AI绘画Stable Diffusion 高清放大，多种方法详解，建议收藏！

文章目录 隐藏

这个说实话我很少用，经过测试对于图片细节的处理不是太理想。不过你可以通过其他方法先将图片修复到一定程度后再使用该功能，因为后期处理速度很快，然后扩大无上限-

👣
本章概述

在StableDiffusion我们想要得到一张高分辨率且具有细节特征的图片时，我们就需要使用一些图片放大算法来帮助我们实现。
本文主要概述在sd中常常使用的高清修复方法以及不同方法的区别和应用场景。同时也给出一些推荐的工作流，你可以根据自己的情况来选择适合你的。
通过本节的学习对于高清修复的使用相信你会更加得心应手。

🧻
几种不同高清修复方法

下面几种方法的测试统一是在墨幽v1040，512*512基础分辨率，20步迭代步数，Restart采样方法下进行。
提示词如下（适用于真人图片的起手式）：

正面：
best quality, masterpiece, (photorealistic:1),ultra high res,highres,
illustration. media, delicate,8k wallpaper,soft light,official art,
(realistic:1.2),1girl,

负面：
EasyNegative, paintings, sketches, ugly, 3d, (worst quality:2), (low
quality:2), (normal quality:2), lowres, normal quality, ((monochrome)),
((grayscale)), skin spots, acnes, skin blemishes, age spot, manboobs,
backlight,(ugly:1.3), (duplicate:1.3), (morbid:1.2), (mutilated:1.2),
(tranny:1.3), mutated hands, (poorly drawn hands:1.3), blurry, (bad
anatomy:1.2), (bad proportions:1.3), extra limbs, (disfigured:1.3), (more than
2 nipples:1.3), (more than 1 navel:1.3), (missing arms:1.3), (extra legs:1.3),
(fused fingers:1.6), (too many fingers:1.6), (unclear eyes:1.3), bad hands,
missing fingers, extra digit, (futa:1.1), bad body, double navel, mutad arms,
hused arms, (puffy nipples, dark areolae, dark nipples, rei no himo, inverted
nipples, long nipples), NG_DeepNegative_V1_75t, pubic hair, fat rolls, obese,
bad-picture-chill-75v,(without clothes)

一、文生图高清修复

在文生图的界面里，我们可以在一开始就指定将图片进行放大。
在打开高清修复后，我们会看到以下这些参数。

关于这里的放大算法，我比较推荐使用以下一种，（其中Anime6B一般用于二次元风格）
4x-ultrasharp需要额外下载，下载地址为：https://civitai.com/models/116225/4x-ultrasharp
下载下来后放到：sd目录modelsESRGAN
后期下载的其他放大算法模型基本上都是放在这个目录下。

以下是这几种放大算法跑出来的效果图，可以看出来其实差距都很小，对于不同风格的结果会有所区别，对于细节把握比较强的童鞋可以试试使用xyz脚本（还不知道这个脚本使用的见我之前编写的文章）跑出最合适你的参数。

二、后期处理缩放倍数

这个说实话我很少用，经过测试对于图片细节的处理不是太理想。不过你可以通过其他方法先将图片修复到一定程度后再使用该功能，因为后期处理速度很快，然后扩大无上限-

比如下图，未经过处理和经过处理后的结果：
处理前：

处理后：

那后期处理这块是不是没有用了呢？也不尽然，
这里一般可以用来处理照片的裁剪或老照片修复。

三、图生图放大倍数和几个Upscale脚本

方法一：放大倍数
来到图生图界面，缩放模式选择仅调整大小，这里我们可以修改重绘尺寸或者直接指定重绘尺寸倍数。
需要注意的是，因为是基于原图进行处理，所以这里我们固定好seed值以及降低重绘幅度。

刚刚那张照片的处理结果如下：

方法二：使用Sd upscale
打开脚本我们选择 upscale：

打开以后看到以下几个参数选项，
upscale是将一张图片分为多个区块然后进行分别放大，最后再组合起来。

这里的分块重叠像素宽度是用来避免最终成像会有明显的接缝，因为是分块绘制嘛，最后还需要拼接的。一般维持默认即可。不要忘了选择放大算法，否则不会生效。

这个方法我用的其实也比较少，现在基本也被淘汰了，因为可能出现一些未知的情况- -，比如下图。
为什么会出现这种情况呢，因为它是分区块进行放大的，每个区块就可能按照AI自己的想法加入一些奇奇怪怪的玩意~。结果就不可控了，虽然我们减少区块的大小，但最终的结果可能还是难以预料的。

