稳定扩散 介绍一种结合了 ControlNet Tile 和 MultiDiffusion 的新升级方法！高画质

下面的文章中介绍了扩展“ControlNet”和“MultiDiffusion”，请参考。

如何获得“ControlNet Tile”模型

对于“ControlNet Tile”，使用在 ControlNet 1.1 之后添加的新模型数据“ control_v11f1e_sd15_tile.pth ” 。

这基本上是放大时使用的模型，可以在不改变原始图像构图的情况下提高图像质量。

从下面的 Hugging Face 页面下载“ control_v11f1e_sd15_tile.pth ”并将其保存在“~\webui\extensions\sd-webui-controlnet\models”中。

lllyasviel/ControlNet-v1-1 在主要

我们正在通过开源和开放科学推动人工智能的发展。

huggingface.co如何使用“ControlNet Tile”x“MultiDiffusion”

在扩展“multidiffusion-upscaler-for-automatic1111”的概述栏中有详细的解释，我们边参考边设置吧。

multidiffusion-upscaler-for-automatic1111,Tiled Diffusion 和 VAE 优化,下载multidiffusion-upscaler-for-automatic1111的源码

Tiled Diffusion 和 VAE 优化。通过在 GitHub 上创建帐户为 pkuliyi2015/multidiffusion-upscaler-for-automatic1111 开发做出贡献。

github.com它像普通的 MultiDiffusion 一样在 img2img 中使用。将要放大的图像分别拖放到 img2img 和 ControlNet 字段中。

以下是官方推荐的设置：

此外，如果使用上述设置输出结果模糊，建议增加 Noise Inversion Steps 或降低 Denoising Strength。

然而，我尝试的Denoising Strength = 0.75和Noise Inversion Steps = 20的组合是最清晰的。

这似乎因型号而异，因此您必须进行一些试验和错误。

如果在没有ControlNet Tile的情况下将Denoising strength设置为0.75，原图通常会出现很大的偏差，或者在MultiDiffusion的情况下会出现大量的矮子，可见CN控制的惊人之处。

CN Tile x MultiDiffusion 对比

最后，让我们比较单独使用“MultiDiffusion”和使用“ControlNet Tile”x“MultiDiffusion”进行升级。

我正在为模型使用“7th_Anime_v3_B”。

[原图（768×512）]

[双重扩散（1536×1024，降噪：0.45）]

[加倍 CN Tile x MultiDiffusion (1536 x 1024, Denoise: 0.75, Inversion Steps: 10)]

[加倍 CN Tile x MultiDiffusion (1536 x 1024, Denoise: 0.75, Inversion Steps: 20)]

[加倍 CN Tile x MultiDiffusion (1536 x 1024, Denoise: 0.75, Inversion Steps: 30)]

你可以看到单独使用 MultiDiffusion 时衣服和背景的细节更加精细。

CN Tile x MultiDiffusion 给人的感觉是这种材料本身就是高质量的。

顺便说一下，与单独使用 MultiDiffusion 相比，使用 CN Tile x MultiDiffusion 将显着增加生成时间。

概括以上是如何结合“ControlNet Tile”和“MultiDiffusion”进行升级的介绍。

如果您想在不改变素材图像的情况下尽可能提高图像质量，请尝试一下！