AI绘画Stable Diffusion 高清放大，多种方法详解，建议收藏！

👣 本章概述

在Stable Diffusion我们想要得到一张高分辨率且具有细节特征的图片时，我们就需要使用一些图片放大算法来帮助我们实现。
本文主要概述在sd中常常使用的高清修复方法以及不同方法的区别和应用场景。同时也给出一些推荐的工作流，你可以根据自己的情况来选择适合你的。
通过本节的学习对于高清修复的使用相信你会更加得心应手。

🧻 几种不同高清修复方法

下面几种方法的测试统一是在墨幽v1040，512*512基础分辨率，20步迭代步数，Restart采样方法下进行。
提示词如下（适用于真人图片的起手式）：

正面：
best quality, masterpiece, (photorealistic:1),ultra high res,highres, illustration. media, delicate,8k wallpaper,soft light,official art, (realistic:1.2),1girl,

负面：
EasyNegative, paintings, sketches, ugly, 3d, (worst quality:2), (low quality:2), (normal quality:2), lowres, normal quality, ((monochrome)), ((grayscale)), skin spots, acnes, skin blemishes, age spot, manboobs, backlight,(ugly:1.3), (duplicate:1.3), (morbid:1.2), (mutilated:1.2), (tranny:1.3), mutated hands, (poorly drawn hands:1.3), blurry, (bad anatomy:1.2), (bad proportions:1.3), extra limbs, (disfigured:1.3), (more than 2 nipples:1.3), (more than 1 navel:1.3), (missing arms:1.3), (extra legs:1.3), (fused fingers:1.6), (too many fingers:1.6), (unclear eyes:1.3), bad hands, missing fingers, extra digit, (futa:1.1), bad body, double navel, mutad arms, hused arms, (puffy nipples, dark areolae, dark nipples, rei no himo, inverted nipples, long nipples), NG_DeepNegative_V1_75t, pubic hair, fat rolls, obese, bad-picture-chill-75v,(without clothes)

一、文生图高清修复

在文生图的界面里，我们可以在一开始就指定将图片进行放大。
在打开高清修复后，我们会看到以下这些参数。

关于这里的放大算法，我比较推荐使用以下一种，（其中Anime6B一般用于二次元风格）
4x-ultrasharp需要额外下载，下载地址为：https://civitai.com/models/116225/4x-ultrasharp
下载下来后放到：sd目录\models\ESRGAN
后期下载的其他放大算法模型基本上都是放在这个目录下。

以下是这几种放大算法跑出来的效果图，可以看出来其实差距都很小，对于不同风格的结果会有所区别，对于细节把握比较强的童鞋可以试试使用xyz脚本（还不知道这个脚本使用的见我之前编写的文章）跑出最合适你的参数。

二、后期处理缩放倍数

这个说实话我很少用，经过测试对于图片细节的处理不是太理想。不过你可以通过其他方法先将图片修复到一定程度后再使用该功能，因为后期处理速度很快，然后扩大无上限- –
比如下图，未经过处理和经过处理后的结果：
处理前：

处理后：

那后期处理这块是不是没有用了呢？也不尽然，
这里一般可以用来处理照片的裁剪或老照片修复。

三、图生图放大倍数和几个Upscale脚本

方法一：放大倍数
来到图生图界面，缩放模式选择仅调整大小，这里我们可以修改重绘尺寸或者直接指定重绘尺寸倍数。
需要注意的是，因为是基于原图进行处理，所以这里我们固定好seed值以及降低重绘幅度。

刚刚那张照片的处理结果如下：

方法二：使用Sd upscale
打开脚本我们选择 upscale：

打开以后看到以下几个参数选项，
upscale是将一张图片分为多个区块然后进行分别放大，最后再组合起来。

这里的分块重叠像素宽度是用来避免最终成像会有明显的接缝，因为是分块绘制嘛，最后还需要拼接的。一般维持默认即可。不要忘了选择放大算法，否则不会生效。

这个方法我用的其实也比较少，现在基本也被淘汰了，因为可能出现一些未知的情况- -，比如下图。
为什么会出现这种情况呢，因为它是分区块进行放大的，每个区块就可能按照AI自己的想法加入一些奇奇怪怪的玩意~。结果就不可控了，虽然我们减少区块的大小，但最终的结果可能还是难以预料的。

