SD入门教程五：后期处理图片高清放大

程序员小猴紫

于 2024-08-14 14:00:00 发布

阅读量1.5k

点赞数 46

分类专栏： AI绘画 StableDiffusion教程文章标签：人工智能算法 AI作画 stable diffusion AI绘画 AICG

本文链接：https://blog.csdn.net/m0_74942241/article/details/141126310

版权

AI绘画同时被 2 个专栏收录

178 篇文章 6 订阅

订阅专栏

StableDiffusion教程

152 篇文章 1 订阅

订阅专栏

在上一篇入门教程中，我们学会了图生图的基础用法以及参数设置。这一篇我们主要讲如何利用放大算法（Super-Resolution）来显著提升图片的分辨率，同时保持甚至增强图像的细节和清晰度。这些功能可以快速帮助你提高图片分辨率和修复图片内容。

！后期处理！

在后期处理模块的界面中，可以看到有四大模块，我们把这些模块拆开讲讲分别有什么用。

1.图片输入区域：

单张图片：拖入单张图片或点击上传单张图片；
批量处理：拖入多张图片或点击上传多张图片；
批量处理文件夹：处理该文件夹下的所有图片，比如D:\AItools，那AItolls就是你需要处理批量图片的文件夹。输出目录就是处理完图片之后的目标文件夹。

2.缩放区域：

这里有两种缩放模式，一般用于修复老旧照片，或者扩展成海报图。

缩放倍数：按照比例缩放，最大值为8倍；
缩放到：这里其实是自定义分辨率，如果和原图尺寸不符，默认会裁剪掉多余像素。

最关键的是放大算法，那么这么多算法到底有什么用呢，为了节约时间，我直接推荐（ESRGAN系列算法）和（4X-UltraSharp）这几个算法，一般只会用到放大算法1，在特别的需求会使用到放大算法2。如果想要了解算法原理的可以往下看：

Lanczos算法（鸡肋算法，一般不用）

Lanczos算法就像是一把剪刀，它可以帮助我们从这个大矩阵中剪出一个小的、更容易处理的部分。这个小部分是一个三对角矩阵，它包含了大矩阵的重要信息，但是它的尺寸要小得多，就像把大象剪成了一只小老鼠。这样，我们就可以用更简单的方法来分析这个小矩阵，找到它的特征值和特征向量。

总的来说，Lanczos算法在SD模型中的实际用处可能更多地体现在模型训练和内部计算的优化上，而不是直接用于图像放大或超分辨率。在实际应用中，SD模型可能会结合多种算法和技术来实现高质量的图像生成。

Nearest算法（不常用）

Nearest（最近邻算法）在图像处理中的主要应用是在插值和图像重建任务中，它通过在图像中找到最接近的像素点来填充新的像素位置。这种方法在某些简单的图像处理任务中可能有效，但在复杂的图像放大或超分辨率任务中，它通常无法产生高质量的结果，因为它没有考虑到图像内容的复杂性和局部到全局的上下文信息。

BSRGAN算法（不常用）

BSRGAN（Bilinear Super-Resolution Generative Adversarial Network），这是一种用于图像超分辨率的深度学习模型。BSRGAN通过生成对抗网络（GAN）来学习如何从低分辨率图像生成高分辨率图像。在这个过程中，BSRGAN使用了双线性插值作为初始的上采样步骤，然后通过CNN（卷积神经网络）来进一步细化图像细节。BSRGAN的目标是生成更加清晰、细节丰富的高分辨率图像，同时保持图像的自然感。双线性插值是一种更复杂的插值方法，它考虑了周围像素的值，以产生更平滑的过渡，这有助于GAN更好地捕捉图像的细节和纹理。

ESRGAN系列算法（常用推荐）

ESRGAN（Enhanced Super-Resolution Generative Adversarial Networks）算法的核心在于其生成器和判别器的架构，这两个网络相互对抗以提高生成图像的质量。

ESRGAN_4X：在ESRGAN_4x中，生成器网络负责将输入的低分辨率图像转换为高分辨率图像，而判别器网络则负责评估生成图像的质量，确保其与真实高分辨率图像尽可能相似。这种对抗过程使得生成器不断改进，以生成更逼真、更高质量的图像。一般适用于写实类图片。
R-ESRGAN_4X：通常用于需要高清晰度放大的场景，如摄影、视频增强、医学成像等领域。它特别适合于处理那些需要保留丰富细节和纹理的图像，例如在放大人像照片时，R-ESRGAN_4x+能够提供更清晰、更自然的放大效果，尤其是在面部特征、发丝和衣物纹理等方面。一般适用于写实类图片。
R-ESRGAN_4X+Anime6B：这个算法特别针对动漫和二次元图像进行了优化。这是一个专门为动漫风格图像设计的超分辨率模型，它能够更好地处理动漫图像中的色彩、线条和细节。这个算法在放大动漫图像时，能够保持角色的面部表情、服装的纹理、背景的细节以及整体的色彩平衡。它的目标是在放大过程中尽可能地保留动漫图像的原始艺术风格，同时提高图像的清晰度和分辨率。一般适用于二次元类图片或二三次元混合类图片。

