Stable Diffusion進階 -- 糊臉清晰化
前言
偶而會碰到一種例子，就是在算圖時發現了一個很不錯的全身人物圖，當我將它放大之後，又想要抓個臉部特寫，卻發現人物的臉已經糊掉了。通常人物臉糊掉時，可以將面部的圖畫單獨剪出來，用幾種方法簡單修復看看：
- 使用Extra的Scale by，將人臉圖繼續放大，看看放大演算法能否修復模糊的線條。
- 使用ControlNet的Tile功能重新產生臉部細節。
- 用inpaint配合ControlNet的openpose以及depth一步一步慢慢修。
我以這張圖為例：
在這種情況下，我試過單純的Upscale，由於線條邊緣太過模糊，單純的AI放大演算法沒有辦法改善這張模糊的臉。
這時候還有兩種方法可以銳利化這張臉：
ControlNet Tile + Inpaint
本節實作細節由
修正細節：Inpaint + Tile Resample - Stable Diffusion
啟發，ControlNet的Tile Resample實在非常強大。
首先，在Inpaint將想要銳利化的地方選起來：
此時的Inpaint設定為
- Masked content: original
- Inpaint area: Only masked
- Denoising strength: 0.3到0.5之間
然後啟動ControlNet，選擇Tile resample，將Control Weight降到0.5，但是Down Sampling Rate開到最大的8（也就是說，演算法會先將圖縮到八倍小，然後開始使用AI放大）。要注意到，這時候不用選圖放入ControlNet。
然後跑起來，有很大的機率會得到很不錯的結果！
ControlNet openpose/depth + Inpaint
當上述方法都沒用時，還有最原始的inpaint加上img2img的手工修臉法。
首先，將這張圖丟進Inpaint頁面下，然後把五官都選起來：
接著在Inpaint設定中，使用：
- Masked content: original
- Inpaint area: Only masked
- Denoising strength: 0.45到0.6之間
在這個高的Denoising strength之下，角色的臉部可能會完全改變，為了不要讓她變臉，必須使用ControlNet的openpose和depth來鎖住角色的五官位置與大致輪廓：
在這邊還不要使用萬能Canny，因為這時角色的面部特徵還太模糊，既使用上Canny也抓不到角色完整的五官線條，反而會導致AI亂畫，弄出歪掉的五官。
接著開始算圖，每完成一張就檢查是否比上一張更接近自己想要的五官，同時不斷變動Inpaint的選取範圍以及Denosing strength。這邊就很像傳統的電繪藝術家，必須靠自己的判斷來決定是否算圖成功，以及下一步要改變哪些部位和力道強弱。
當面部清晰到一個程度之後，我們可以將第一個ControlNet的openpose設定改成canny，以得到更好的五官掌控：
此時可以降低Denoising strength到0.25到0.3之間，縮小inpaint的範圍到五官等需要細緻調整的範圍。
這樣再跑幾回，然後將完成圖拿到img2img再跑個幾次，將整張圖因為inpaint選取範圍變動造成的色差弭平，就能得到完成圖了：
比較一下之前與之後的五官，尤其是眼珠上的反光與上下睫毛，就會發現效果相當明顯。
這是一招非常耗費時間與專注力的方法，是在Upscale與ControlNet Tile都無法修補時的最終手段。
祝大家AI算圖愉快！
進階技巧目錄：
- Stable Diffusion進階 -- 製作角色設定圖
- Stable Diffusion進階 -- 轉換線稿/漫畫稿
- Stable Diffusion進階 -- 常用網站
- Stable Diffusion進階 -- CLIP Skip 2
- Stable Diffusion進階 -- 臉崩修復
- Stable Diffusion進階 -- X/Y/Z plot
- Stable Diffusion進階 -- 提示詞矩陣
- Stable Diffusion進階 -- 練習，歡迎來到我的家鄉
- Stable Diffusion進階 -- 穿衣換衣術
- Stable Diffusion進階 -- 醒來！表情變換
- Stable Diffusion進階 -- 雷光變幻！
- Stable Diffusion進階 -- 糊臉清晰化
- Stable Diffusion進階 -- 練習，這是利息
- Stable Diffusion進階 -- 人工與工人智慧去背
- Stable Diffusion進階 -- 手部修復
- Stable Diffusion進階 -- ControlNet新功能Reference
即將進入廣告，捲動後可繼續閱讀
為什麼會看到廣告
留言0
查看全部
你可能也想看
Google News 追蹤
*合作聲明與警語：
本文係由國泰世華銀行邀稿。
證券服務係由國泰世華銀行辦理共同行銷證券經紀開戶業務，定期定額(股)服務由國泰綜合證券提供。
剛出社會的時候，很常在各種 Podcast 或 YouTube 甚至是在朋友間聊天，都會聽到各種市場動態、理財話題，像是：聯準會降息或是近期哪些科