方法三：使用Ultimate SD upsale

该方法是 Sd upscale 的升级版，也需要额外下载，在扩展中搜索Ultimate就可以看到了，安装后记得重启UI界面。
来到图生图界面，使用的还是之前的照片参数，降低重绘幅度和固定种子。然后在脚本中找到 Ultimate SD upsale。

放大前：

放大后：

可以看到效果还不错，在这个脚本里涉及一些参数，我们有时候需要根据图片的最终成像来进行调整，根据官方的界面，具体说明如下：

「Target size type」 : 定义最终图像的大小来源。

「From img2img settings」 : 使用默认的**「img2img」**宽和高设置。
「Custom size」 : 自定义宽高设置，最大值是8192。
「Scale from image size」 : 以初始图像大小为基础进行缩放。（大多情况下直接使用这个）

「Redraw」 : 图像重新绘制的设置。

「Linear」 : 所有小块逐个、逐行逐列地处理。
「Chess」 : 所有小块按棋盘模式处理，这样可以减少接缝产生的几率。（常用选项）
「None」 : 禁用重新绘制。如果你看到明显的重叠或接缝上的瑕疵，就使用这个模式。
「Upscaler」 : 在重新绘制之前放大图像。推荐使用ESRGAN来增强现实感的图像，对于其他的图像推荐使用R-ESRGAN 4x+。我们也可以使用4x-ultrasharp
「Type」 :
「Tile width/height」 : 要处理的小块的宽和高。对于2k图像，512px通常就够了。
「Padding」 : 在处理一个小块时，会考虑多少像素的邻近小块。
「Mask blur」 : 用于小块蒙版的模糊程度。如果你看到接缝，可以适当调整这个值。

「Seams fix」 : 对于结果图像中可见的网格，通常不需要使用它，因为它只是另一种重新绘制方法。

「Bands pass」 : 主要处理接缝（行和列），需要的时间比较短。
「Half tile offset pass」 : 与重新绘制相似，但有一半的小块偏移。
「Half tile offset + intersections pass」 : 先运行Half tile offset pass，然后对交叉点进行额外的处理。
「None」 : 禁用接缝修复。
「Type」 :

「Save options」 : 保存图像的选项。

「Upscaled」 : 默认启用。从Redraw保存图像。
「Seams fix」 : 默认禁用。在Seams fix之后保存图像。

这个脚本也可以搭配controlnet的tiled进行使用。细节会更丰富些。

四、Tiled
Diffusion脚本

该脚本需要另外下载，一般搭配Tiled Vae一起使用，秋叶启动包自带了。如果没有下载的童鞋可直接在扩展中搜索下载（或看文末扫描获取脚本文件）。
下载后可在文生图和图生图中查看到。

放大的话一般先在文生图中生成一张满意的图片，然后发送到图生图中。不要忘记降低重绘幅度和固定种子。

我们打开脚本，然后点击启用，关于这里的参数设置先保持默认。不要忘记选择放大算法。
对于显存较大的同学可以将分块单批数量（「Tiled Diffusion Latent tile」 ）改为8，这样处理的速度会快很多。

这里我们放大两倍，点击生成。效果如下：

其实为了细节的更好处理，我们可以在这里再加入controlnet tile，效果会更好.
因为cn tile往往会产生更多的细节，MultiDiffusion会更多的修饰原图而缺少足够的细节。两者的适当结合会产生非常好的效果。

可以看出来，人物的真实感更加强烈，且增添了一些细节

上面的图像我们是在默认的参数下生成的，其实官方有给一些推荐的参数设置，具体如下：
Denoising Strength >= 0.75
Method = Mixture of Diffusers, Overlap = 8
Noise Inversion Steps >= 30
CN Tile preprocessor = tile_resample, downsampling rate = 2。

具体修改后的参数如下图（需要注意的是batch size这个参数，如果你的显存比较小，还是默认1吧）：

设置为推荐参数后，我们再生成结果：

由于篇幅原因，这里不再过多阐述，如果你对还想了解这些参数和其他参数的具体含义。可以查阅官方文档

五、Diffusion+StableSR

高清放大算法的后起之秀，由南阳理工大学的王建一同学等人开源。
需要额外下载，可在扩展中选择从地址下载：https://github.com/pkuliyi2015/sd-webui-stablesr.git
如无法下载，请看文末扫描获取文件

