【AI绘画】如何使用StableDiffusion 对图片进行高清、优化、放大

大家好，我是写编程的木木。

今天这篇推文，主要想分享下如何优化图片，核心目的就是让图片变得更好看。

StableDiffusion默认生成的图片分辨率为512*512，“只可远观，不可近赏”来形容怕是再合适不过了。好不容易抽到了一张自己心仪的图，但苦于颜色暗淡，分辨率低下，有什么办法能在原画的基础上，让它的细节更丰富吗？答案是肯定且简单的。

原始图

一、高分辨率修复（Hires.fix）

使用方法：

1、勾选高分辨率修复，输入放大倍数；

2、调整数据（高分迭代步数、重绘幅度）

2.1高分迭代步数：是StableDiffusion等图像生成模型中的一个关键参数，控制生成过程中的迭代次数。更多的迭代步数通常会带来更高的图像质量和细节，但同时也会增加生成时间。一般来说，较少的迭代步数（如50到100）生成速度快但图像细节可能不足；较多的迭代步数（如150到300或更多）生成速度慢但图像细节更丰富。

（上图设置为150，出图生成时间明显变长）

2.2 重绘幅度:用于控制图像重绘的程度。它决定了在从噪声图像生成最终图像时，模型对输入提示词的依赖程度。重绘幅度的值通常在0到1之间：

0：表示没有重绘，即保持原始图像不变。

1：表示完全重绘，即生成的图像完全依赖于提示词，不参考原始图像。

当调整到0.9时，生成了一张跟原图完全不沾边的图，可见该数值对原图的影响非常大。

3、选择放大算法；

有一种说法是无脑选择 R-ESRGAN 4x+ 算法就好，如果是二次元就选择 R-ESRGAN 4x+ Anime6B，但就我个人体会来说似乎影响不大，如果有多余时间可以几种算法都尝试。

画面都显得有些灰暗，颜色并不鲜艳，可以通过勾选模型旁边地外挂VAE模型，效果提升明显。

二、图生图

1、调整重绘尺寸；效果与将图片发送到后期处理效果看不出区别。

2、脚本-SD放大。

使用方法：

1、在脚本下拉菜单中选择SD upscale；

2、在放大倍数中填入合适的数字。

3、在分块重叠像素宽度中保持默认值64即可，或者其他值X。

4、在重绘尺寸栏中，将步骤3中填入的数值加上原有的值，得出一个新值填入其中。例如原始图片尺寸为512*512，扩大成原来的两倍即1024，再加上重叠像素值64，最终填入1088*1088。

5、可以根据需要需要对CFG Scale值和重绘幅度值进行调整。

这么做的原因在于，该功能实现的原理是放大的原理把原图切成若干份，各自生成后再拼接成一张更大的图，而这多出来的像素就是用来重合时做缓冲使用

可以看出明显的拼接痕迹

三、Tiled Diffusion + Tiled VAE

在StableDiffusionUI上的操作很容易，只需要勾选这两个框、调整放大倍数，其他保持默认也可以实现放大功能。

以下是它们的工作原理：

Tiled Diffusion 通过将图像分割成较小的块，每个块单独进行处理，然后将处理后的块重新拼接成完整的高分辨率图像。这种方法的关键步骤包括：

• 图像分割：将原始图像分割成多个重叠的较小块。重叠部分可以帮助在拼接时避免明显的边缘或接缝。

• 块处理：对每个块单独进行扩散过程，即逐步去噪和细化图像。每个块可以独立处理，这样可以避免处理整个图像时的高内存占用。

• 图像重建：将处理后的块重新拼接成完整的图像。重叠部分的像素可以通过加权平均或无缝拼接算法处理，确保块之间的过渡平滑自然。

Tiled VAE 也采用分块处理的方式，将图像分割成较小的块，每个块单独进行编码和解码。具体步骤包括：

• 图像分割：将原始图像分割成较小的块，块的大小可以根据具体需求进行调整。

• 块编码：使用VAE对每个块进行编码，将高维图像数据压缩成低维潜在向量。

• 块解码：将潜在向量解码回高分辨率图像块。解码后的图像块可能会进行一些细化处理，以提高图像质量。

• 图像重建：将解码后的图像块重新拼接成完整的图像，同样需要处理块之间的过渡部分，以确保拼接效果自然。

以下是使用Tiled Diffusion和Tiled VAE对图像进行放大和修复的具体步骤：

• 准备图像：加载需要放大和修复的原始图像。

• 设置块大小：选择合适的块大小，通常根据图像分辨率和可用的计算资源进行选择。

• 图像分割：将原始图像分割成指定大小的块，确保块之间有一定的重叠区域。

• 处理每个块：

• 对于Tiled Diffusion，逐步去噪和细化每个块。

• 对于Tiled VAE，先对每个块进行编码，再进行解码和细化。

• 图像重建：将处理后的块拼接回原始图像，处理重叠区域以确保图像的平滑过渡。

小插曲：

1、找关于高分迭代步数的资料时发现有网友提到，这个数值对画面的影响很大，但在跟ChatGPT的交流以及自己实际操作后，发现对画面的影响并不大。可见对已有的资料，正确的态度是多方面交叉印证以及亲自试验。

2、本来打算将Embedding、Lora、Hypernetwork一起归纳在这篇推文当中，结果在边学边整理的过程，发现已经过去了大半天，还是放到下篇推文中吧，贪多嚼不烂。

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。
 

一、AIGC所有方向的学习路线

AIGC所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、AIGC必备工具

工具都帮大家整理好了，安装就可直接上手！

三、最新AIGC学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、AIGC视频教程合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

若有侵权，请联系删除