当前位置: 首页 > article >正文

[AI绘画]sd学习记录(二)文生图参数进阶

目录

  • 7.高分辨率修复:以小博大
  • 8.细化器(Refiner):两模型接力
  • 9.随机数种子(Seed):复现图片吧

本文接续https://blog.csdn.net/qq_23220445/article/details/148460878?spm=1001.2014.3001.5501,继续讲解文生图的参数。

7.高分辨率修复:以小博大

高分辨率修复位于ui的这个地方:

点击右侧的小三角,就能打开完整的UI:

直接生成高分辨率图(比如 2048×2048 )时,模型容易因 “超出训练习惯”(多数模型训练于 512×512 ),出现多头多手、细节崩坏 。

高分辨率修复(Hires.fix )的做法是,先以 低分辨率(如 512×512 )生成基础图(稳定且不易崩 ),再用 放大算法 + 重绘 ,把低分辨率图 “无损放大” 到高分辨率(如 2048×2048 ),同时补充细节、修复崩坏。

参数如下:

  • 放大算法

就是把图片放大时所用的算法,一般采用如下几个:

Latent(默认):最常用!基于 Stable Diffusion latent 空间优化,平衡速度和细节,放大后画面自然,适合二次元、插画。特点:速度快、兼容性好,放大 2 倍无压力,细节比传统算法(如 bicubic )强。Latent (antialiased):Latent 的抗锯齿版,放大后边缘更平滑(如人物发丝、物体轮廓 ),适合解决 “放大后边缘锯齿” 问题。

Latent (bicubic):结合双三次插值(bicubic )的 Latent 算法,细节更细腻(但速度稍慢 ),适合写实风格。

4x-AnimeSharp:专为二次元 / 动漫优化的算法,放大后线条更锐利、色彩更鲜亮,适合生成高清动漫壁纸。对二次元风格 “针对性增强”,但写实图可能效果奇怪。

SwinIR_4x:基于深度学习的超分辨率算法,细节还原天花板,放大后画面接近 “重新绘制”,适合写实肖像、高精度场景。

  • 放大倍数
    决定最终分辨率是基础图的几倍(2 倍即 512→1024 )。

  • 重绘幅度
    控制 “放大后重绘的力度”。值越高,新细节越多(但可能偏离原图 );值越低,越接近原图(但细节少 )。日常选 0.3 - 0.7 。

  • 高分迭代步数
    放大后重绘的迭代次数,步数越高细节越细(但时间翻倍 )。一般设 10 - 30 ,设 0 则 “只放大不重绘”(细节少但速度快 )。

什么时候用 Hires.fix?

  1. 想做高清壁纸 / 商用图:低分辨率图细节不够,用它放大到 2K/4K 。
  2. 直接生成分辨率易崩:比如生成 1024×1024 图时人物手部崩坏,先用 512×512 生成,再用 Hires.fix 放大修复。
  3. 追求极致细节:比如发丝、衣物纹理,通过放大 + 重绘补充细节。

我们以放大倍数:2,高分迭代步数:10,重绘幅度:0.7,算法为Latent举例,在右上角就能看到此功能的作用:将画面大小从353x500提升到706x1000

最终耗时23.4s

直接绘制一张706x1000的图片,耗时31.8s

来个极端一点的,用250x250放大4倍生成1000x1000分辨率的图片,看起来还蛮精细的。

直接生成一张250x250的图,明显模糊很多。

8.细化器(Refiner):两模型接力

位于ui的这个地方

细化器就是两模型接力生成图片。右边是两个模型的切换时机,填0.8后,当生成百分之80时便会切换到细化器里面选择的模型。

比如说,我现在有两个模型:夜羊社v1.2和立绘专用模型,我想生成夜羊社风格的立绘

于是,我可以先用立绘专用模型生成一个框架,再填充夜羊社v1.2的内容,下面是不同切换时机的参考:

切换时机为0.1:

切换时机为0.5:

