Stable diffusion的一些参数意义及常规设置

在线stabel Diffusion模型

https://huggingface.co/spaces/stabilityai/stable-diffusion
随机种子 seed
如果想要同一个文本提示,生成多次都是同一图像,可以设置一个随机种子,类似于random.seed()的原理,并将生成器传递给管道。每次使用具有相同种子的生成器时,都会得到相同的图像输出。
这里注意的是,实测中如果设置为 -1,那么每次会随机生成
num_inference_steps
可以使用 num_inference_steps 参数更改模型推理的步数
一般来说,使用的步数越多,结果越好,但是步数越多,建议使用默认的推理步数 50。如果想要更快的结果,可以使用较小的步数。如果想要更高质量图像,可以使用更大数字的步数。
实测中,对比图像发现,不同的num_inference_steps ,图像的内容和结构基本是一致的,但是一些形状细节存在很多不同,这表明num_inference_steps=较小值 的去噪步骤,提到的图像质量相对较低,通常使用 50 次去噪步骤,足以得到一个高质量图像。
guidance_scale
前面的所有示例统称为guidance_scale。guidance_scale是一种增加对指导生成(如文本)以及总体样本质量的条件信号的依从性的方法。它也被称为无分类器引导,简单地说,调整它可以更好的使用图像质量更好或更具备多样性。值介于7和8.5之间通常是稳定扩散的好选择。默认情况下,管道使用的guidance_scale为7.5。

  • 如果值很大, 图像质量可能更好,但对应的多样性会降低
  • 如果值很小, 图像质量可能更差,但对应的多样性会增加

默认情况下,稳定扩散生成512×512像素的图像。使用height和width参数以纵向或横向比例创建矩形图像非常容易出现缩放比例错误,部分图像内容,未展示出来,被覆盖了(这是因为图像内容大小大于设置的图像尺寸大小了)

最好在设置height和width参数,值为8的倍数

Sampling method: 采样方法

Sampling steps:采样迭代步数

Restore faces: 面容修复

Tiling: 生成平铺纹理

Highres.fix: 高分辨率修复

Firstpass width: 一开始的低分辨率的宽

Firstpass height: 一开始的低分辨率的高

CFG scale: 数值越小,AI多样性越多,越大限制越多

Variation seed: 在原来种子数的基础之上的子种子数

Denoising strength:跟原来图片的差距大小

你可能感兴趣的:(image,generation,stable,diffusion)