这个脚本的使用还需要几个额外的模型：
1、在 https://huggingface.co/stabilityai/stable-diffusion-2-1/tree/main
中下载模型文件，下载完成后放入sd的Stable-diffusion 目录下。sd目录modelsStable-diffusion

2、下载StableSR
模块的模型文件，下载地址为：https://huggingface.co/Iceclear/StableSR/blob/main/webui_768v_139.ckpt
如无法下载请看文末获取文件

下载后的文件保存在 sd目录/extensions/sd-webui-stablesr/models下（models 默认没有，要自己新建）
3、下载配置vae文件，请看文末扫描获取文件。
下载下来后放在 sd目录/models/VAE 目录下。

4、官方推荐该脚本和Tiled Diffusion一起使用，这样速度更快，不容易OOM（内存溢出）。所以我们需要安装Tiled
Diffusion插件，这个在上面已经介绍了。

到这里我们就安装好了，我们来使用一下它。来到图生图界面，设置好基础参数信息。需要注意的是这个基础参数的设置和我们前面的方法有所区别，这也是官方推荐的。
选择我们刚刚下载的checkpoints模型和配套vae。

输入正面词（不输也行）和负面词。
正面：
(masterpiece:2), (best quality:2), (realistic:2),(very clear:2)

负面：
3d,cartoon,anime,sketches,(worst quality:2),(low quality:2),

配置脚本参数：
官方推荐的参数配置如下：

如果生成图像尺寸 > 512，我们推荐使用 Tiled Diffusion & VAE，否则，图像质量可能不理想，VRAM 使用量也会很大。
这里是官方推荐的 Tiled Diffusion 设置。
方法 = Mixture of Diffusers
隐空间Tile大小 = 64，隐空间Tile重叠 = 32
Tile批大小尽可能大，直到差一点点就炸显存为止。
Upscaler 「必须」 选择None。
下图是24GB显存的推荐设置。
对于4GB的设备，「只需将Tiled Diffusion Latent tile批处理大小改为1，Tiled VAE编码器Tile大小改为1024，解码器Tile大小改为128。」
SDP注意力优化可能会导致OOM（内存不足），因此推荐使用xformers。
除非你有深入的理解，否则你**「不要」改变Tiled Diffusion & Tiled VAE中的其他设置。「这些参数对于StableSR基本上是最优解」**

最终成像如下，可以看到细节感真的不错哈，一些细节可以再做调整，如果需要更丰富就把放大倍数再调大些：

六、几种方式的优缺点对比：

「方法名」	「优点」	「缺点」
文生图高清修复	图片生成细节良好、操作简便	生成速度一般，占用较大显存
后期处理	生成速度很快，操作简便	几乎0重绘，对于细节的完善不足
图生图放大倍数	生成速度很快，操作简单，细节良好	生成图片细节有限
图生图Upscale脚本	生成速度中等，操作简便	容易生成过多不需要的画面，目前已基本废弃
图生图Ultimate脚本	生成速度中等，细节良好，可搭配cn tile	生成的结果具有一定的随机性，需要对参数有一定了解，进行细微调整
Diffusion+StableSR	几乎完全忠实于原图，细节最佳，最大支持放大8K	操作起来很麻烦，需要下载一些额外的模型，然后速度也并不快
Diffusion+VAE+cn	细节绝佳，最大支持放大8K	生成速度慢，可能会出现一些不需要的细节（可做调整）

🍉
推荐方案和工作流：

对比了这些高清放大算法后，一般我们可以选择下面几个。其他方法其实经过一些参数的调整也可以生成不错的效果，不过为了稳定和节省时间，我们可以直接选择下述列出的方法。
1、直接在文生图中开启高清修复（显存大的直接开启也无所谓啦） -> 图生图继续利用2、3方法放大（可选） -> 后期处理继续放大（可选）
2、在文生图中抽到好卡 -> 发送到图生图 -> 固定种子和降低重绘幅度 -> 打开Tiled Diffision、Tiled Vae ->
打开controlnet，选择tile -> 生成结果 -> 后期处理继续放大（可选）
3、在文生图中抽到好卡 -> 发送到图生图 -> 修改模型和vae -> 重新填写正反面提示词 -> 配置Tiled Diffision、Tiled
Vae、StableSR -> 生成结果 -> 后期处理继续放大（可选）

