Stable diffusion——综合参数

本文是学习整理用作自用，数据效果图部分源自B站up主小白，感谢技术分享，视频做的非常好，大家可以关注一下。

好的图像涉及哪些参数？

核心参数：
准确的提示词 + 合理的CFG值 + 采样器和采样步数 = 好图像

采样器迭代步数 与 对应CFG

CFG：
对比当前图片与监察提示词的相关性，默认为1此时不做检查。过高，每步解算均对照，导致画面信息崩溃。过低，生成图像与图像不相干随机性高。同时，提高CFG值会提高图像饱和度和对比度，而且CFG值太高时，图像会变得模糊细节丢失。我们可以通过增加采样步数、更换采样方法、采用动态CFG插件等来进行补偿。

提示词越准确，越容易通过CFG生成合适图像。一般情况下CFG值设置为7。

高清放大

在初步生成的小尺寸图基础上，继续以图生图的方式再二次解算，提升画面质量和细节度，尤其可以解决手崩脸崩的问题。
二次生成，不像直接生成高分辨率图像耗费显存算力，但由于二次生成所以时间也相对较慢。

放大算法：
不同的解算器。

放大倍率：
默认为512x512，如果设为2，即生成1024x1024。

高清修复采样次数：
由于是再次重绘，所以需要设置采样步数。默认为0，此时与初绘采样步数相同。

重绘幅度：
在图像中加入二次创新的力度。

CLIP

跳过层，跳过一些层，减少文本嵌入维度以降低计算难度，提高出图效率。跳过层越多，提示词与图像相关率越低。一般默认值为1或2。

尺寸分辨率

早期1.5时代都是给SD 512x512的图片用作训练，所以我们出图最好采用512整数倍。如需更高清图像，再高清放大。
1.5和2.1都是早期版本，到了XL训练的图片到了1024x1024，此时图片质量大幅提高，但我们的算力需求也更高了，大模型都来到了6G，需要显存12G起。

生成批次

生成几批，每批数量是一批出多少张。每批次出图效果一般一样。

随机种子seed

我们都知道在计算机中，随机都是伪随机。那么如果获得了我们满意的图片风格，在其他重要参数不改变的情况下，我们就可以通过保存随机种子，以此重现图片。如果值为-1表示永久随机。
绿色按钮回收种子值。

总结结论
1.当使用完全相同的提示和参数，只更改种子编号时会得到完全不同的输出图像
2.保持相同的种子编号，只通过添加单个单词修饰更改提示词，可以更改输出图像,而不会明显改变它们的整体外观和风格