Stable Diffusion学习：文生图(txt2img)

文章详情

Stable Diffusion学习：文生图(txt2img)

Stable Diffusion

- **基础模型（Stable Diffusion checkpoint）**
模型文件位置 stable-diffusion-webui\models\Stable-diffusion

- **正向提示词(Prompt)**
图像主体描述+风格特点

- **负向提示词(Negative prompt)**
不希望图像中出现的内容

- **采样方法(Sampling method)**
决定了初始噪声图像的形态
常用算法：Euler a、 DDIM、 DPM++系列如 DPM++ 2M Karras、DPM++ SDE Karras可以用较短的采样步长，生成效果相对较好的图像，效率更高。

- **采样步长(Sampling steps)**
从20开始调整，最多不超过50。
初始采样步长：20-30

- **宽度&高度(Width&Height)**
sd1.x系列：512x512，sd2.x系列：768x768，尺寸太大或太小对生成图片都有影响。
建议宽高：512-768 效果较好

- **提示词相关性(CFG Scale)**
数值越小，文本影响越小，数值越大，文本影响越大。当为0时文本提示词影响也为0。
建议数值：7-15 效果较好

- **生成批次(Batch count)**
代表有多少批次，大量批次，不占用内存。
内存不足时，选择多批次，以时间换空间。

- **每批数量(Batch size)**
代表每批次生成几张图片，过多数量，占用内存。

- **种子(Seed)**
种子数决定了初始化噪声图像，相同的种子数初始化噪声图像相同。如果种子数、文本提示词、采样方、法步长等参数一致，那么生成的图像基本一致。
-1：随机出图，每张图片生成一个随机种子数。
	- **骰子按钮**：随机种子

- **循环按钮**：获取上一张生成图片的种子数

- **Extra选项**：
		> 微调图片细节：差异随机种子(Variation seed)设为-1，差异强度(Variation strength)设为0.2，同一种子数，生成多张图片，主体构图近似而局部微调图片细节。
		> 
		> 融合种子风格：种子数(Seed)和差异随机种子(Variation seed)通过差异强度(Variation strength)的大小可以共同作用在一张图片上。当为0.5时可以生成风格介于两者之间的图片。

- **面部修复(Restore faces)**
对生成人物进行面部细节优化，有时效果不好，根据实际情况选择是否使用。
点击设置(Setting)-面部修复(Face restoration)

- ** 高清修复(Hires.fix)**
	- **放大算法(Upscaler)**
	推荐使用：ESRGAN_4x、R-ESRGAN 4x、R-ESRGAN 4x+Anime6B、SwinIR_4x

- **高清修复采样次数(Hires steps)**：为0时和原始低分辨率生成步数相同。

- **重绘幅度(Denoising strength)**
	原始图像对放大图像的影响，为0时放大后和原始图片相同，当为1时生成的图片和原始图片不同。
	建议数值：0.5-0.8 效果较好

- **放大倍率(Upscale by)**：设置原图放大的倍数或者放大后的长宽

- **↙按钮(Read generation parameters from prompt or last generation if prompt is empty into user interface)**
从提示词(Prompt)中自动提取生成参数，若当前提示词为空则从上次的生成信息中读取（允许将包含正面、负面、采样器、步数、模型等信息的整段生成信息全部粘贴到提示词区域，点击后可自动将对应信息填入并删除多余内容）。

- **垃圾桶按钮(Clear prompt)**
清空正负提示词(Prompt)

- **红色相框按钮(Show/hide extra networks)**
显示模型，Lora，点击更换模型，在提示词中添加Lora

- **保存按钮(Save style)**
将当前的提示词(Prompt)保存为模板风格

- **记事本按钮(Apply selected styles to current prompt)**
将已选择的模板风格写入当前的提示词(Prompt)

- **模板风格(Styles)**
选择已保存的提示词数据，点击**记事本按钮**，自动填入提示词。

浏览量

更新日期

2023-09-20 23:59:46

评论 (${comments_count})

${item.comment_time}

${item.nickname}

${c1_item.comment_time}

${c1_item.nickname} ${c1_item.reply_nickname}

${c1_item.content}

微信公众号

文章详情