几种方法针对不同图片的表现会有所区别，可以都尝试一下，没有最好的方式，只有最适合的方式。
我自己的话一般第二种方式用的多些

🌻
总结

今天的介绍就到这里啦，本篇文章主要概述了在sd中常用的高清放大方式和常用工作流，如果看完以后对你有所帮助，不妨点个关注吧~

针对各位AIGC初学者，这里列举了一条完整的学习计划，感兴趣的可以阅读看看，希望对你的学习之路有所帮助，废话不多说，进入正题：

目标应该是这样的：

第一阶段（30天）：AI-GPT从入门到深度应用

该阶段首先通过介绍AI-GPT从入门到深度应用目录结构让大家对GPT有一个简单的认识，同时知道为什么要学习GPT使用方法。然后我们会正式学习GPT深度玩法应用场景。

———–

GPT的定义与概述
GPT与其他AI对比区别
GPT超强记忆力体验
万能GPT如何帮你解决一切问题？
GPT表达方式优化
GPT多类复杂应用场景解读
3步刨根问底获取终极方案
4步提高技巧-GPT高情商沟通
GPT深度玩法应用场景
GPT高级角色扮演-教学老师
GPT高级角色扮演-育儿专家
GPT高级角色扮演-职业顾问
GPT高级角色扮演-专业私人健身教练
GPT高级角色扮演-心理健康顾问
GPT高级角色扮演-程序UX/UI界面开发顾问
GPT高级角色扮演-产品经理
GPT高级技巧-游戏IP角色扮演
GPT高级技巧-文本冒险游戏引导
GPT实操练习-销售行业
GPT实操练习-菜谱推荐
GPT实操练习-美容护肤
GPT实操练习-知识问答
GPT实操练习-语言学习
GPT实操练习-科学减脂
GPT实操练习-情感咨询
GPT实操练习-私人医生
GPT实操练习-语言翻译
GPT实操练习-作业辅导
GPT实操练习-聊天陪伴
GPT实操练习-育儿建议
GPT实操练习-资产配置
GPT实操练习-教学课程编排
GPT实操练习-活动策划
GPT实操练习-法律顾问
GPT实操练习-旅游指南
GPT实操练习-编辑剧本
GPT实操练习-面试招聘
GPT实操练习-宠物护理和训练
GPT实操练习-吸睛爆款标题生成
GPT实操练习-自媒体爆款软件拆解
GPT实操练习-自媒体文章创作
GPT实操练习-高效写作推广方案
GPT实操练习-星座分析
GPT实操练习-原创音乐创作
GPT实操练习-起名/解梦/写诗/写情书/写小说
GPT提升工作效率-Word关键字词提取
GPT提升工作效率-Word翻译实现
GPT提升工作效率-Word自动填写、排版
GPT提升工作效率-Word自动纠错、建议
GPT提升工作效率-Word批量生产优质文章
GPT提升工作效率-Excel自动化实现数据计算、分析
GPT提升工作效率-Excel快速生成、拆分及合并实战
GPT提升工作效率-Excel生成复杂任务实战
GPT提升工作效率-Excel用Chat Excel让效率起飞
GPT提升工作效率–PPT文档内容读取实现
GPT提升工作效率–PPT快速批量调整PPT文档
GPT提升工作效率-文件批量创建、复制、移动等高效操作
GPT提升工作效率-文件遍历、搜索等高效操作
GPT提升工作效率-邮件自动发送
GPT提升工作效率-邮件自动回复
GPT接入QQ与QQ群实战
GPT接入微信与微信群实战
GPT接入QQ与VX多用户访问实战
GPT接入工具与脚本部署实战

第二阶段（30天）：AI-绘画进阶实战

该阶段我们正式进入AI-绘画进阶实战学习，首先通过了解AI绘画定义与概述，AI绘画的应用领域，PAI绘画与传统绘画的区别，AI绘画的工具分类介绍的基本概念，以及AI绘画工具Midjourney、Stable Diffusion的使用方法，还有AI绘画插件和模板的使用为我们接下来的实战设计学习做铺垫。