方法三：使用Ultimate SD upsale

该方法是 Sd upscale 的升级版，也需要额外下载，在扩展中搜索Ultimate就可以看到了，安装后记得重启UI界面。
来到图生图界面，使用的还是之前的照片参数，降低重绘幅度和固定种子。然后在脚本中找到 Ultimate SD upsale。

放大前：

放大后：

可以看到效果还不错，在这个脚本里涉及一些参数，我们有时候需要根据图片的最终成像来进行调整，根据官方的界面，具体说明如下：

「Target size type」: 定义最终图像的大小来源。

「From img2img settings」: 使用默认的**「img2img」**宽和高设置。
「Custom size」: 自定义宽高设置，最大值是8192。
「Scale from image size」: 以初始图像大小为基础进行缩放。（大多情况下直接使用这个）

「Redraw」: 图像重新绘制的设置。

「Linear」: 所有小块逐个、逐行逐列地处理。
「Chess」: 所有小块按棋盘模式处理，这样可以减少接缝产生的几率。（常用选项）
「None」: 禁用重新绘制。如果你看到明显的重叠或接缝上的瑕疵，就使用这个模式。
「Upscaler」: 在重新绘制之前放大图像。推荐使用ESRGAN来增强现实感的图像，对于其他的图像推荐使用R-ESRGAN 4x+。我们也可以使用4x-ultrasharp
「Type」:
「Tile width/height」: 要处理的小块的宽和高。对于2k图像，512px通常就够了。
「Padding」: 在处理一个小块时，会考虑多少像素的邻近小块。
「Mask blur」: 用于小块蒙版的模糊程度。如果你看到接缝，可以适当调整这个值。

「Seams fix」: 对于结果图像中可见的网格，通常不需要使用它，因为它只是另一种重新绘制方法。

「Bands pass」: 主要处理接缝（行和列），需要的时间比较短。
「Half tile offset pass」: 与重新绘制相似，但有一半的小块偏移。
「Half tile offset + intersections pass」: 先运行Half tile offset pass，然后对交叉点进行额外的处理。
「None」: 禁用接缝修复。
「Type」:

「Save options」: 保存图像的选项。

「Upscaled」: 默认启用。从Redraw保存图像。
「Seams fix」: 默认禁用。在Seams fix之后保存图像。

这个脚本也可以搭配controlnet的tiled进行使用。细节会更丰富些。

四、Tiled Diffusion脚本

该脚本需要另外下载，一般搭配Tiled Vae一起使用，秋叶启动包自带了。如果没有下载的童鞋可直接在扩展中搜索下载（或看文末扫描获取脚本文件）。下载后可在文生图和图生图中查看到。

放大的话一般先在文生图中生成一张满意的图片，然后发送到图生图中。不要忘记降低重绘幅度和固定种子。

我们打开脚本，然后点击启用，关于这里的参数设置先保持默认。不要忘记选择放大算法。
对于显存较大的同学可以将分块单批数量（「Tiled Diffusion Latent tile」）改为8，这样处理的速度会快很多。

这里我们放大两倍，点击生成。效果如下：

其实为了细节的更好处理，我们可以在这里再加入controlnet tile，效果会更好.
因为cn tile往往会产生更多的细节，MultiDiffusion会更多的修饰原图而缺少足够的细节。两者的适当结合会产生非常好的效果。

可以看出来，人物的真实感更加强烈，且增添了一些细节

上面的图像我们是在默认的参数下生成的，其实官方有给一些推荐的参数设置，具体如下：
Denoising Strength >= 0.75
Method = Mixture of Diffusers, Overlap = 8
Noise Inversion Steps >= 30
CN Tile preprocessor = tile_resample, downsampling rate = 2。

具体修改后的参数如下图（需要注意的是batch size这个参数，如果你的显存比较小，还是默认1吧）：

设置为推荐参数后，我们再生成结果：

由于篇幅原因，这里不再过多阐述，如果你对还想了解这些参数和其他参数的具体含义。可以查阅官方文档

五、Diffusion+StableSR

高清放大算法的后起之秀，由南阳理工大学的王建一同学等人开源。
需要额外下载，可在扩展中选择从地址下载：https://github.com/pkuliyi2015/sd-webui-stablesr.git
如无法下载，请看文末扫描获取文件

这个脚本的使用还需要几个额外的模型：
1、在 https://huggingface.co/stabilityai/stable-diffusion-2-1/tree/main 中下载模型文件，下载完成后放入sd的Stable-diffusion 目录下。sd目录\models\Stable-diffusion

