Stable Diffusion教程|文生图基本参数深入浅出

Stable Diffusion教程|文生图基本参数深入浅出

引用

CSDN

1.

https://blog.csdn.net/m0_58477260/article/details/139195088

Stable Diffusion是一款基于深度学习的文本生成图像模型，能够根据用户提供的文本描述创造出高质量、细节丰富的图像。本教程旨在帮助初学者深入理解并有效运用Stable Diffusion的基本参数，从而更好地控制生成图像的效果。我们将通过实例解析，让复杂参数变得通俗易懂，助力您开启精彩的文生图创作之旅。

一、文生图工作流程

1. 输入提示词：您需要提供一段文字描述，明确表达想要生成图像的主题、风格、场景等要素。
2. 设置参数：调整Stable Diffusion模型的各项参数，以控制生成图像的质量、风格、细节程度等。
3. 运行模型：模型基于输入文本和设置的参数，进行迭代计算，生成对应图像。
4. 查看结果：生成的图像将显示在指定位置，您可以根据需要进行保存或进一步编辑。

二、基本参数详解

采样迭代步数(Steps)

• 含义：模型生成图像时进行的迭代次数。步数越多，生成图像的细节越丰富，但也可能增加噪点。
• 用法：一般在18~30内，过低图像生成不完整无细节，过高轻微优化性价比不高。

采样方法(Sampler)

• 含义：指的是在模型生成图像的过程中，从模型所学习的概率分布中提取样本的具体算法。这些方法旨在将模型的内在概率知识转化为实际的图像输出，控制从初始噪声状态到最终清晰图像的转化过程。
• 用法：每次文生图，都需要选择一种采样方法

实验：可以用脚本“X/Y/Z plot”，在相同提示词“1girl”下，X轴为30种采样方法，每种都生成一张图，对比看看效果。

• 速度快：Euler系列、LMS系列、DPM++2M、DPM fast、DPM++2M Karras、DDIM系列。
• 质量高：Heum、PLMS、DPM++系列。
• tag利用率高：DPM2系列、Euler系列。
• 动画风：LMS系列、UniPC。
• 写实风：DPM2系列、Euler系列、DPM++系列。

名词解释：DPM-扩散概率模型；2M-表示200万步；Karras-是Karras等人提出的。

结论：

1. 默认推荐使用DPM++2M Karras生成图片速度快、效果好。
2. Eluer a采样生成速度最快，但人脸可能扭曲，适合生产icon图标\二次元\小图。
3. DPM++2S a Karras 生成高质量图片，适合写实人物或复杂场景，同时设置setps越高效果越好。
4. DDIM效率更高，但二次元可能会变形。
5. 但并不是绝对的，有的大模型和LORA作者，会特别推荐哪种采样方法，那最好照选哦！

宽度 高度

• 含义：设置生成图片的尺寸分辨率，单位是pix
• 用法：8G显存的显卡，一般用512512，如果太大容易“爆显存”。（并非真的把显卡爆炸了，是指计算数据量超过显存容量，导致画面错误、帧数骤降、出现崩溃等异常）对于全身照，建议设置为512768。（升级SDXL大模型，默认都是1024*1024的图）
• 解决方案：配置低又要高分辨率咋办？那就需要“高清修复”即可。

高清修复

• 含义：采用某种放大算法，把低分辨率图片进行放大，通常为避免变形，都是等比例放大倍数，如：放大倍率2 就是 512512放大10241024，比直接生成1024的图占用显存要低。
• 放大算法：真实图片建议用（R-ESRGAN 4x+），动漫二次元建议（R-ESRGAN 4x+ Anime6B）,最佳质量（LDSR）。
• 高清修复采样次数：建议0，采用原图。
• 重绘幅度：建议0.4~0.7，值越大变化越大。

生成批次

• 含义：就是在绘制多副图像时，显卡按照一张接一张的顺序画。
• 用法：按需设置几张图 1~4张，提升抽卡的效率。
• 什么是抽卡：SD出图效果比较随机，大家称之为“抽卡”，需要不断的生成新图，从中抽一张最好的图片。

每批数量

• 含义：就是显卡同时绘制多副图像，但效果通常比较差。
• 用法：8G显卡就选1即可。

提示词相关性(CFG Scale)

• 含义：又被称为提示词引导系数，控制模型对输入文本描述的遵循程度。值越大，生成图像越贴近文本描述；值越小，模型的创新性更强，但可能偏离文本描述。
• 用法：建议7~12,过低会导致图像的饱和度降低，过高则产生粗糙的线条或过度锐化图像甚至图像验证失真。

随机种子(seed)

• 含义：每个图像的唯一编码，能帮我们复制和调整生成的图片。
• 用法：-1 代表随机生成一个新seed，其他数字都是具体的seed值。
• 差异随机种子：指在生成图像过程汇总，每次扩散的步骤使用不同的随机种子，从而融合不同的图像，产生叠加的变化。
• 差异强度：0~1，0 完全相同，1完全不同

三、实战演练

case1 生成1张512*512分辨率的女孩图片

红框是需要操作的地方。

case2 把case1的图片放大2倍

先固定seed值生成“3781299575”，高清修复放大2倍，重绘0.7，女孩衣服变了样子和姿态没变。

case3 生成1张512*1024分辨率的女孩图片

1. 点
   把seed改为-1，去掉高清修复，调整分辨率高度1024，点击生成。
2. 等出图后，再次点击
   ，产生新seed：4054307846

case4 把1和3的融合成512*1024的图

把随机种子填写case1的seed值，差异种子填写case3的seed值，高度512 宽度1024，差异强调0.2，即可生成。

写在最后

AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。

AIGC所有方向的学习路线

AIGC所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

AIGC必备工具

工具都帮大家整理好了，安装就可直接上手！

最新AIGC学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

AIGC视频教程合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。