Stable Diffusion ComfyUI 图片放大与细节修复完全指南

Stable Diffusion ComfyUI 图片放大与细节修复完全指南

引用

CSDN

1.

https://blog.csdn.net/libaiup/article/details/140373899

前言

在前几节课中，我们已经学习了文生图、图生图和局部重绘等技术。然而，生成的图片分辨率往往较小，无法满足高质量输出的需求。幸运的是，Stable Diffusion ComfyUI提供了多种图片放大方法，包括模型放大、潜在放大、非潜在放大和分块放大等，可以帮助我们获得更高分辨率的图像。

放大工作流

在开始放大之前，我们需要打开之前搭建的文生图基础流程。

模型放大

模型放大是最简单但效果最差的放大方式，它通过放大算法直接对图像进行空间放大。虽然这种方法会导致细节损失和图像质量下降，但在与其他放大方式结合使用时，效果会大大增强。

1. 在界面中选择“右键-新建节点-图像-放大-图像通过模型放大”。
2. 将左侧的“放大模型”连接到“放大模型加载器”（通过“右键-新建节点-加载器-放大模型加载器”进行连接）。
3. 选择合适的放大模型，推荐使用BSRGAN、ESRGAN、SwinIR_4K或RealESRGAN_x4plus。
4. 将左侧的“图像”连接到VAE解码输出的图像，右侧直接连接保存图像。

需要注意的是，模型放大通常会将图像放大4倍，无需额外设置放大倍数。

潜在放大

潜在放大是在潜空间进行放大，通过对Latent进行缩放并重新采样来增加细节。这种方法类似于Web UI中的高分辨率修复功能。

1. 选择“右键-新建节点-Latent-Latent缩放/Latent按系数缩放”。其中，“Latent按系数缩放”更方便使用。
2. 连接一个采样器节点。
3. 注意降噪数值应保持在0.5左右，避免数值过低导致图像崩坏。同时，放大倍数也不宜过大。

非潜在放大

非潜在放大结合了模型放大和潜在放大的优点，先进行模型放大，然后对放大的图像进行重新采样。为了节省显存，可以在模型放大后添加一个缩放步骤。

1. 先进行模型放大。
2. 对模型放大的图像进行缩放。
3. 串连一个采样器节点。

这种方法可以多次叠加使用，只要显存足够，理论上可以生成任意大小的图像。

分块放大

分块放大通过将图像分割成多个小块分别进行采样，最后拼接成完整图像，从而在较低显存下生成高分辨率图像。

1. 需要安装插件：https://github.com/BlenderNeko/ComfyUI_TiledKSampler.git
2. 使用插件中的“分块采样器”节点。
3. 设置分块宽度、分块高度和无缝分块策略。推荐使用random或random strict策略。
4. 在“正面条件”中连接ControlNet的tile模型。
5. 连接ControlNet应用节点。
6. 设置出图大小，可以通过模型放大或图像缩放实现。
7. 注意降噪数值不宜过低，分块宽高应根据图像大小合理设置。

UltimateSDUpscale插件放大

为了简化放大流程，可以使用UltimateSDUpscale插件，它集成了模型放大和分块放大功能。

1. 下载插件：https://github.com/ssitu/ComfyUI_UltimateSDUpscale.git
2. 选择“右键-新建节点-图像-放大-SD放大”。
3. 连接放大模型加载器。
4. 设置拼接方式（Linear或Chess）、模式类型、模糊程度、分块区域和接缝修复模式。

总结

• “模型放大”最快但效果最差，不推荐单独使用。
• 常用的是“非潜在放大”和“UltimateSDUpscale插件放大”。
• 不同放大方式可以组合使用，以获得更好的效果和更多细节。
• 这些放大方法也适用于refiner模型细化、图生图以及文/图生视频等场景。

通过对比不同放大方式的效果，可以更好地选择适合自己的放大方案。