【SD教程】Stable Diffusion部分参数的测试

Stable Diffusion 参数测试 (全套教程文末领取哈) 阅读详情

对于Stable Diffusion部分参数的测试与理解

采样迭代与采样方式

正向关键词是采用我之前做的一个二次元风格的内容碧蓝航线的岛风,在尽可能的避免出现畸形错误变型的情况下采用了大佬们的反向关键词。整体测试尽在改变采样迭代步数(Steps)与采样方法(Sampler)的情况进行。模型并未采用SD默认模型并且加入了LORA模型,测试内容可能会略有失准。所以仅供参考!!!

以下是默认参考参数,红色内容是测试内容:

Stable
Diffusion模型(ckpt)revAnimated_v11采样迭代步数(Steps)28随机种子(seed)917113818模型的VAE(SD
VAE)animevae采样方式(Sampler)Eulera a提示词关联性(CFG Scale)7Clip
跳过层2面部修复否宽度512Lorablindbox_V1Mix可平铺(Tilling)否高度680高清修复否放大算法无放大倍率无高清修复采样次数无重绘幅度(Denoising)无特殊关键词(必须)chibi

在这里插入图片描述

关键词
正向关键词
中文

(杰作),(最好的质量),(超详细),(全身:1.3),1个女孩,赤壁,可爱的,动物耳朵,手套,兔子耳朵,高抬腿,长发,无袖的,裙子,manjuu(碧蓝航线),茶碗,怀表,卡片,无袖连衣裙,黄眼睛,白色的头发,杯子,黑手套,茶壶,张开嘴,独奏,天空,全身,花,微笑,保持,看着观众,黑色鞋履,手表,黑色长筒袜,常设,云,裸露的肩膀,黑裙子,纸牌,很长的头发,鞋,钟,茶,光线追踪,(美丽细致的脸),(美丽细致的眼睛)

英文

(masterpiece),(best quality),(ultra-detailed), (full body:1.3),
1girl,chibi,Cute,animal ears, gloves, rabbit ears, thighhighs, long hair,
sleeveless, dress, manjuu (azur lane), teacup, pocket watch, card, sleeveless
dress, yellow eyes, white hair, cup, black gloves, teapot, open mouth, solo,
sky, flower, smile, holding, looking at viewer, black footwear, watch, black
thighhighs, standing, cloud, bare shoulders, black dress, playing card, very
long hair, shoes, clock, tea,Ray Tracing,(beautiful detailed face),(beautiful
detailed eyes),
lora:blindbox_V1Mix:1.2

采样方式与采样值

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

从采样数值这个维度来看。首先随着采样数值等增加,绝大部分模型会从主模型风格逐渐转变为LORA风格,并且当采样超过50后并未有过明显的变化。

从采样方式这个维度来看,当采样超过20后表现都不错。 但是其中,DPM2++ 2S Karras、DPM++ 2M Karras、DPM++ SDE
Karras 在主模型与LORA模型的结合更良好,并且在低采样10-20时表现也相当不错,而Euler
a与Euler虽然也是常用采样方式,但是当使用低采样10-20时更贴近主模型风格,不便于快速抽卡。

整体来看。在前期抽卡阶段,可以使用:DPM2++ 2S Karras、DPM++ 2M Karras、DPM++ SDE
Karras低采样10-20进行批量抽卡或调整关键词,确定种子后我们可以提高采样到30-50之间,进行更精准的调整。

Clip跳过层

WebUI种看的跳过层是1-12。通过下图可以看出,数值越小其越贴近模型表现。

在这里插入图片描述

而如果咱们反向观看,其实就是AI从跳过层12开始生成信息,每次生成会获取并继承前一次生成的信息,然后重新绘制一副新的画面。

根据AI生成信息的逻辑,其实可以将WebUI种的Clip跳过层参数理解为,当AI生成到倒数第几次的时候停止并输出信息。所以如果将Clip跳过层参数调整的越大,那么AI生成的信息的速度则越快,同时也会越偏离模型。

目前大部分模型都是在采用的Clip2的参数进行训练,所以这个参数大多数情况下无需调整。如果有的模型有特殊设置,那么只需要将Clip设置成模型指定的参数即可。

高清修复

在这里插入图片描述

高清修复功能有点图生图的感觉,就是在原有低分辨率的图像基础放大重新生成一副新的图像。

测试使用的“高清数”是“0”,重绘幅度“0.7”,放大倍率“2”。整体来看每种方法的表现都还不错。结合大佬们的推荐,可以无脑选择R-ESRGAN
4x+与R-ESRGAN 4x+ Anime 6B。如果是写实风格择选择R-ESRGAN 4x+,二次元动漫类的可以选择R-ESRGAN 4x+ Anime
6B。
重绘幅度很好理解,就是放大后图片细节放大的变化幅度大小。如果不想让图片发生任何改变只需放大,那可以将参数调整为”0“。

需要注意的是“高清数”这个参数。通过简单测试发现,“高清数”与“采样迭代步数”实则一个功能。“采样迭代步数”最小数值为“1”,而“高清数”最小数值为”0“。由此可以理解为”高清数“是以图生图的方式重新定义一次”采样迭代步数“。一般情况下默认为”0“即可,如果需要设置那么就需要将参数调整到不低于”采样迭代步数“的数值,否则大很概率会出现错误问题。

