电商产品图生成：白底图到场景图的自动化，品牌方最想要的 AIGC 能力

假设你是个电商运营。明天要上一款新的蓝牙耳机，平台要求主图必须是白底图。但你为广告投放准备了一张场景图——耳机摆在木质桌面上，旁边一杯咖啡，阳光从窗户洒进来。这种图如果交给摄影师拍，场地、灯光、模特、后期，少说也要五百块起步。要是产品有几十个型号，预算当场爆表。

所以当有人告诉你，AI 可以把白底图自动变成场景图，你很难不心动。但真正上手一试，事情远没有那么简单——你扔给 Stable Diffusion 一张白底耳机图，提示词写下“放在海边”，结果出来的可能是一个长着耳机纹理的石头，或是杯口扭曲到变形的咖啡杯。为什么？

为什么直接扔给 Stable Diffusion 会翻车？

因为图片生成模型不是 PS。它从纯噪声开始重建整张图，每一步都在根据提示词和输入图片的概率分布去“猜”像素。你给它一张白底耳机图，它内部会把这张图压缩成一组语义特征，再在生成时重新展开。问题在于，这组特征只记录了“耳机大概是什么”，根本没有精确到轮廓边缘、手柄朝向、光影位置。于是模型就把耳机当成一个模糊的语义概念，自由发挥。

我第一次做这个实验时，给模型一张白色马克杯的白底图，说“放在木头桌子上”。结果杯子变成了一个歪脖子壶，把手消失，杯沿也变了形。我当时很困惑：我不是已经把图给它了吗？为什么它不照着画？后来我去翻 ControlNet 论文，才意识到自己漏掉了关键一步——没有把形状信息“显式”告诉模型。

你需要的不是“换背景”，而是“锁住产品”

白底图到场景图，本质上是同一产品在不同环境下的“重渲染”。难点从来不是把背景做得漂亮，而是在生成过程中让产品本身的形状、材质、身份保持不变。目前业界有四种主流做法，先用一张表说清区别：

方案	产品一致性	环境控制力	最小数据量	上手成本	适合谁
直接图生图+提示词	差	弱	1张	低	快速做概念稿
ControlNet 控制结构	中	强	1张+自动预处理	中	单品类生成场景
DreamBooth / LoRA 微调	高	中	5~20张	中	固定产品形象的营销图
LoRA + ControlNet 组合	很高	强	5~20张+预处理	高	品牌方批量生产

这四个方案里，直接图生图基本是碰运气，剩下三个才是真正可控的商业化路径。

ControlNet：给自由发挥画一条安全线

ControlNet 的思路非常直白：在生成过程中额外塞进一张“条件图”，例如深度图、边缘图或分割图。这张条件图像一根安全绳，强制约束生成器“主体的轮廓必须沿着这条线走”。它不改变 Stable Diffusion 原本的能力，而是在扩散的每一步，用条件特征去修正噪声预测结果，把采样路径锁在合理的范围内。

拿耳机来说。你先把白底耳机图跑一遍深度估计，得到一张深度图——越亮的地方离相机越近，越暗越远。这张图传给 ControlNet，等于是给生成器画了一条高低起伏的地形线。模型无论怎么生成，每个区域的深度都必须和这条线对齐。于是背景换成沙滩还是书房，耳机的立体轮廓都不会塌。

但 ControlNet 只锁住了“形”，没锁住“身份”。它不会在意这是哪款耳机，也不认识 logo 和表面纹路。要解决“它是它”，得靠下一个工具。

LoRA：让模型“认识”你的产品

DreamBooth 是第一个让我觉得“产品图有救了”的技术。它的思路是给模型引入一个独特的标识符，比如“ohwx product”。然后拿十几张产品白底图，配上“一张 ohwx product 的照片”这样的描述去微调模型。训练完成后，你只要说“ohwx product 站在沙滩上”，模型就会生成那个特定产品的沙滩图。

但直接全量微调模型成本太高，也容易让模型把原有能力忘掉。后来出现的 LoRA 解决了这个问题。LoRA 冻结了绝大多数参数，只训练一个低秩矩阵作为参数的增量。你用 5 到 20 张图、几百步训练，就能得到一个只有几 MB 的产品适配器。它在推理时像 U 盘一样即插即用，特别适合电商这种 SKU 成千上万的场景。

我见过最高效的商业团队，是把 ControlNet 和 LoRA 叠起来用：ControlNet 压住形状，LoRA 拉住身份。二者互补，效果比单独用任何一个都稳定得多。

一条真实可行的自动化工作流

我自己搭过一套，在电商场景下大致的流程长这样：

素材清洗。先用抠图模型——比如 SAM——把产品从原图里分离，生成透明背景 PNG，再合到纯白底上。简单产品一两秒就能抠完。
生成条件图。用深度估计和边缘检测工具，从白底图算出 ControlNet 需要的深度图和边缘图。
训练 LoRA。给每一张图加上自然语言描述，比如“一个白色陶瓷马克杯”。标签要多样化，防止模型把产品固定在同一个角度。
推理生成。写提示词时，把场景描述清楚，同时加上“white background”和“simple background”作为负向提示词。然后让 ControlNet 把深度/边缘条件压上去。
后处理。仔细检查 logo 和文字有没有变形。如果只是小瑕疵，用局部重绘或超分模型修一下就能交付。

这套流程跑起来，一张场景图的生成时间大约在 5 秒到 1 分钟之间，取决于迭代步数和分辨率。对比线下拍摄一天几千块的成本，效率已经不在一个量级。