———–
AI绘画定义与概述
AI绘画的应用领域
AI绘画与传统绘画的区别
AI绘画的工具分类介绍
AI绘画工具-Midjourney
AI绘画工具-百度文心一格
AI绘画工具-SDWebUI
AI绘画工具-Vega AI
AI绘画工具-微信中的AI绘画小程序
Midjourney学习-Discord账号的注册
Midjourney Bot界面讲解
Midjourney提示词入门
Midjourney高级提示词
Midjourney版本参数学解读
Midjourney功能参数
Midjourney上采样参数
AI绘画组合应用1-Midjourney + GPT
AI绘画组合应用2-Stable Diffusion + GPT
AI绘画组合应用3-AI绘画+ GPT +小红书
AI绘画组合应用4-AI绘画+ GPT +抖音
AI绘画组合应用5-AI绘画+ GPT +公众号
AI绘画组合应用6-AI绘画+ GPT + AI视频
AI绘画组合应用7-AI绘画+ GPT + 小说人物/场景
AI绘画设计-Logo设计
AI绘画设计-套用万能公式
AI绘画设计-引用艺术风格
AI绘画设计-GPT加速设计方案落地
AI绘画设计-Vega AI渲染线稿生成设计
AI绘画设计-摄影
AI绘画设计-头像设计
AI绘画设计-海报设计
AI绘画设计-模特换装
AI绘画设计-家具设计
AI绘画设计-潘顿椅设计
AI绘画设计-沙发设计
AI绘画设计-电视柜设计
AI绘画设计-包装设计的提示词构思

第三阶段（30天）：AI-视频高段位

恭喜你，如果学到这里，你基本可以找到一份AIGC副业相关的工作，比如电商运营、原画设计、美工、安全分析等岗位；如果新媒体运营学的好，还可以从各大自媒体平台收获平台兼职收益。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

———–
AI视频定义与概述
AI视频制作-方案与创新
AI视频制作-各种工具实操
AI视频制作-美学风格(油画/插画/日漫/水墨)
AI视频制作-形象设定(人物形象服装/造型/表情)
AI视频画面特效处理
AI视频画面拼接
AI视频画面配音
AI视频画面包装
AI视频锁定人物逐一精修
多种表情动作/情节
动态模型转换-视频内部元素关键帧
动态模型转换-图像整体运动
动态模型转换-虚拟人
动态模型转换-表面特效
AI自媒体视频-深问GPT，获取方案
AI自媒体视频-风格设置(诗歌/文言文等)
AI自媒体视频-各行业创意视频设计思路
AI视频风格转换
AI视频字数压缩
AI视频同类型衍生
AI视频Pormpt公式

第四阶段（20天）：AI-虚拟数字人课程

———–
AI数字人工具简介
AI工作台界面功能展示及介绍
AI数字人任务确定
AI数字人素材准备
AI知识、语料的投喂
AI模型训练
AI训练成果展示及改进
AI数字人直播系统工具使用
AI人物在各平台直播
AI数字人在OBS平台直播

第五阶段（45天以上）：AIGC-多渠道变现课程

该阶段是项目演练阶段，大家通过使用之前学习过的AIGC基础知识，项目中分别应用到了新媒体、电子商务等岗位能帮助大家在主流的新媒体和电商平台引流和带货变现。

———–

AI-小红书引流变现
AI-公众号引流变现
AI-知乎引流变现
AI-抖音引流/带货变现
AI-写作变现
AI-B站引流变现
AI-快手引流变现
AI-百家号引流变现
AI-制作素材模板出售变现
AI-周边定制变现
AI-手机壳图案定制变现
AI-周边产品定制变现
AI-服装图案定制变现
AI-个性头像定制变现
AI-起号与知识付费变现
AI-实现淘宝销售变现

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名AIGC的正确特征了。

这份完整版的AIGC资料我已经打包好，需要的点击下方二维码，即可前往免费领取！

文章来源于互联网:AI绘画Stable Diffusion 高清放大，多种方法详解，建议收藏！

相关推荐: AI写作对决：速度与深度，谁更胜一筹？

各位，欢迎收听本次由小智为您带来的AI解读节目，今天的主题将是关于人工智能与传统写作形式的激烈比较。言归正传，让我们立即进入到紧张刺激的对决过程中。 1.机器的冷峻 vs 人工的温情机编以简练而精准的特性受到青睐，它们从数据源头获取信息，并以简单易懂的方式进…

👣 本章概述

在Stable Diffusion我们想要得到一张高分辨率且具有细节特征的图片时，我们就需要使用一些图片放大算法来帮助我们实现。
本文主要概述在sd中常常使用的高清修复方法以及不同方法的区别和应用场景。同时也给出一些推荐的工作流，你可以根据自己的情况来选择适合你的。
通过本节的学习对于高清修复的使用相信你会更加得心应手。

