Stable Diffusion ComfyUI 基础教程（六）：图片放大与细节修复

往期回顾：

前言： 我们上一节讲了图生图，也提到了“遮罩”这个节点； 我们想一下在使用 Web UI 进行局部重绘的时候都用到了那些功能？

补充：

①在开始之前推荐一个插件，ComfyUI-Manager（ComfyUI 管理器），下载地址： https://github.com/ltdrdata/ComfyUI-Manager.git

②安装方式除了可以使用我们第一节课上讲的 “git 拉取”外（ 不要使用压缩包解压安装），还可以把“install-manager-for-portable-version.bat”文件放入"ComfyUI_windows_portable"目录双击安装（“install-manager-for-portable-version.bat”文件我会放在这节课的文件链接里面）；

③安装好之后会在右侧菜单上显示一个“管理器”的按钮，点击就可以打开操作弹窗；

④我们可以通过这个插件安装、删除、禁用其他插件，也可以下载放大模型，更新 ComfyUI 等功能；

⑤最主要的还是“安装节点”、“安装缺失节点”

a. 单击“安装节点”搜索我们需要安装的节点名字后点击“Install”等待安装成功就可以了；

b. 我们在使用别人分享的流程图时发现缺少插件（节点变成红色块），就可以点击“安装缺失节点”进行安装；

⑥采用“管理器”安装比 git 拉取更简单，也会解决插件需要手动配置环境的操作（部分插件不可以，具体需要看插件安装要求）

前言：

前几节课我们学习了文生图、图生图、局部重绘，但是生成的图片分辨率太小，我们可以通过模型放大、潜在放大、非潜在放大、分块放大多种方式对图像进行放大。

我们以文生图后的图片进行放大，在开始之前我们打开之前搭建的文生图基础流程。

1. 模型放大：

①模型放大是最简单，也是效果最差的放大方式，他就和我们在 Web UI 上使用后期处理进行放大一样，只是通过放大算法对图像直接放大（也就是图像空间放大），这也会导致我们放大的图片损失细节，甚至看起来会很腻很假；

②虽然上面说的一无是处，但是使用他搭配在其他的放大方式上效果就大大增强，我们先看一下怎么使用模型放大吧；

③“右键-新建节点-图像-放大-图像通过模型放大”

④左侧的“放大模型”通过拖拽连接“放大模型加载器”（“右键-新建节点-加载器-放大模型加载器”进行连接也可以）；

⑤选择自己需要的放大模型，我给大家准备好的 17 个放大模型，都放在网盘里面了（管理器的安装模型也可以下载放大模型），其中 BSRGAN、ESRGAN、SwinIR_4K、RealESRGAN_x4plus 效果不错；

⑥左侧的“图像”连接“VAE 解码”输出的图像，右侧直接连接保存图像就可以了；

⑦有没有发现我们没有设置图片放大的倍数，其实模型放大是直接根据所选放大模型进行放大的，一般都是放大 4 倍。

2. 潜在放大：

①这时候我们插个知识点，在 Web UI 上我们进行高分辨率修复的时候，我们会看到在选择放大算法时，有 Latent 开头的几个算法可选择，这其实就是我们进行潜在放大所需要用到的流程；

②潜在放大就是在原图上进行缩放，然后对缩放后的图像进行重新采样，进而增加细节达到放大的目的；

③由于我们对图片放大还需要进行“VAE 解码、图片放大、VAE 内补编码”这三个步骤，所以，，，，我们可以直接对 Latent 进行放大；

④ “右键-新建节点-Latent-Latent 缩放/Latent 按系数缩放”，可以看到我这边放了两个节点，这两个节点一个是需要设置宽高、一个是根据倍数放大，根据自己的需要选择就好；

⑤如果前几节课学明白了，后面的就不用我多说了吧，再串联一个采样器就可以了；

⑥下方是我连接好的工作流，这里我选择的是“Latent 按系数缩放”，这个比较方便一些，大家也可以选择“Latent 缩放”