个人推荐在文生图阶段,尽可能的使用低分辨率。来快速抽卡调整关键词和参数。在确定无误后可以使用附加功能进行放大。如果需要4K或8K的图像,推荐使用图生图中的SD放大脚本。
在这里插入图片描述

SRAM compiler选项中 Soft Error Repair (SER) 引起的瞬时故障,可能会影响 SRAM 中存储的数据。SER 功能通过某种机制检测并修复这些错误,从而提高存储器的可靠性。在 SRAM 编译器中, 阅读详情

相关推荐

gsplat在windows本地部署

3DGS的cuda提效和优化内存的版本gsplat,使得在有一定GPU计算能力的电脑上也能够尝尝3DGS的效果。我在2025年的开年之初尝试配置过gsplat,由于过程中遇到很多问题,最终还是有一些windows上字符编码的问题,没有跑通,最近看gsplat的github更新了3DGUT,优化了反射和二次折射,以及适用于非线性相机模型,如鱼眼相机等。在data目录下下载好了360_v2的数据,进入之后images文件夹是原始分辨率的图像,images_2是下采样系数为2的数据,以此类推。

yuleaf_csdn的博客 2372

从 SD1.5 到 SDXL:Stable Diffusion 参数调优全解析

本文系统讲解了 Stable Diffusion 图像生成中的关键细节,涵盖模型版本(SD1.5、SD2.x、SDXL)及其兼容性、采样器与调度器的选择、步数设置对生成质量的影响,以及 CFG Scale 与图像尺寸对构图和细节呈现的重要作用。同时强调了随机性在生成过程中的影响,并提供实用策略以提高生成图像的质量。本文适合希望深入理解 Stable Diffusion 参数调优与高质量图像生成方法的读者。

等风来 1642

如何在软件复位后保留指定RAM区域的数据

本文主要介绍S32K144的RAM retention功能

北极熊的脖子(16605192620@163.com) 1万+

大麦抢票工具实操指南:网页端 + APP 端双通道自动抢票

开票前 10 秒,手指悬在屏幕上、心已经凉了一半——这是手动抢票的人最熟悉的时刻。ticket-purchase 这个大麦自动抢票工具的思路很简单:把演出、城市、场次、票价和观演人全部提前配好,开票那一刻由脚本代替你跑完从登录到提交订单的全流程,让你少在手机上瞎点一通。 ## 开抢前 30 秒,人在做什么,票在哪 周五 20:00,开票倒计时 30 秒。手动抢票的人此刻还在"选场次 → 选票价

gitblog_00302的博客 805

【OTDR曲线工具箱】04 批量生成sor文件

软件下载地址:http://120.78.150.214:9999/isora.zip 通过一个测试数据sor文件,批量生成多个测试文件(基于Bellcore GR196及SR-4731标准)。主要考虑哪些问题: 1、sor测试是否符合要求(主要是衰减系数) 2、多个文件的创建时间 3、文件必须随机处理,不要看省去一模一样。 来说说怎么操作的 第一步:选择参考曲线 参考曲线的选择由两种方法:从文件中导入、从曲线库中选择。 其中曲线库分为公共库和个人库两种,平时浏览的sor文件都可以加载到库中。 第二步

夜晚是传说的博客 5280

华为OD机考真题 新系统 - 数列求值(Java/Py/C/C++/Js/Go)

华为OD机试真题 新系统【数列求值】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题 【数列求值】多语言题解。

qq_45776114的博客 666

【SD参数测试】Stable Diffusion 关键参数详解与效果对比

正向关键词是采用我之前做的一个二次元风格的内容碧蓝航线的岛风,在尽可能的避免出现畸形错误变型的情况下采用了大佬们的反向关键词。整体测试尽在改变采样迭代步数(Steps)与采样方法(Sampler)的情况进行。模型并未采用SD默认模型并且加入了LORA模型,测试内容可能会略有失准。所以仅供参考!!!

m0_59236602的博客 964

Python爬虫实战教程:如何高效爬取税务局通知通告

税务局发布的通知通告包含政策法规、办税指南、公告信息等,是纳税人、企业合规经营的重要参考。官网发布频率高,手动查看不便,自动爬取并保存,方便信息及时掌握及历史数据归档。本文以合法合规的方式示范,建议实际应用前确认目标网站允许爬取的范围和方式。建议使用pandas进行数据清洗,如去重、空值处理等。对于研究税务政策、进行大数据分析、搭建行业信息平台,爬取税务局通知通告信息尤为关键。公告列表以分页形式展现,包含标题、发布时间和详情页链接。进行政策趋势图、发布频率统计等可视化。爬取公开数据时,务必遵守网站的。

2201_76125261的博客 1782
上一篇: 【AI绘画】StableDiffusion-一个小技巧提效10倍
下一篇: AI绘画Stable Diffusion:高清分辨率更灵活可控图像增强模型
不秃头de程序猿
博客等级 码龄5年 4091粉丝 1480原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值