🧻 几种不同高清修复方法

下面几种方法的测试统一是在墨幽v1040，512*512基础分辨率，20步迭代步数，Restart采样方法下进行。
提示词如下（适用于真人图片的起手式）：

正面：
best quality, masterpiece, (photorealistic:1),ultra high res,highres, illustration. media, delicate,8k wallpaper,soft light,official art, (realistic:1.2),1girl,

负面：
EasyNegative, paintings, sketches, ugly, 3d, (worst quality:2), (low quality:2), (normal quality:2), lowres, normal quality, ((monochrome)), ((grayscale)), skin spots, acnes, skin blemishes, age spot, manboobs, backlight,(ugly:1.3), (duplicate:1.3), (morbid:1.2), (mutilated:1.2), (tranny:1.3), mutated hands, (poorly drawn hands:1.3), blurry, (bad anatomy:1.2), (bad proportions:1.3), extra limbs, (disfigured:1.3), (more than 2 nipples:1.3), (more than 1 navel:1.3), (missing arms:1.3), (extra legs:1.3), (fused fingers:1.6), (too many fingers:1.6), (unclear eyes:1.3), bad hands, missing fingers, extra digit, (futa:1.1), bad body, double navel, mutad arms, hused arms, (puffy nipples, dark areolae, dark nipples, rei no himo, inverted nipples, long nipples), NG_DeepNegative_V1_75t, pubic hair, fat rolls, obese, bad-picture-chill-75v,(without clothes)

一、文生图高清修复

在文生图的界面里，我们可以在一开始就指定将图片进行放大。
在打开高清修复后，我们会看到以下这些参数。

关于这里的放大算法，我比较推荐使用以下一种，（其中Anime6B一般用于二次元风格）
4x-ultrasharp需要额外下载，下载地址为：https://civitai.com/models/116225/4x-ultrasharp
下载下来后放到：sd目录modelsESRGAN
后期下载的其他放大算法模型基本上都是放在这个目录下。

以下是这几种放大算法跑出来的效果图，可以看出来其实差距都很小，对于不同风格的结果会有所区别，对于细节把握比较强的童鞋可以试试使用xyz脚本（还不知道这个脚本使用的见我之前编写的文章）跑出最合适你的参数。

二、后期处理缩放倍数

这个说实话我很少用，经过测试对于图片细节的处理不是太理想。不过你可以通过其他方法先将图片修复到一定程度后再使用该功能，因为后期处理速度很快，然后扩大无上限- –
比如下图，未经过处理和经过处理后的结果：
处理前：

处理后：

那后期处理这块是不是没有用了呢？也不尽然，
这里一般可以用来处理照片的裁剪或老照片修复。

三、图生图放大倍数和几个Upscale脚本

方法一：放大倍数
来到图生图界面，缩放模式选择仅调整大小，这里我们可以修改重绘尺寸或者直接指定重绘尺寸倍数。
需要注意的是，因为是基于原图进行处理，所以这里我们固定好seed值以及降低重绘幅度。

刚刚那张照片的处理结果如下：

方法二：使用Sd upscale
打开脚本我们选择 upscale：

打开以后看到以下几个参数选项，
upscale是将一张图片分为多个区块然后进行分别放大，最后再组合起来。

这里的分块重叠像素宽度是用来避免最终成像会有明显的接缝，因为是分块绘制嘛，最后还需要拼接的。一般维持默认即可。不要忘了选择放大算法，否则不会生效。

这个方法我用的其实也比较少，现在基本也被淘汰了，因为可能出现一些未知的情况- -，比如下图。
为什么会出现这种情况呢，因为它是分区块进行放大的，每个区块就可能按照AI自己的想法加入一些奇奇怪怪的玩意~。结果就不可控了，虽然我们减少区块的大小，但最终的结果可能还是难以预料的。

方法三：使用Ultimate SD upsale

该方法是 Sd upscale 的升级版，也需要额外下载，在扩展中搜索Ultimate就可以看到了，安装后记得重启UI界面。
来到图生图界面，使用的还是之前的照片参数，降低重绘幅度和固定种子。然后在脚本中找到 Ultimate SD upsale。

放大前：

放大后：

可以看到效果还不错，在这个脚本里涉及一些参数，我们有时候需要根据图片的最终成像来进行调整，根据官方的界面，具体说明如下：

「Target size type」: 定义最终图像的大小来源。

「From img2img settings」: 使用默认的**「img2img」**宽和高设置。
「Custom size」: 自定义宽高设置，最大值是8192。
「Scale from image size」: 以初始图像大小为基础进行缩放。（大多情况下直接使用这个）