4X-UltraSharp算法（常用推荐）

基于超分辨率原理的算法，通过预处理、低分辨率图像生成、特征提取、高分辨率图像生成、图像重建和后处理等步骤，将图像分辨率提升4倍，增强清晰度和细节，同时减少噪点和模糊。一般在纠结用哪种算法放大图片时，无脑选这个算法，照片级别的。

ScuNET系列算法（不常用）

ScuNET：通过ScuNET，SD模型可以生成更加清晰、细节丰富的图像，这对于需要高分辨率图像的应用场景非常有用，是一种真实感图像超分辨率增强方法。
ScuNET PSNR：Peak Signal-to-Noise Ratio，PSNR是峰值信噪比的缩写，（峰值信噪比）是评价图像质量的一种指标，PSNR值越高，说明图像的质量越好。ScuNET是一种真实感图像超分辨率增强方法，通过自注意力机制和残差学习，能够有效地提高图像的分辨率和视觉效果。

**
**

SwinIR算法（不常用）

SwinIR_4x：是一个图像超分辨率（Super-Resolution, SR）算法，在图像超分辨率任务中，SwinIR_4x 的目标是将低分辨率（LR）图像放大到高分辨率（HR）图像，同时保持或增强图像的细节和质量。

Latent系列算法（不常用）

Latent 放大算法是一种基于 VAE 模型的图像增强算法，通过将原始图像编码成潜在向量，并对其进行随机采样和重构，从而增强图像的质量、对比度和清晰度。这种方法通常能得到不错的效果，但与4x-UltraSharp、R-ESRGAN等相比，显存消耗比较小，但效果不是最优。

Latent (antialiased)：结合了抗锯齿（antialiasing）技术的图像Latent放大算法。抗锯齿是一种用于消除图像中锯齿状边缘的技术，常用于提高图像的视觉质量。
Latent (bicubic)：Latent 放大算法是一种图像超分辨率技术，可以通过插值算法来放大图像的尺寸，从而提高图像的分辨率。其中，双立方插值算法（Bicubic Interpolation）是一种常见的插值算法，它基于双线性插值算法，通过扩展影响范围至邻近的16个像素点，依据对未知像素点P的远近影响进行插值计算，从而得到更细致的影像。
Latent (bicubic antialiased)：结合了双立方插值算法（Bicubic Interpolation）和抗锯齿（Antialiasing）技术的图像超分辨率技术的Latent放大算法。该算法通过插值算法来放大图像的尺寸，同时消除锯齿状边缘，从而提高图像的分辨率和质量。
Latent (nearest)：结合了最近邻插值算法（Nearest Neighbor Interpolation）的图像超分辨率技术的Latent放大算法。该算法通过插值算法来放大图像的尺寸，同时保持图像的原始像素值，从而提高图像的分辨率和质量。
Latent (nearest-exact)：结合了最近邻插值算法和双线性插值算法的特点的Latent放大算法，以达到更精确的放大效果。

那么以上这些放大算法的原理基本就讲清楚了，反正就是推荐（ESRGAN系列算法）和（4X-UltraSharp），在文生图里也同样适用。接下来，放一些对比效果图看看细节。

3.图片生成区域：

这里其实没啥好说的，总的来说就是放大后的图片在这里可以查看或下载，还会有图片信息。

4.进阶调参区域：

GFPGAN：数值0-1，勾选后启用，数值越大修复人脸效果越好；

CodeFormer：勾选后启用，左侧可见度是人脸的重建程度，右侧权重数值越小效果越高，数值越大效果越差，GFPGAN的替代品；

生成标签：勾选后生成tag，原理和图生图反推是一样的，tag文件自动保存在outputs\extras-images

创建水平翻转副本：生成放大图片的水平副本图、垂直副本图，两者都要。

自动面部焦点剪裁：这里数组报错，我没研究下去，有会的小伙伴可以告诉我噢。

自动按比例裁剪缩放：基于图像内容的中心区域进行裁剪，最小分辨率确保生成的图像至少达到这个分辨率，以保证图像的清晰度；最大分辨率设置了一个分辨率的上限，防止图像被放大到不必要的高分辨率，这可能会增加文件大小而不增加视觉质量；最小面积，确保裁剪后的图像至少有指定的像素面积，这有助于保持图像内容的完整性；最大面积，这个参数限制了图像的最大面积，为了防止图像过于拉伸或压缩，保持图像的视觉比例；错误阈值，数值越大代表精度越低，数值越小代表精度越高。

！总结！

在本篇中，我们把放大算法的原理和进阶调参都讲了一遍，推荐的放大算法（ESRGAN系列算法）和（4X-UltraSharp），这些算法能覆盖80%的应用场景，比如，老旧照片修复，模糊照片修复，艺术照片高清修复，医学影像图放大处理，老旧电影放大处理，高质量广告印刷海报等等。下一章，我们要进入ControNet篇了，让图片“更听我们的话”。