2、下载StableSR 模块的模型文件，下载地址为：https://huggingface.co/Iceclear/StableSR/blob/main/webui_768v_139.ckpt
如无法下载请看文末获取文件

下载后的文件保存在 sd目录/extensions/sd-webui-stablesr/models下（models 默认没有，要自己新建）
3、下载配置vae文件，请看文末扫描获取文件。
下载下来后放在 sd目录/models/VAE 目录下。

4、官方推荐该脚本和Tiled Diffusion一起使用，这样速度更快，不容易OOM（内存溢出）。所以我们需要安装Tiled Diffusion插件，这个在上面已经介绍了。

到这里我们就安装好了，我们来使用一下它。来到图生图界面，设置好基础参数信息。需要注意的是这个基础参数的设置和我们前面的方法有所区别，这也是官方推荐的。
选择我们刚刚下载的checkpoints模型和配套vae。

输入正面词（不输也行）和负面词。
正面：
(masterpiece:2), (best quality:2), (realistic:2),(very clear:2)

负面：
3d,cartoon,anime,sketches,(worst quality:2),(low quality:2),

配置脚本参数：
官方推荐的参数配置如下：

如果生成图像尺寸 > 512，我们推荐使用 Tiled Diffusion & VAE，否则，图像质量可能不理想，VRAM 使用量也会很大。
这里是官方推荐的 Tiled Diffusion 设置。
方法 = Mixture of Diffusers
隐空间Tile大小 = 64，隐空间Tile重叠 = 32
Tile批大小尽可能大，直到差一点点就炸显存为止。
Upscaler 「必须」 选择None。
下图是24GB显存的推荐设置。
对于4GB的设备，「只需将Tiled Diffusion Latent tile批处理大小改为1，Tiled VAE编码器Tile大小改为1024，解码器Tile大小改为128。」
SDP注意力优化可能会导致OOM（内存不足），因此推荐使用xformers。
除非你有深入的理解，否则你**「不要」改变Tiled Diffusion & Tiled VAE中的其他设置。「这些参数对于StableSR基本上是最优解」**

最终成像如下，可以看到细节感真的不错哈，一些细节可以再做调整，如果需要更丰富就把放大倍数再调大些：

六、几种方式的优缺点对比：

「方法名」	「优点」	「缺点」
文生图高清修复	图片生成细节良好、操作简便	生成速度一般，占用较大显存
后期处理	生成速度很快，操作简便	几乎0重绘，对于细节的完善不足
图生图放大倍数	生成速度很快，操作简单，细节良好	生成图片细节有限
图生图Upscale脚本	生成速度中等，操作简便	容易生成过多不需要的画面，目前已基本废弃
图生图Ultimate脚本	生成速度中等，细节良好，可搭配cn tile	生成的结果具有一定的随机性，需要对参数有一定了解，进行细微调整
Diffusion+StableSR	几乎完全忠实于原图，细节最佳，最大支持放大8K	操作起来很麻烦，需要下载一些额外的模型，然后速度也并不快
Diffusion+VAE+cn	细节绝佳，最大支持放大8K	生成速度慢，可能会出现一些不需要的细节（可做调整）

🍉 推荐方案和工作流：

对比了这些高清放大算法后，一般我们可以选择下面几个。其他方法其实经过一些参数的调整也可以生成不错的效果，不过为了稳定和节省时间，我们可以直接选择下述列出的方法。
1、直接在文生图中开启高清修复（显存大的直接开启也无所谓啦） -> 图生图继续利用2、3方法放大（可选） -> 后期处理继续放大（可选）
2、在文生图中抽到好卡 -> 发送到图生图 -> 固定种子和降低重绘幅度 -> 打开Tiled Diffision、Tiled Vae -> 打开controlnet，选择tile -> 生成结果 -> 后期处理继续放大（可选）
3、在文生图中抽到好卡 -> 发送到图生图 -> 修改模型和vae -> 重新填写正反面提示词 -> 配置Tiled Diffision、Tiled Vae、StableSR -> 生成结果 -> 后期处理继续放大（可选）

几种方法针对不同图片的表现会有所区别，可以都尝试一下，没有最好的方式，只有最适合的方式。
我自己的话一般第二种方式用的多些

🌻 总结

今天的介绍就到这里啦，本篇文章主要概述了在sd中常用的高清放大方式和常用工作流，如果看完以后对你有所帮助，不妨点个关注吧~

写在最后

感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。

AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。