txt2img 時，會用 512、768 等等大小來測試算圖，反覆迭代找到一個適合的 prompt 和參數組合。如果想要以此組合算出高解析度的圖片，直接調整長寬會遇到畫面跑掉的問題。該如何在固定構圖的情況下增加圖片的解析度呢？本文提供三個方法讓大家嘗試看看！
目錄
1 法一：透過 img2img 放大1.1 img2img 法詳細步驟
1.2 img2img 法小結
2 法二：透過 AI Upscaler 放大
2.1 AI Upscaler 詳細步驟
2.2 AI Upscaler 、PhotoShop 大比拼
2.3 AI Upscaler 法小結
3 法三：透過 Tiled Upscaling 放大
3.1 Ultimate SD Upscale 安裝步驟
3.2 Tiled Upscaling 詳細步驟
3.3 Tiled Upscaling、AI Upscaler 大比拼
3.4 Tiled Upscaling 原理
3.5 ControlNet Tile Model 扮演的角色
3.6 Seam Artifacts 接縫問題
3.7 注意 Denoising strength 參數調整
3.8 Tiled Upscaling 法小結
4 結論
法一：透過 img2img 放大
將 txt2img 算出的圖片送入 img2img ，並輸入一樣的 prompt，如此及能算出高度類似，但細節略為不同的圖片。
img2img 法詳細步驟
在 txt2img 得到適合的結果後，點選 send to img2img
延伸閱讀：最詳細的 Stable diffusion WebUI 操作教學 – txt2img
或者將圖片拉到 png info，再點選 send to img2img
跳轉至 img2img tab，調整長寬放大圖片。調整 denoising strength 控制 AI 自由度。
denoising strength 以 0.5 作為臨界值，大於 0.5 表示 Stable Diffusion 算圖自由度越高，與原圖差異越大。反之小於 0.5 AI 自由度下降，與原圖較為相似。
原圖：
透過 img2img 放大
原圖：
透過 img2img 放大：
img2img 法小結
優點：
- 因為是透過 Stable Diffusion Model 算圖，除了放大解析度外，還能增加細部細節！
- 調整 prompt 和 denoising strength，在此階段同時對圖片作更進一步的優化
缺點：
- 解析度拉越高，所需算圖時間越久，VRAM 也需要更多、甚至會爆顯存，因此提高的解析度有上限（以 google Colab 的 T4 為例，15 GB 的 VRAM 在接近 2000 x 2000 的時候就會爆掉）
- 是本文篇文章三法中，放大到同等級解析度時最耗費 VRAM 的方法
- 放大圖片的細節或構圖可能會改變，需要依照經驗調整 denoising strength，或者引入 ControlNet 來解決
法二：透過 AI Upscaler 放大
透過 ESRGAN 等 AI upscaler 的方式將原圖放大，相對於傳統的 upscaler（如 PhotoShop），放大時能夠增加細節，算圖速度也比 img2img 快。
AI Upscaler 詳細步驟
- 切換到 Extras tab，點選 Single Image，將想放大的圖片丟到 Source 中
- 調整 Resize 決定放大幾倍。比如說原圖為 512×512，Resize = 2x.....
👉👉前往 KodingWork - 如何用 Stable Diffusion 產生高解析度的圖？ 閱讀全文
延伸閱讀
LoRA 是什麼？如何使用？| Stable Diffusion
最詳細的 Stable diffusion WebUI 操作教學 – txt2img
免費用 Google Colab 玩 Stable Diffusion WebUI
如何在 M1 Macbook 上跑 Stable Diffusion？
