使用 Stable Diffusion 实现老照片智能上色与高清修复

前言

随着人工智能技术的发展，利用 AI 技术恢复年代久远的黑白老照片已成为可能。许多家庭珍藏的黑白照片因岁月流逝而褪色或模糊，通过 Stable Diffusion 及其生态插件，我们可以有效地为这些照片重新上色并提升画质，唤醒珍贵的记忆。

本文将以实际案例为例，详细介绍从基础着色到高清修复的完整工作流，涵盖模型选择、ControlNet 控制、色彩修正及超分辨率放大等关键技术点。

环境准备

在进行操作前，请确保已安装以下软件与环境：

Stable Diffusion WebUI: 推荐使用 ComfyUI 或 Automatic1111 版本，需支持 ControlNet 扩展。
显卡要求: 建议 NVIDIA 显卡，显存不低于 8GB，若显存较小可配合 MultiDiffusion 插件使用。
必要插件:
- ControlNet (含 Recolor 预处理器)
- Cutoff (用于区域色彩控制)
- GFPGAN (人脸修复)
- StableSR (图像超分)
- MultiDiffusion (大尺寸分块渲染)

核心工作流详解

1. 模型选择与基础设置

对于人物照片的还原，推荐选用写实风格的大模型（如 Realistic Vision）。在提示词（Prompt）中，直接描述颜色与内容，例如'黑色头发'、'黄色皮肤'、'深蓝色衣服'。由于黑白照片缺乏色彩信息，部分颜色需根据历史背景进行合理推测。

2. 使用 Recolor 模型进行初步上色

ControlNet 是控制生成过程的关键。在此步骤中，我们启用 Recolor 模型。

预处理器选择: 经过测试，recolor_luminance 的效果优于其他选项，能更好地保留原图的明暗关系。
注意事项: 仅依靠基础上色往往不够精准，颜色可能会出现在非预期位置，且照片上的斑驳痕迹可能导致背景颜色不统一。这是正常现象，需要通过后续步骤优化。

3. 色彩分布控制 (Cutoff 插件)

为解决颜色污染问题，即不同颜色提示词相互干扰，我们需要引入 Cutoff 插件。

操作步骤: 依次按顺序设置好颜色提示词对应的区域掩码。
目的: 强制 AI 将特定颜色限制在指定区域内，确保配色与内容逻辑一致。

4. 人脸细节修复 (GFPGAN)

上色完成后，由于老照片原始像素较低，需进行后期处理以提升清晰度。

工具: 使用 GFPGAN 算法。
功能: 专门针对五官进行重绘和清晰化处理。
局限性: 该步骤主要优化面部，对头发、衣物等其他元素的清晰度提升有限。

5. 整体高清放大 (StableSR + MultiDiffusion)

为了获得高分辨率输出，需进入图生图模式进行放大。

脚本选择: 启用 StableSR 脚本。这是目前对原图还原最精准的重绘放大插件之一。
模型切换: 建议切换到 SD 2.1 模型，VAE 选择 vqgan。
提示词: 此时提示词留空，避免对原图产生不必要的干扰。
显存优化: 若显存不足，启用 MultiDiffusion 插件。它支持分块渲染，可在不增加放大倍数的情况下，将图片放大至足够倍数，有效解决 OOM（显存溢出）问题。

复杂场景处理策略

在处理多人物、场景复杂的照片时，直接上色容易导致画面色调单一或颜色混乱。

案例：多人群像处理

当照片中人物众多且背景复杂时，过多的颜色提示词会导致 AI 无法分辨。此时应采取简化策略：

放弃服装细节指定: 仅给出场景方向（如蓝天、绿树、灰石砖），其余交给 AI 自行决定。
参考图匹配: 寻找一张色调相近的参考图（如仙人洞照片），加入第二个 ControlNet 来控制颜色。
Color ControlNet: 使用 t2ia_color 模型，仅输入简单的关键词，让 AI 自动匹配整体氛围。

常见问题与优化建议

颜色污染: 如果颜色溢出，检查 Cutoff 插件的权重设置，或尝试降低 Denoising Strength（重绘幅度）。
人脸崩坏: 在使用 StableSR 放大时，适当提高 Face Restoration 的权重，但需注意不要过度重绘导致失真。
显存不足: 务必开启 MultiDiffusion 的分块渲染功能，并调整 Block Size 以适应硬件配置。
年代感过强: 若上色后仍显陈旧，可适当调整 CFG Scale，增强色彩饱和度。

结语

通过上述流程，我们可以将低分辨率的黑白老照片转化为色彩鲜艳、细节丰富的高清彩色影像。这一过程不仅是对技术的运用，更是对家族记忆的数字化保存。在实际操作中，建议多尝试不同的参数组合，以达到最佳效果。

注：本文所述技术基于 Stable Diffusion 开源社区生态，具体插件版本请以官方发布为准。