Stable Diffusion Online是網頁版的Stable Diffusion AI圖像生成工具，省去了繁瑣的安裝和設定步驟，可以無限生成圖片，且不用註冊就可以免費使用，更棒的是還可以商業使用，為使用者提供更便捷的圖像生成體驗。
在 Stable Diffusion 中有時人物的大小遠近好像很隨機，除了用 ControlNet 其實可以利用 prompt 輸入 拍攝電影的鏡頭控制術語用來控制距離及角度。
Generative models have made remarkable strides in recent years, enabling machines to create diverse and realistic content across various domains. Amon
stable-diffusion-webui AUTOMATIC1111在近期更新到1.6版了，我在本文中列出較重要的8個有感且實用的更新項目。
而那些較為底層的，或是專給高手使用的更新項目我就不細說了。
在我們上一篇文章中，提到了生成AI Art QR Code的方法。今天這一篇中我們要實戰另一種生成AI QR Code的方法。上一篇的方法需要由經由 X/Y/Z測試去獲得最佳的參數，且套用不同的Model/Lora都需要去找最佳的甜蜜點，這樣難免比較累一點，今天我會介紹一個方式，是相對比較穩定的做法
ControlNet發布了1.1新版本，新增了許多不同的model，本文介紹運算大圖時非常好用的Tile Resample model。
Vlad Diffusion（下略Vlad）和 Automatic1111（下略A1111）相較：
優點
1. 介面優化
2. 效能優化
-針對 Torch 2.0 優化
-使用 SDP（Scaled Dot Product）優化運算，無須 xFormers 也可顯著提升效能、降低
可能是這個問題太過基本，所以網路上幾乎沒有人在提問或回答，但我一開始嘗試Stable Diffusion時，常會遇到一個令我困擾的問題----紫色斑塊。
stable diffusion 是一款AI繪圖軟體，你可以免費把stable diffusion算出來的圖免費拿來商用，但是像我的電腦因為顯卡太舊而無法快速運行，而浪費很多時間，你只要準備一個google帳號即可。
先說結論：
演算Img2Img時，Sampling Methods（取樣方法）中Karras類型比較忠於原圖，非Karras類型比較放飛自我。
*合作聲明與警語：
本文係由國泰世華銀行邀稿。
證券服務係由國泰世華銀行辦理共同行銷證券經紀開戶業務，定期定額(股)服務由國泰綜合證券提供。
剛出社會的時候，很常在各種 Podcast 或 YouTube 甚至是在朋友間聊天，都會聽到各種市場動態、理財話題，像是：聯準會降息或是近期哪些科
Stable Diffusion Online是網頁版的Stable Diffusion AI圖像生成工具，省去了繁瑣的安裝和設定步驟，可以無限生成圖片，且不用註冊就可以免費使用，更棒的是還可以商業使用，為使用者提供更便捷的圖像生成體驗。
在 Stable Diffusion 中有時人物的大小遠近好像很隨機，除了用 ControlNet 其實可以利用 prompt 輸入 拍攝電影的鏡頭控制術語用來控制距離及角度。
Generative models have made remarkable strides in recent years, enabling machines to create diverse and realistic content across various domains. Amon
stable-diffusion-webui AUTOMATIC1111在近期更新到1.6版了，我在本文中列出較重要的8個有感且實用的更新項目。
而那些較為底層的，或是專給高手使用的更新項目我就不細說了。
在我們上一篇文章中，提到了生成AI Art QR Code的方法。今天這一篇中我們要實戰另一種生成AI QR Code的方法。上一篇的方法需要由經由 X/Y/Z測試去獲得最佳的參數，且套用不同的Model/Lora都需要去找最佳的甜蜜點，這樣難免比較累一點，今天我會介紹一個方式，是相對比較穩定的做法
ControlNet發布了1.1新版本，新增了許多不同的model，本文介紹運算大圖時非常好用的Tile Resample model。
Vlad Diffusion（下略Vlad）和 Automatic1111（下略A1111）相較：
優點
1. 介面優化
2. 效能優化
-針對 Torch 2.0 優化
-使用 SDP（Scaled Dot Product）優化運算，無須 xFormers 也可顯著提升效能、降低
可能是這個問題太過基本，所以網路上幾乎沒有人在提問或回答，但我一開始嘗試Stable Diffusion時，常會遇到一個令我困擾的問題----紫色斑塊。
stable diffusion 是一款AI繪圖軟體，你可以免費把stable diffusion算出來的圖免費拿來商用，但是像我的電腦因為顯卡太舊而無法快速運行，而浪費很多時間，你只要準備一個google帳號即可。
先說結論：
演算Img2Img時，Sampling Methods（取樣方法）中Karras類型比較忠於原圖，非Karras類型比較放飛自我。