AI 绘画 Stable Diffusion 高清放大方法与工作流详解

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。打开高清修复后，会看到以下参数设置。

关于这里的放大算法，比较推荐使用以下几种（其中 Anime6B 一般用于二次元风格）：

• 4x-ultrasharp: 需要额外下载，建议放在 sd/models/ESRGAN 目录下。
• R-ESRGAN 4x+: 通用性较好。
• UltraSharp: 细节增强明显。

以下是这几种放大算法跑出来的效果图对比，可以看出其实差距都很小，对于不同风格的结果会有所区别。对于细节把握要求较高的用户，可以尝试使用 XYZ 脚本跑出最适合的参数。

二、后期处理缩放倍数

这个功能经过测试，对于图片细节的处理不是太理想。不过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，且可以无限制扩大尺寸。

比如下图，未经过处理和经过处理后的结果对比：

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。

这个方法现在基本也被淘汰了，因为可能出现一些未知的情况。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 upscale

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 upscale。

放大前与放大后的效果对比显示，效果还不错。在这个脚本里涉及一些参数，有时候需要根据图片的最终成像来进行调整，具体说明如下：

1. 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）
2. 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。
3. 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+。也可以使用 4x-ultrasharp。
4. 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。
5. Padding: 在处理一个小块时，会考虑多少像素的邻近小块。
6. 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。
7. 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。

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。如果没有下载的童鞋可直接在扩展中搜索下载。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 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（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，由开源社区开发。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

这个脚本的使用还需要几个额外的模型：

1. 在 HuggingFace 上下载模型文件，下载完成后放入 sd 的 Stable-diffusion 目录下。
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
3. 下载配置 VAE 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。

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。

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

七、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。

八、注意事项与常见问题

在进行高清放大时，可能会遇到以下问题：

1. 显存溢出 (OOM): 这是最常见的问题。解决方法包括减小 Tile 大小、降低 Batch Size、使用 xformers 优化、或者升级显卡驱动。如果显存较小，优先使用 Tiled Diffusion 配合较小的 Tile 设置。
2. 接缝问题: 在使用分块放大时，图片边缘可能出现明显的线条。解决方法是增加 Padding 值，或者使用 Seams Fix 功能中的 Bands pass 模式。
3. 细节丢失: 如果放大后人物面部崩坏，可能是重绘幅度 (Denoising) 过高。建议将重绘幅度控制在 0.3-0.5 之间，或者使用 StableSR 等专门针对超分辨率优化的模型。
4. 生成速度慢: 高清放大计算量大。建议使用 CUDA 加速，并确保安装了正确的 PyTorch 版本。如果速度过慢，可以尝试降低输出分辨率或使用更快的放大算法如 4x-UltraSharp。

总结

本文详细介绍了 Stable Diffusion 中常用的高清放大方式和常用工作流，涵盖了从基础的 Hires Fix 到高级的 Tiled Diffusion 及 StableSR 等多种技术路径。通过合理选择放大算法和参数配置，可以有效提升生成图片的分辨率和细节表现。希望这些内容能帮助你更高效地进行 AI 绘画创作。