前言：

上一章，我们介绍如何更好的使用尺寸设置来使用RA/SD

本章，我们介绍如何继续使用高清修复的功能

我们建议一般使用512的尺寸生成图片的最主要原因就是因为大量的高清修复的能力的出现。

这个能力让我们可以不影响画质的情况下，拥有效果更好，清晰度更加的品质图像，让我们AIGC生成的美图都可以做高清壁纸，是不是很赞

知识点：

图像的高清修复是一种图像处理技术，旨在从低质量或受损的图像中恢复或生成高质量的图像。高清修复利用多种技术和算法来提升图像的分辨率、细节和视觉效果，使其看起来更加清晰和细腻。以下是高清修复的一些关键概念和方法：

超分辨率（Super-Resolution）：
- 通过算法将低分辨率图像转换为高分辨率图像。
- 常用方法包括单图像超分辨率（Single Image Super-Resolution, SISR）和多帧超分辨率（Multi-Frame Super-Resolution, MFSR）。
降噪（Denoising）：
- 去除图像中的噪声，使图像更加清晰。
- 这涉及从图像中去除随机或系统性噪声，同时保留重要的细节。
去模糊（Deblurring）：
- 消除图像中的模糊，使细节更加清晰。
- 模糊可能是由于相机抖动、对焦不准或运动等原因造成的。
细节增强（Detail Enhancement）：
- 增强图像中的细节，使其更加鲜明。
- 这可以通过对比度调整、锐化等技术实现。

卷积神经网络（CNN）：
- 深度学习模型，如SRCNN（Super-Resolution Convolutional Neural Network）和ESRGAN（Enhanced Super-Resolution Generative Adversarial Network），在图像超分辨率任务中表现优异。
- 这些模型通过大规模训练数据学习低分辨率到高分辨率图像的映射。
生成对抗网络（GAN）：
- GANs，如SRGAN（Super-Resolution GAN）和ESRGAN，利用生成器和判别器之间的对抗训练，提高图像的细节和逼真度。
- 生成器生成高清图像，判别器评估图像的真实性，从而推动生成更高质量的图像。
自回归和自注意力模型：
- 自回归模型（如PixelCNN）和自注意力模型（如Transformers）也用于图像高清修复，尤其在处理复杂图像结构和长程依赖时表现良好。
传统方法：
- 传统的图像处理方法，如双三次插值（Bicubic Interpolation）、Lanczos插值等，也用于图像超分辨率，但效果通常不如深度学习方法。

为了提高绘画产出图像质量，专门提供了几个功能用于修复图像的方法：

上圖中，其實MultiDiffusion也有顯存的限制。描述並不準確。

有了前面的基础，这些配置项其实很容易理解，除了放大算法。

這個看英文全稱應該就是 High Resolution.Fix的意思。

其实放大算法和采样算法一样，没有绝对的好坏，出来的效果其实都差不多，你需要自己去试。但是网上流传着一个说法是：无脑选择 R-ESRGAN 4x+ 算法就好，如果是二次元就选择 R-ESRGAN 4x+ Anime6B。

Hires step表示在进行高清修复过程中计算的步数。它直接影响到最终修复效果的好坏。一般来说，步数越多，修复结果越精确，但是相应地计算时间也会增加。
用户可以根据实际需求和计算资源的限制来进行合理的设置。
Denoising strength，即降噪强度，是一个重要的参数，它反映了最终生成图像与原始输入图像之间的变化程度。
该值的大小直接影响到放大后图像与放大前图像的差别。
当降噪强度较高时，修复后的图像将与原图几乎无关；而降噪强度较低时，修复后的图像会与原图有一定的相关性。
一般来说，阈值在0.7左右时，修复后的图像与原图基本上无关；而0.3以下的阈值则表示修复后的图像相比原图有轻微改动。在实际执行中，计算步骤为Denoising strength乘以Sampling Steps。

如果细心观察它的生成过程，你会发现在进度条 50% 左右的时候， SD 是先绘制了一幅低分辨率的图像，然后在此基础上重绘高清的图像，其实很像图生图。

下圖中我們生成512的圖片，放大2倍。到1024 . 效果不錯。嘗試放大4倍，由於GPU顯存問題，失敗。我測試的當前GPU是2070 RTX