[AI绘画]sd学习记录(二)文生图参数进阶

news2025/6/8 23:05:37

目录

  • 7.高分辨率修复:以小博大
  • 8.细化器(Refiner):两模型接力
  • 9.随机数种子(Seed):复现图片吧

本文接续https://blog.csdn.net/qq_23220445/article/details/148460878?spm=1001.2014.3001.5501,继续讲解文生图的参数。

7.高分辨率修复:以小博大

高分辨率修复位于ui的这个地方:

点击右侧的小三角,就能打开完整的UI:

直接生成高分辨率图(比如 2048×2048 )时,模型容易因 “超出训练习惯”(多数模型训练于 512×512 ),出现多头多手、细节崩坏 。

高分辨率修复(Hires.fix )的做法是,先以 低分辨率(如 512×512 )生成基础图(稳定且不易崩 ),再用 放大算法 + 重绘 ,把低分辨率图 “无损放大” 到高分辨率(如 2048×2048 ),同时补充细节、修复崩坏。

参数如下:

  • 放大算法

就是把图片放大时所用的算法,一般采用如下几个:

Latent(默认):最常用!基于 Stable Diffusion latent 空间优化,平衡速度和细节,放大后画面自然,适合二次元、插画。特点:速度快、兼容性好,放大 2 倍无压力,细节比传统算法(如 bicubic )强。Latent (antialiased):Latent 的抗锯齿版,放大后边缘更平滑(如人物发丝、物体轮廓 ),适合解决 “放大后边缘锯齿” 问题。

Latent (bicubic):结合双三次插值(bicubic )的 Latent 算法,细节更细腻(但速度稍慢 ),适合写实风格。

4x-AnimeSharp:专为二次元 / 动漫优化的算法,放大后线条更锐利、色彩更鲜亮,适合生成高清动漫壁纸。对二次元风格 “针对性增强”,但写实图可能效果奇怪。

SwinIR_4x:基于深度学习的超分辨率算法,细节还原天花板,放大后画面接近 “重新绘制”,适合写实肖像、高精度场景。

  • 放大倍数
    决定最终分辨率是基础图的几倍(2 倍即 512→1024 )。

  • 重绘幅度
    控制 “放大后重绘的力度”。值越高,新细节越多(但可能偏离原图 );值越低,越接近原图(但细节少 )。日常选 0.3 - 0.7 。

  • 高分迭代步数
    放大后重绘的迭代次数,步数越高细节越细(但时间翻倍 )。一般设 10 - 30 ,设 0 则 “只放大不重绘”(细节少但速度快 )。

什么时候用 Hires.fix?

  1. 想做高清壁纸 / 商用图:低分辨率图细节不够,用它放大到 2K/4K 。
  2. 直接生成分辨率易崩:比如生成 1024×1024 图时人物手部崩坏,先用 512×512 生成,再用 Hires.fix 放大修复。
  3. 追求极致细节:比如发丝、衣物纹理,通过放大 + 重绘补充细节。

我们以放大倍数:2,高分迭代步数:10,重绘幅度:0.7,算法为Latent举例,在右上角就能看到此功能的作用:将画面大小从353x500提升到706x1000

最终耗时23.4s

直接绘制一张706x1000的图片,耗时31.8s

来个极端一点的,用250x250放大4倍生成1000x1000分辨率的图片,看起来还蛮精细的。

直接生成一张250x250的图,明显模糊很多。

8.细化器(Refiner):两模型接力

位于ui的这个地方

细化器就是两模型接力生成图片。右边是两个模型的切换时机,填0.8后,当生成百分之80时便会切换到细化器里面选择的模型。

比如说,我现在有两个模型:夜羊社v1.2和立绘专用模型,我想生成夜羊社风格的立绘

于是,我可以先用立绘专用模型生成一个框架,再填充夜羊社v1.2的内容,下面是不同切换时机的参考:

切换时机为0.1:

切换时机为0.5:

切换时机为0.8:

9.随机数种子(Seed):复现图片吧

位于ui的这个地方:

点开右边的小三角可以看到完整ui。

生成图像时,模型会先创建一个随机噪声图,再通过去噪得到最终画面。Seed 就是这张 “噪声图的密码”,只要种子相同,生成的图像完全一样!!就和mc的地图种子一样。

填写-1意思是每次生成都随机抽取种子。

比如说我设置种子为123,连续生成两张:

