的强度与优先级裁定。

条件的空间与全局粒度

同一条件放到不同注意力层，效果还有空间维度的差别。靠前的注意力层管的是"这一小块该参考什么"，负责贴局部细节；靠后的注意力层管的是"整张图该是什么主题"，负责定全局语义。这个"分层分工"是理解很多半监督、分层控制工具能否成立的总依据。你想把某处改得精细，就调整在浅层注入的强度；你想动画面的气质与主题，就在深层下功夫。许多高级配套（如分块提示、局部权重）本质都是在帮这两层分别分配力道。

顺着这个分层逻辑，实操里最值钱的一条习惯是"先全局、后局部"地调条件：先让深层把主题、构图锁准，再回到浅层去抠某块细节的参考强度。如果你反过来，一上来就对着浅层死命调某只眼睛的细节，深层可能还没把整体对焦，结果要么整体结构偏，要么浅层的用力被全局的偏差抵消。更进阶一步，你可以利用"分层"来做"条件接力"：第一遍用纯文本把大框架跑出来，第二遍再叠加掩码或参考图，只让它在深层不动的条件下，把浅层那块补到位。理解层与层各自负责什么，你就不会再对着一个"到底加在哪层"的谜团瞎试。

负面提示的角色

负面提示是条件谱系的另一半：它告诉模型"不要什么"。它不是另一条注入通道，而是把那部分语义从"想让它存在"里剔除。因此负面提示写好（模糊、多余手指、失真）等于提前规避大量常见的伪影来源。它配合 CFG 用，让"合法条件"与"禁令"之间形成清晰分工：正面条件告诉模型往哪去，负面条件告诉模型别踩哪里。

值得留意的是负面提示并不总是越狠越好：把太多东西写进"不要"，有时反而会引起模型在某些概念间来回回避、得到一张"哪儿都合乎禁令却毫无生气"的图。把它当作"只挨打不还手"的守门人，少而准地落在那些最常出现的翻车点上，通常比堆砌一长串更实用。

⚠️ 常见坑：把正面提示词写到脖子都粗、负面又空着，模型在矛盾语义里越描越乱。主次分明的正面 + 几条关键负面，比堆词有效得多。
💡 关键直觉：条件注入≈注意力层的"对号入座"，CFG≈每类条件的可信度，负面提示≈"别往这里跑"路标——三者合起来才叫"真正控制得住"。

本节要点回顾

• 注意力层主战场：条件以注意力身份接入，控制粒度分全局与局部。
• 图条件同通道：参考图、掩码也作为注意力键值参与融合。
• 多条件协作：职责能分则协作，职责重叠会打架，按刚性优先。
• CFG=可信度：每个条件一份强度，分道控制善用多通道。
• 负面提示：把"不要的"前置，与正面条件各司其职。

条件场的总钥匙在手，下一节上结构控制——ControlNet 怎么把骨架、边缘、深度做成能精细注入的旁路。