Stable Diffusion進階 -- 糊臉清晰化
閱讀時間約 5 分鐘
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
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
這個秋，Chill 嗨嗨！穿搭美美去賞楓，裝備款款去露營⋯⋯你的秋天怎麼過？秋日 To Do List 等你分享！
秋季全站徵文，我們準備了五個創作主題，參賽還有機會獲得「火烤兩用鍋」，一起來看看如何參加吧～
美國總統大選只剩下三天， 我們觀察一整週民調與金融市場的變化（包含賭局）， 到本週五下午3:00前為止， 誰是美國總統幾乎大概可以猜到60-70%的機率， 本篇文章就是以大選結局為主軸來討論近期甚至到未來四年美股可能的改變
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。
這個秋，Chill 嗨嗨！穿搭美美去賞楓，裝備款款去露營⋯⋯你的秋天怎麼過？秋日 To Do List 等你分享！
秋季全站徵文，我們準備了五個創作主題，參賽還有機會獲得「火烤兩用鍋」，一起來看看如何參加吧～
美國總統大選只剩下三天， 我們觀察一整週民調與金融市場的變化（包含賭局）， 到本週五下午3:00前為止， 誰是美國總統幾乎大概可以猜到60-70%的機率， 本篇文章就是以大選結局為主軸來討論近期甚至到未來四年美股可能的改變
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。