「Redraw」: 图像重新绘制的设置。

「Linear」: 所有小块逐个、逐行逐列地处理。
「Chess」: 所有小块按棋盘模式处理，这样可以减少接缝产生的几率。（常用选项）
「None」: 禁用重新绘制。如果你看到明显的重叠或接缝上的瑕疵，就使用这个模式。
「Upscaler」: 在重新绘制之前放大图像。推荐使用ESRGAN来增强现实感的图像，对于其他的图像推荐使用R-ESRGAN 4x+。我们也可以使用4x-ultrasharp
「Type」:
「Tile width/height」: 要处理的小块的宽和高。对于2k图像，512px通常就够了。
「Padding」: 在处理一个小块时，会考虑多少像素的邻近小块。
「Mask blur」: 用于小块蒙版的模糊程度。如果你看到接缝，可以适当调整这个值。

「Seams fix」: 对于结果图像中可见的网格，通常不需要使用它，因为它只是另一种重新绘制方法。

「Bands pass」: 主要处理接缝（行和列），需要的时间比较短。
「Half tile offset pass」: 与重新绘制相似，但有一半的小块偏移。
「Half tile offset + intersections pass」: 先运行Half tile offset pass，然后对交叉点进行额外的处理。
「None」: 禁用接缝修复。
「Type」:

「Save options」: 保存图像的选项。

「Upscaled」: 默认启用。从Redraw保存图像。
「Seams fix」: 默认禁用。在Seams fix之后保存图像。

这个脚本也可以搭配controlnet的tiled进行使用。细节会更丰富些。

四、Tiled Diffusion脚本

该脚本需要另外下载，一般搭配Tiled Vae一起使用，秋叶启动包自带了。如果没有下载的童鞋可直接在扩展中搜索下载（或看文末扫描获取脚本文件）。下载后可在文生图和图生图中查看到。

放大的话一般先在文生图中生成一张满意的图片，然后发送到图生图中。不要忘记降低重绘幅度和固定种子。

我们打开脚本，然后点击启用，关于这里的参数设置先保持默认。不要忘记选择放大算法。
对于显存较大的同学可以将分块单批数量（「Tiled Diffusion Latent tile」）改为8，这样处理的速度会快很多。

这里我们放大两倍，点击生成。效果如下：

其实为了细节的更好处理，我们可以在这里再加入controlnet tile，效果会更好.
因为cn tile往往会产生更多的细节，MultiDiffusion会更多的修饰原图而缺少足够的细节。两者的适当结合会产生非常好的效果。

可以看出来，人物的真实感更加强烈，且增添了一些细节

上面的图像我们是在默认的参数下生成的，其实官方有给一些推荐的参数设置，具体如下：
Denoising Strength >= 0.75
Method = Mixture of Diffusers, Overlap = 8
Noise Inversion Steps >= 30
CN Tile preprocessor = tile_resample, downsampling rate = 2。

具体修改后的参数如下图（需要注意的是batch size这个参数，如果你的显存比较小，还是默认1吧）：

设置为推荐参数后，我们再生成结果：

由于篇幅原因，这里不再过多阐述，如果你对还想了解这些参数和其他参数的具体含义。可以查阅官方文档

五、Diffusion+StableSR

高清放大算法的后起之秀，由南阳理工大学的王建一同学等人开源。
需要额外下载，可在扩展中选择从地址下载：https://github.com/pkuliyi2015/sd-webui-stablesr.git
如无法下载，请看文末扫描获取文件

这个脚本的使用还需要几个额外的模型：
1、在 https://huggingface.co/stabilityai/stable-diffusion-2-1/tree/main 中下载模型文件，下载完成后放入sd的Stable-diffusion 目录下。sd目录modelsStable-diffusion

2、下载StableSR 模块的模型文件，下载地址为：https://huggingface.co/Iceclear/StableSR/blob/main/webui_768v_139.ckpt
如无法下载请看文末获取文件

下载后的文件保存在 sd目录/extensions/sd-webui-stablesr/models下（models 默认没有，要自己新建）
3、下载配置vae文件，请看文末扫描获取文件。
下载下来后放在 sd目录/models/VAE 目录下。

4、官方推荐该脚本和Tiled Diffusion一起使用，这样速度更快，不容易OOM（内存溢出）。所以我们需要安装Tiled Diffusion插件，这个在上面已经介绍了。