注意：降噪数值一定要在 0.5 左右，数值过低会有崩坏的情况。放大倍数也不要太大，太大同样会有崩坏的情况

3. 非潜在放大：

①非潜在放大可以理解成模型放大和潜在放大的结合，先进行模型放大后对模型放大的图片进行重新采样；

②是不是有思路了？不过不要忘了对模型放大后的图片进行缩放（因为直接对放大 4 倍的图片进行重新采样会占用太多显存并且添加的细节不够）；

③我们想要得到更高像素的图像可以多次叠加“非潜在放大”流程，只要你的显存够大，你想要多大的图都可以。

4. 分块放大：

①非潜在放大要得到一张 4K 图需要很高的显存，但是我们可以通过分块放大，使用较小的显存出更大的图。

②分块放大其实就是把一张图切成 n 个块，然后对小块进行重新采样，最后把小块拼接在一起。他的好处是可以使用更小的显存得到一张更大分辨率的图；

③分块放大是需要用到一个插件的： https://github.com/BlenderNeko/ComfyUI_TiledKSampler.git （压缩包解压安装、git 拉取、管理器安装都可以）

④我们需要用到这个插件中的“分块采样器”，“右键-新建节点-采样器-K 采样器（分块）”，他同样有一个高级采样器，这个我们要进行 refiner 模型细化的时候可以使用。

⑤来看一下和我们的普通采样器有什么区别吧，只多了三个操作，分块宽度、分块高度、无缝分块策略

a. 分块宽度、分块高度：是指我们放大时每一次进行分块采样时绘制的宽高；

b. 无缝分块策略：是指在我们分块采样的每一块相接处会出现明显的拼接痕迹，而无缝分块策略就是通过不同的方式减少拼接痕迹的，有四种可选策略，random（随机）、random strict（随机严格）、padded（填充）、simple（简单），我建议使用 random 和 random strict。

⑥是不是以为当成普通采样器连接就可以了，，，，那当然不是，在“正面条件”中间要把 ControlNet 的 tile 连接进去；

⑦ “右键-新建节点-加载器-ControlNet 加载器”，加载器选择“tile”的（tile 模型我会放在网盘里面，其他的 ControlNet 使用方法我会在第八节课讲给大家）

⑧ “ControlNet 加载器”连接“ControlNet 应用”，直接拖拽连接就可以（或：右键-新建节点-条件-ControlNet 应用）

⑨我们“ControlNet 应用”两边的“条件”连接“正面条件/提示词”，图像连接“VAE 解码”输出的图像；大模型连接“K 采样器（分块）”上的模型；

⑩这时候我们就剩下设置出图大小了，我们可以在“VAE 解码的图像”连接过来一个“图像缩放/按系数放大”（或：模型放大流程，我个人测试下来，模型放大效果最好）；

⑪然后对图像进行“VAE 编码”然后连接到“K 采样器（分块）”上，这不用细说了吧，图生图的流程；

⑫注意：降噪同样不要太低，分块宽高根据情况设置，如果出现伪影就增大数值

5. UltimateSDUpscale（终极 SD 放大）：

①我们使用时每次都要搭建一遍“非潜在放大或分块放大”等流程会很麻烦，使用“ComfyUI_UltimateSDUpscale”插件会更简单。

②下载地址： https://github.com/ssitu/ComfyUI_UltimateSDUpscale.git （压缩包解压安装、git 拉取、管理器安装都可以）

③“右键-新建节点-图像-放大-SD 放大”，这个插件有两个功能，一个是细节修复+放大（SD 放大），一个是细节修复（SD 放大（不放大））。我们主要用到的是 SD（放大），他们的区别只是是否连接放大模型；

④这个放大插件可以说是把上方的“模型放大+分块放大”进行了一个组合；

⑤我们可以看到这个节点和我们上面用的“K 采样器（分块）”很相似对吧，这个地方我们主要去关注几个操作就可以了

a. mode_type（模式类型）：有两个可选择

b. mask_blur（模糊）：拼接区域的羽化程度，默认 8 就可以，融合不好的情况下适当调高

c. Tile_padding（分块区域）：相邻融合像素，和我们上面说的 padded（填充）策略一样，不过这个插件我们可以设置融合像素的值

d. seam_fix_mode（接缝修复模式）：有三种模式选择，Band Pass（速度快）、Half Tile（质量好）、Band Pass+Half Tile（速度和质量做一个折中）

⑥连接就更简单了，连接一个“放大模型加载器”，其他的就按照名字连接就可以；

优秀设计师

复制本文链接 文章为作者独立观点不代表优设网立场，未经允许不得转载。