可以看到,两张图片是一模一样的。因此,当你觉得生成一张图很好看,只需要记住其种子,在保证其他参数一样的前提下就能复现,

并且固定 Seed ,只改提示词、采样方法、CFG Scale 等,可在原图基础上 “小幅度调整”(比如让人物换发型但姿势不变 ),亦可以用来生成同一场景下的不同角色 / 风格(比如 Seed=1234,分别生成 “白天”“黑夜” 的校园场景 )

比如我只把秋天这个此时此换成春天,可以看到变化比较小。

变异随机种子是基于原始 Seed,小幅度打乱噪声分布,让画面在可控范围内改变,而变异强度便是控制 改变的幅度,值越高,画面变化越大(但越可能偏离原图 )。从宽度 / 高度中调整种子是通过 “拉伸宽度 / 高度的噪声分布”,间接调整画面的横向 / 纵向细节(比如让人物左边头发变多,或让天空更广阔 )。

当你用固定 Seed 生成了一张满意的图,但想保留构图 / 风格,又想让细节随机变化(比如换人物表情、调整光影 ),就需要这些参数。

以上图为例,添加一个随机变异系数,变异强度为0.1,结果如下:可以看到主要改变的是背景。

当变异强度为0.5,结果如下:可以看到画面已经有了明显变化。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2404674.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

CRM管理系统中的客户分类与标签管理技巧:提升转化率的核心策略

在客户关系管理(CRM)领域,有效的客户分类与标签管理是提升销售效率、优化营销ROI的关键。据统计,使用CRM管理系统进行科学客户分层的企业,客户转化率平均提升35%(企销客数据)。本文将深入解析在CRM管理软件中实施客户分类与标签管理的最佳实践…

怎么解决cesium加载模型太黑,程序崩溃,不显示,位置不对模型太大,Cesium加载gltf/glb模型后变暗

有时候咱们cesium加载模型时候型太黑,程序崩溃,不显示,位置不对模型太大怎么办 需要处理 可以联系Q:424081801 谢谢 需要处理 可以联系Q:424081801 谢谢

【AI系列】BM25 与向量检索

博客目录 引言:信息检索技术的演进第一部分:BM25 算法详解第二部分:向量检索技术解析第三部分:BM25 与向量检索的对比分析第四部分:融合与创新:混合检索系统 引言:信息检索技术的演进 在信息爆…

模拟法解题的思路与算法分享

我们先来看思路与算法: 使用变长数组对栈进行模拟。 如果操作是 ,那么访问数组的后两个得分,将两个得分之和加到总得分,并且将两个得分之和入栈。如果操作是 D,那么访问数组的最后一个得分,将得分乘以 2 …

mysql密码正确SpringBoot和Datagrip却连接不上

报错信息:SQLException: Access denied for user ‘root‘‘localhost‘ (using password: YES) 原因可能是是有端口号冲突 我这里是禅道端口与MySQL冲突,禅道端口也是3306,ctrlaltdelete打开任务管理器,关闭mysqlzt …

高保真组件库:数字输入框

拖入一个文本框。 拖入一个矩形,作为整个数字输入框的边框,边框颜色为灰色DCDEE2,圆角半径为4。 拖入一个向上的箭头图标作为增加按钮,再拖入一个矩形,将向上箭头图标放入矩形内。矩形:18x15,边框颜色DCDEE2,边框左下可见,箭头图标:8x5,矩形置底,组合在一起命名”增…

【Linux】awk 命令详解及使用示例:结构化文本数据处理工具

【Linux】awk 命令详解及使用示例:结构化文本数据处理工具 引言 awk 是一种强大的文本处理工具和编程语言,专为处理结构化文本数据而设计。它的名称来源于其三位创始人的姓氏首字母:Alfred Aho、Peter Weinberger 和 Brian Kernighan。 基…

紫光同创FPGA系列实现Aurora 8b/10b协议

特性 1.兼容XILINX aurora IP核 2.支持X1、X2、X4、X8模式(根据硬件条件选择模式) 3.支持FRAMING和STREAMING 用户接口 4.自动初始化和维护链路状态 5.支持热插拔 6.支持扰码、解扰 7.支持流量控制 8.支持crc用户数据 9.支持全双工或者半双工模式 10.最…

DAY 44 预训练模型

知识点回顾: 预训练的概念常见的分类预训练模型图像预训练模型的发展史预训练的策略预训练代码实战:resnet18 (一)预训练的概念 我们发现准确率最开始随着epoch的增加而增加。随着循环的更新,参数在不断发生更新。 所以…

