Stable Diffusion 文生图基础与进阶指南

• NSFW 过滤：在工作场合使用时，务必将 NSFW 相关词汇加入反向提示词，避免生成不适宜内容。

四、采样器与步数

1. 采样方式

常用且推荐的采样器包括：

• Euler a：速度快，变化丰富，适合创意探索。
• DDIM：稳定性较好。
• DPM++ 2M Karras：细节表现力强，适合高质量出图。

2. 采样步数

步数代表生成过程中的迭代次数。一般设置在 20-40 步之间即可达到平衡。过高会增加耗时但收益递减。

五、面部修复与高清放大

1. 面部修复

当生成全身像时，脸部可能模糊或不自然。开启 Face Restore 可自动优化。

• OpenCV：快速但效果一般。
• CodeFormer / GFPGAN：效果更好，推荐使用 CodeFormer。

2. 高清修复 (Hires. Fix)

原理是先以低分辨率生成，再放大并重绘细节。

• 放大算法：真人用 R-ESRGAN 4x+，二次元用 R-ESRGAN 4x Anime6B。
• 重绘幅度 (Denoising)：控制与原图的相似度。0.3-0.4 较为合适，过大可能导致画面改变过多。
• 放大倍率：通常设置为 2 倍。

六、关键参数调优

1. 分辨率

SD 1.5 模型最佳分辨率为 512x512 或其倍数。超出范围可能导致构图崩坏。

• 全身像：建议使用竖构图，如 512x768 或 768x512。
• 宽高比：尽量保持 4:3 或 9:16 等常见比例。

2. 批次与每批数量

• Batch Count：点击一次生成多少组图片。
• Batch Size：每组同时生成多少张。 高配置显卡可增大 Batch Size 以提升效率。

3. 随机种子 (Seed)

• -1：每次随机生成新种子。
• 固定值：锁定种子可复现相同结果，便于微调参数。

七、进阶功能：ControlNet 与 LoRA

为了更精准地控制生成结果，建议掌握以下扩展技术：

1. ControlNet

允许通过参考图控制姿态、边缘或深度。

• Canny：提取边缘轮廓。
• OpenPose：控制人物骨骼姿态。
• Depth：控制景深关系。

2. LoRA (Low-Rank Adaptation)

轻量级微调模型，用于添加特定画风、角色或服装。

• 加载方式：在 Prompt 中直接输入 <lora:name:1> 调用。
• 应用场景：固定角色形象、特定艺术风格。

八、总结

掌握 Stable Diffusion 文生图需要理解模型特性、Prompt 逻辑及参数调节。建议从基础模型入手，逐步尝试高清修复与 ControlNet 等高级功能。持续练习 Prompt 编写与参数组合，是提升出图质量的关键。

注：本文档旨在技术交流，请遵守相关法律法规，合理使用 AI 生成内容。