SD文生图：高清修复的功能详解

创作时间:

作者:

@小白创作中心

引用

CSDN

https://blog.csdn.net/weixin_53908101/article/details/139484535

高清修复是AI图像生成领域的重要技术，它能让生成的图像更加清晰细腻，适合用作高清壁纸等场景。本文将详细介绍高清修复的功能和使用方法，帮助读者更好地利用这一技术。

图像的高清修复是一种图像处理技术，旨在从低质量或受损的图像中恢复或生成高质量的图像。高清修复利用多种技术和算法来提升图像的分辨率、细节和视觉效果，使其看起来更加清晰和细腻。以下是高清修复的一些关键概念和方法：

超分辨率（Super-Resolution）：通过算法将低分辨率图像转换为高分辨率图像。常用方法包括单图像超分辨率（Single Image Super-Resolution, SISR）和多帧超分辨率（Multi-Frame Super-Resolution, MFSR）。
降噪（Denoising）：去除图像中的噪声，使图像更加清晰。这涉及从图像中去除随机或系统性噪声，同时保留重要的细节。
去模糊（Deblurring）：消除图像中的模糊，使细节更加清晰。模糊可能是由于相机抖动、对焦不准或运动等原因造成的。
细节增强（Detail Enhancement）：增强图像中的细节，使其更加鲜明。这可以通过对比度调整、锐化等技术实现。

卷积神经网络（CNN）：深度学习模型，如SRCNN（Super-Resolution Convolutional Neural Network）和ESRGAN（Enhanced Super-Resolution Generative Adversarial Network），在图像超分辨率任务中表现优异。这些模型通过大规模训练数据学习低分辨率到高分辨率图像的映射。
生成对抗网络（GAN）：GANs，如SRGAN（Super-Resolution GAN）和ESRGAN，利用生成器和判别器之间的对抗训练，提高图像的细节和逼真度。生成器生成高清图像，判别器评估图像的真实性，从而推动生成更高质量的图像。
自回归和自注意力模型：自回归模型（如PixelCNN）和自注意力模型（如Transformers）也用于图像高清修复，尤其在处理复杂图像结构和长程依赖时表现良好。
传统方法：传统的图像处理方法，如双三次插值（Bicubic Interpolation）、Lanczos插值等，也用于图像超分辨率，但效果通常不如深度学习方法。

为了提高绘画产出图像质量，专门提供了几个功能用于修复图像的方法：

這個看英文全稱應該就是 High Resolution.Fix的意思。

其实放大算法和采样算法一样，没有绝对的好坏，出来的效果其实都差不多，你需要自己去试。但是网上流传着一个说法是：无脑选择 R-ESRGAN 4x+ 算法就好，如果是二次元就选择 R-ESRGAN 4x+ Anime6B。

Hires step表示在进行高清修复过程中计算的步数。它直接影响到最终修复效果的好坏。一般来说，步数越多，修复结果越精确，但是相应地计算时间也会增加。用户可以根据实际需求和计算资源的限制来进行合理的设置。
Denoising strength，即降噪强度，是一个重要的参数，它反映了最终生成图像与原始输入图像之间的变化程度。该值的大小直接影响到放大后图像与放大前图像的差别。当降噪强度较高时，修复后的图像将与原图几乎无关；而降噪强度较低时，修复后的图像会与原图有一定的相关性。一般来说，阈值在0.7左右时，修复后的图像与原图基本上无关；而0.3以下的阈值则表示修复后的图像相比原图有轻微改动。在实际执行中，计算步骤为Denoising strength乘以Sampling Steps。

如果细心观察它的生成过程，你会发现在进度条 50% 左右的时候， SD 是先绘制了一幅低分辨率的图像，然后在此基础上重绘高清的图像，其实很像图生图。

下圖中我們生成512的圖片，放大2倍。到1024 . 效果不錯。嘗試放大4倍，由於GPU顯存問題，失敗。