【NLP中向量化方式】序号化,亚编码,词袋法等

1.序号化 将单词按照词典排序,给定从0或者1或者2开始的序号即可,一般情况有几 个特征的单词: PAD表示填充字符,UNK表示未知字符 在这个例子中,我们可以看到我们分别将3个文本分为了4个token,每个token用左侧的词典表示…

C++学习-入门到精通【16】自定义模板的介绍

C学习-入门到精通【16】自定义模板的介绍 目录&#xff09; C学习-入门到精通【16】自定义模板的介绍前言一、类模板创建一个自定义类模板&#xff1a;Stack\<T\> 二、使用函数模板来操作类模板特化的对象三、非类型形参四、模板类型形参的默认实参五、重载函数模板 前言…

源码级拆解:如何搭建高并发「数字药店+医保购药」一体化平台?

在全民“掌上看病、线上购药”已成常态的今天&#xff0c;数字药店平台正在以惊人的速度扩张。而将数字药店与医保系统打通&#xff0c;实现线上医保购药&#xff0c;更是未来互联网医疗的关键拼图。 那么&#xff0c;如何从技术底层搭建一个 支持高并发、可扩展、安全合规的数…

Hadoop 3.x 伪分布式 8088端口无法访问问题处理

【Hadoop】YARN ResourceManager 启动后 8088 端口无法访问问题排查与解决(伪分布式启动Hadoop) 在配置和启动 Hadoop YARN 模块时&#xff0c;发现虽然 ResourceManager 正常启动&#xff0c;JPS 进程中也显示无误&#xff0c;但通过浏览器访问 http://主机IP:8088 时却无法打…

零基础在实践中学习网络安全-皮卡丘靶场(第十期-Over Permission 模块)

经过这么长时间的学习&#xff0c;我相信大家已经有了很大的信心&#xff0c;有可能会有看不起的意思&#xff0c;因为皮卡丘是基础靶场&#xff0c;但是俗话说"基础不牢&#xff0c;地动山摇"&#xff0c;所以还请大家静下心来进行学习 来翻译一下是什么意思&#…

毕设 基于机器视觉的驾驶疲劳检测系统(源码+论文)

文章目录 0 前言1 项目运行效果2 课题背景3 Dlib人脸检测与特征提取3.1 简介3.2 Dlib优点 4 疲劳检测算法4.1 眼睛检测算法4.2 打哈欠检测算法4.3 点头检测算法 5 PyQt55.1 简介5.2相关界面代码 6 最后 0 前言 &#x1f525;这两年开始毕业设计和毕业答辩的要求和难度不断提升…

学习STC51单片机30(芯片为STC89C52RCRC)

每日一言 当你感到疲惫时&#xff0c;正是成长的关键时刻&#xff0c;再坚持一下。 IIC协议 是的&#xff0c;IIC协议就是与我们之前的串口通信协议是同一个性质&#xff0c;就是为了满足模块的通信&#xff0c;其实之前的串口通信协议叫做UART协议&#xff0c;我们千万不要弄…

Python-进程

进程 简介 操作系统分配资源的基本单位 创建 依赖 依赖模块 multiprocessing 中的 Process 语法 Process(group[,target[,name[,args[,kwargs]]]]) target&#xff1a;如果传递了函数的引用&#xff0c;这个子进程就执行这里的代码args&#xff1a;元组的方式传递&#x…

Paraformer分角色语音识别-中文-通用 FunASR demo测试与训练

文章目录 0 资料1 Paraformer分角色语音识别-中文-通用1 模型下载2 音频识别测试3 FunASR安装 &#xff08;训练用&#xff09;4 训练 0 资料 https://github.com/modelscope/FunASR/blob/main/README_zh.md https://github.com/modelscope/FunASR/blob/main/model_zoo/readm…

对抗反爬机制的分布式爬虫自适应策略:基于强化学习的攻防博弈建模

在大数据时代&#xff0c;数据的价值不言而喻。网络爬虫作为获取数据的重要工具&#xff0c;被广泛应用于各个领域。然而&#xff0c;随着爬虫技术的普及&#xff0c;网站为了保护自身数据安全和服务器性能&#xff0c;纷纷采取了各种反爬机制。这就使得爬虫与反爬虫之间形成了…

手写muduo网络库(一):项目构建和时间戳、日志库

引言 本文作为手写 muduo 网络库系列开篇&#xff0c;聚焦项目基础框架搭建与核心基础工具模块设计。通过解析 CMake 工程结构设计、目录规划原则&#xff0c;结合时间戳与日志系统的架构&#xff0c;为后续网络库开发奠定工程化基础。文中附完整 CMake 配置示例及模块代码。 …