Stable Diffusion 2.0 上线：新增 depth2img，靠深度图锁死空间结构

Stable Diffusion 2.0 正式发布，这次更新最核心的变化是加入了 depth2img 功能。它允许你在图生图过程中引入一张深度图，牢牢锁定原图的三维空间结构，解决以往 AI 生图容易走形、结构崩坏的问题。

过去用 img2img 跑图时，模型只能依赖输入的原始像素和文字提示词。无论怎么微调降噪参数或重绘幅度，生成结果往往会大幅偏离原图的几何轮廓，人脸、房间或物体的透视很容易被扭曲。

深度图是怎么工作的

为了锁死结构，Stable Diffusion 2.0 引入了由英特尔和苏黎世联邦理工学院研究人员开发的 MiDaS 算法。这套单目深度估计模型只需要一张普通的 2D 照片，就能推算出画面物体的空间纵深，生成一张粗略的深度图。

这就像智能手机拍人像模式时的虚化遮罩，系统知道哪里在前、哪里在后，能做到主体分离甚至局部重新打光。

有了深度引导，AI 在重绘画面时就不会乱改骨架。它只负责在原有的三维位置上填充新的材质、光影和纹理，大幅降低了随机变形的概率。

灰盒渲染与动画实验

这一特性给三维和视觉特效工作流带来了立竿见影的改变。3D 艺术家不再需要花费数天时间雕琢细节，只要在软件里用简单的立方体快速搭建出场景的「灰盒」（greybox），确定基本构图和空间布局，就能直接交给 depth2img 批量生成多种美术风格和概念方案。

未来随着 Blender 等三维软件插件的接入，创作者还可以直接导出精准的 Z 轴深度通道，不需要再靠算法去猜深度。

社区创作者 CoffeeVectors 已经做了一个实验，把一段简单的 3D 角色走路循环动画导入 depth2img，直接转换成了写实风格的画面，头发细节和面部光影都有明显的质感提升。虽然画面帧与帧之间还存在一些抖动，但已经展现出在动画制作上的可用性。

在数据源上，未来深度图还能进一步结合摄影测量、LiDAR 激光扫描或是 NeRF 技术，把现实场景的三维数据直接作为生成的骨架。

为什么重要

对于 3D 创作者、概念设计师和特效师来说，depth2img 是一个能马上融入既有生产线的工具。它把生成式 AI 从不可控的「抽卡玩具」，往确定性的生产力工具推了一大步。只要你会搭简单的三维白模，就能省下大量的概念草图绘制时间。

我们认为，Stable Diffusion 2.0 押注深度信息是非常聪明的一步。单纯加大参数量或堆提示词，无法解决二维图像缺乏空间常识的硬伤，而引入深度图等于给模型装上了三维标尺。眼下它的短板依然存在，比如生成的视频帧连续性较差、算法推算的深度图边缘有时不够精准，但对想要掌控画面构图的专业用户而言，它绝对值得第一时间接入测试。