Stable Diffusion 优质图生成技巧

本文介绍了如何通过选择合适的模型、优化图像尺寸、使用提示词、高分辨率修复以及控制网络等技术,生成更高质量、高清的图片,包括正反提示词的对比实验和8K图片的制作步骤。
摘要由CSDN通过智能技术生成

在之前的博客中,为了追求功能的准确,我大都没开各种修复功能,并且都是使用很低的分辨率,这就导致以前博客中的图都不美观。今天专门分享一次如何出优质图、高清图、精致图、看上去就很美的图。

先看一下效果对比:

模型选择

首先是基础模型的选择,比如majic系列有写实、辉耀、幻想、唯美、梦幻、恐怖和男团。如果使用男团或者恐怖模型跑一个美女,结果肯定没有唯美模型看上去更舒服。后续我们就使用麦橘唯美模型生成一个美女。

图像尺寸

图像尺寸的选择,这对于sd来说非常重要,过大的图像尺寸会使得出图不准确。比如提示词是1girl,那么我们想象的出图应该是1个女孩,512*768如下左图所示。

当尺寸设置为1024*1500时,就不是1个女孩了,就是2个了,如下右图所示。这是一个经典的问题,我们不做科研就不深入了。这并不代表生成高分辨率的图就不行了,我们可以通过一定技巧绕过这个问题。大致思路就是先生成一个低分辩的图,再一步一步优化、升分辨率。

完整的生成信息如下,我把随机种子解锁了:

正反提示词

有些模型需要写的提示词比较详细,需要Best quality, masterpiece, ultra high res这一类的提示词,有的模型对提示词要求不高。我们接下来做一下消融实验,探索品质类提示词的重要性。保留这些提示词的话,如下,生成图片如左图所示,

正:Best quality,masterpiece,ultra high res,(photorealistic:1.4),raw photo,1girl,waist up,in coffeeshop,deep shadow,dark theme,

反:ng_deepnegative_v1_75t,(badhandv4:1.2),(worst quality:2),(low quality:2),(normal quality:2),lowres,bad anatomy,bad hands,((monochrome)),((grayscale)) watermark,

删除掉品质类的提示词,保留了一些负面提示词,如下,生成图为右图:

正:1girl,waist up,in coffeeshop,deep shadow,dark theme,

反:ng_deepnegative_v1_75t,(badhandv4:1.2),bad anatomy,bad hands,((monochrome)),((grayscale)) watermark,

整体上看,影响并不是很大,有品质类的提示词看着更舒服些,光影更丰富,脸型也更正常。由于我们使用的就是一个唯美模型,所以不加品质类的提示词出图也是比较美的,如果使用基础类的模型,差别会更大点。

高分辨率修复

高分辨率修复 (Hires. fix)是集成到sd中的插件。需要设置的参数并不多,我们这里选2.5倍,从512*768升到1280*1920。

左图不用修复,右边使用:

ControlNet Tile

首先,生成一个512*768的图,左图。然后,把这个图拖进ControlNet中,选择Tile,图像尺寸改为1280*1920,如右图所示,图片违规,打上了马赛克:

后期处理放大

web UI后期处理一栏,可以缩放图片,看起来效果并不好,配置如图:

效果如图,使用了上一步的结果,我只放了头部,细节更丰富,但是并不出众:

Tiled diffusion

需要先把基础生成的图片传到图生图,同事开启ControlNet Tile,重绘的尺寸不变,重绘幅度调低为0.35,开启Tiled diffusion,配置如下:

图片质量也大幅提升,效果对比如下:

8k出图

一般来说4K就已经是够用了,如果真需要出8K的图,需要修改一些过程,把上述过程组合一下。

步骤如下:

1、直接生成512*768图(或者直接生成1K的图,我这里为了和civitAI的图一致)

2、开ControlNet Tile生图到2K

3、图生图+ControlNet Tile+脚本放大生成4k图

重绘设置如下:

脚本放大设置如下:

4、Tiled diffusion + Tiled VAE

把上一步的生成的图直接发送到图生图,关闭脚本放大,开启这两项,配置如下:

8K图片效果很惊艳,放在博客里会自定压缩:

细节截图:

  • 26
    点赞
  • 24
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物像数据,这些数据包括健康植物的像以及受不同病虫害影响的植物像。 2. **像预处理**:对收集到的像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,像识别在病虫害检测中的应用将越来越广泛。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值