到这里我们就安装好了，我们来使用一下它。来到图生图界面，设置好基础参数信息。需要注意的是这个基础参数的设置和我们前面的方法有所区别，这也是官方推荐的。
选择我们刚刚下载的checkpoints模型和配套vae。

输入正面词（不输也行）和负面词。
正面：
(masterpiece:2), (best quality:2), (realistic:2),(very clear:2)

负面：
3d,cartoon,anime,sketches,(worst quality:2),(low quality:2),

配置脚本参数：
官方推荐的参数配置如下：

如果生成图像尺寸 > 512，我们推荐使用 Tiled Diffusion & VAE，否则，图像质量可能不理想，VRAM 使用量也会很大。
这里是官方推荐的 Tiled Diffusion 设置。
方法 = Mixture of Diffusers
隐空间Tile大小 = 64，隐空间Tile重叠 = 32
Tile批大小尽可能大，直到差一点点就炸显存为止。
Upscaler 「必须」 选择None。
下图是24GB显存的推荐设置。
对于4GB的设备，「只需将Tiled Diffusion Latent tile批处理大小改为1，Tiled VAE编码器Tile大小改为1024，解码器Tile大小改为128。」
SDP注意力优化可能会导致OOM（内存不足），因此推荐使用xformers。
除非你有深入的理解，否则你**「不要」改变Tiled Diffusion & Tiled VAE中的其他设置。「这些参数对于StableSR基本上是最优解」**

最终成像如下，可以看到细节感真的不错哈，一些细节可以再做调整，如果需要更丰富就把放大倍数再调大些：

六、几种方式的优缺点对比：

「方法名」	「优点」	「缺点」
文生图高清修复	图片生成细节良好、操作简便	生成速度一般，占用较大显存
后期处理	生成速度很快，操作简便	几乎0重绘，对于细节的完善不足
图生图放大倍数	生成速度很快，操作简单，细节良好	生成图片细节有限
图生图Upscale脚本	生成速度中等，操作简便	容易生成过多不需要的画面，目前已基本废弃
图生图Ultimate脚本	生成速度中等，细节良好，可搭配cn tile	生成的结果具有一定的随机性，需要对参数有一定了解，进行细微调整
Diffusion+StableSR	几乎完全忠实于原图，细节最佳，最大支持放大8K	操作起来很麻烦，需要下载一些额外的模型，然后速度也并不快
Diffusion+VAE+cn	细节绝佳，最大支持放大8K	生成速度慢，可能会出现一些不需要的细节（可做调整）

🍉 推荐方案和工作流：

对比了这些高清放大算法后，一般我们可以选择下面几个。其他方法其实经过一些参数的调整也可以生成不错的效果，不过为了稳定和节省时间，我们可以直接选择下述列出的方法。
1、直接在文生图中开启高清修复（显存大的直接开启也无所谓啦） -> 图生图继续利用2、3方法放大（可选） -> 后期处理继续放大（可选）
2、在文生图中抽到好卡 -> 发送到图生图 -> 固定种子和降低重绘幅度 -> 打开Tiled Diffision、Tiled Vae -> 打开controlnet，选择tile -> 生成结果 -> 后期处理继续放大（可选）
3、在文生图中抽到好卡 -> 发送到图生图 -> 修改模型和vae -> 重新填写正反面提示词 -> 配置Tiled Diffision、Tiled Vae、StableSR -> 生成结果 -> 后期处理继续放大（可选）

几种方法针对不同图片的表现会有所区别，可以都尝试一下，没有最好的方式，只有最适合的方式。
我自己的话一般第二种方式用的多些

🌻 总结

今天的介绍就到这里啦，本篇文章主要概述了在sd中常用的高清放大方式和常用工作流，如果看完以后对你有所帮助，不妨点个关注吧~

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。

文章来源于互联网:AI绘画Stable Diffusion 高清放大，多种方法详解，建议收藏！

相关推荐: 让DeepSeek推荐客户！6个章节深度聊聊设计师如何让私单来找你

若干天之前，有位客户添加我的微信咨询包装设计，一番常规沟通之后，她竟然说是通过 DeepSeek 的推荐找到我的。当时的我大为震惊，大家看图：与客户的沟通截图于是我马上通过 DeepSeek 去询问远麦刘斌的知名度如何，又获得了让我吃惊的答案，DeepS…