切换时机为0.8:

9.随机数种子(Seed):复现图片吧

位于ui的这个地方:

点开右边的小三角可以看到完整ui。

生成图像时,模型会先创建一个随机噪声图,再通过去噪得到最终画面。Seed 就是这张 “噪声图的密码”,只要种子相同,生成的图像完全一样!!就和mc的地图种子一样。

填写-1意思是每次生成都随机抽取种子。

比如说我设置种子为123,连续生成两张:

可以看到,两张图片是一模一样的。因此,当你觉得生成一张图很好看,只需要记住其种子,在保证其他参数一样的前提下就能复现,

并且固定 Seed ,只改提示词、采样方法、CFG Scale 等,可在原图基础上 “小幅度调整”(比如让人物换发型但姿势不变 ),亦可以用来生成同一场景下的不同角色 / 风格(比如 Seed=1234,分别生成 “白天”“黑夜” 的校园场景 )

比如我只把秋天这个此时此换成春天,可以看到变化比较小。

变异随机种子是基于原始 Seed,小幅度打乱噪声分布,让画面在可控范围内改变,而变异强度便是控制 改变的幅度,值越高,画面变化越大(但越可能偏离原图 )。从宽度 / 高度中调整种子是通过 “拉伸宽度 / 高度的噪声分布”,间接调整画面的横向 / 纵向细节(比如让人物左边头发变多,或让天空更广阔 )。

当你用固定 Seed 生成了一张满意的图,但想保留构图 / 风格,又想让细节随机变化(比如换人物表情、调整光影 ),就需要这些参数。

以上图为例,添加一个随机变异系数,变异强度为0.1,结果如下:可以看到主要改变的是背景。

当变异强度为0.5,结果如下:可以看到画面已经有了明显变化。

http://www.lryc.cn/news/2404674.html

相关文章:

  • CRM管理系统中的客户分类与标签管理技巧:提升转化率的核心策略
  • 怎么解决cesium加载模型太黑,程序崩溃,不显示,位置不对模型太大,Cesium加载gltf/glb模型后变暗
  • 【AI系列】BM25 与向量检索
  • windows10搭建nfs服务器
  • simulink这边重新第二次仿真时,直接UE5崩溃,然后simulink没有响应
  • react 常见的闭包陷阱深入解析
  • 【CATIA的二次开发22】关于抽象对象Document概念详细总结
  • 模拟法解题的思路与算法分享
  • mysql密码正确SpringBoot和Datagrip却连接不上
  • 高保真组件库:数字输入框
  • 人工智能赋能高中学科教学的应用与前景研究
  • 【Linux】awk 命令详解及使用示例:结构化文本数据处理工具
  • 紫光同创FPGA系列实现Aurora 8b/10b协议
  • DAY 44 预训练模型
  • [Harmony]颜色初始化
  • 指针与函数参数传递详解 —— 值传递与地址传递的区别及应用
  • 【NLP中向量化方式】序号化,亚编码,词袋法等
  • C++学习-入门到精通【16】自定义模板的介绍
  • 关于脏读,幻读,可重复读的学习
  • 源码级拆解:如何搭建高并发「数字药店+医保购药」一体化平台?
  • 旅行商问题(TSP)的 C++ 动态规划解法教学攻略
  • unix/linux,sudo,其内部结构机制
  • Hadoop 3.x 伪分布式 8088端口无法访问问题处理
  • Redis线程安全深度解析:单线程模型的并发智慧
  • 零基础在实践中学习网络安全-皮卡丘靶场(第十期-Over Permission 模块)
  • 北京大学肖臻老师《区块链技术与应用》公开课:12-BTC-比特币的匿名性
  • [Harmony]网络状态监听
  • 毕设 基于机器视觉的驾驶疲劳检测系统(源码+论文)
  • Ubuntu18.6 学习QT问题记录以及虚拟机安装Ubuntu后的设置
  • Vue3中computed和watch的区别