一、前言
欢迎阅读本文，我将在这里详细介绍如何运用 StableDiffusion 结合 ControlNet 插件，实现对图片生成的精准统制，以及如何融入 LoRa 模型进行创作，本文还会详细介绍缩小图片分辨率以及增强图片的多种法子。通过本文，你将学会如何结合这些功用创作出成果非常炸裂的图片，告别只会画人物的困扰，让你体验从入门到卸载软件的灵魂过程，内容巨干，须要一杯卡布奇诺帮助各人消化此内容，如果本文对你有帮助，那就随便点点咯（别逼我跪下来）。
更多SD干货：
二、Controlnet 统制图片生成
本篇文章我将会采用一个「文字特效的案例教程」给各人详细讲解操作流程以及相应的功用介绍，通过这个案例，带各人走入 StableDiffusion 的进阶玩法，话不多说，先看看案例图片：
1. 前期准备
在开始之前，我们须要先准备下模型、lora 以及相关素材：
Stable Diffusion 模型：ReV Animated v1.2.2（最新版本）
Lora 模型：light effect sci-fi scene
controlnet 插件模型以及黑白文字图片
模型下载推荐应用 civitai（国外）以及哩布哩布 AI（国内），前者须要特殊网络，下载也比较慢，但是模型丰富，数量极其的多。后者下载速度很快，我一般是在「civitai」上找到模型然后去「哩布哩布 AI」上搜，如果有须要的模型，那就直接在「哩布哩布 AI」上下载。
Controlnet 插件一般用活菩萨秋叶的启动包就会自带，不过模型须要自己安装一下，在往期文章我有专门介绍过 Controlnet 的插件安装教程以及模型的下载方式，此处不多做说明。
准备一张黑字白底的图片便可，此处的文字各人可自行修改，图片尺寸可以根据自己的须要调整合适便可（此处我给的尺寸为 512*288，也是 1920*1080 的缩小尺寸）。
2. 关键词描述
本次案例关键词为：
正向关键词：
(masterpiece, best quality:1.3),hd,8k,super details,science fiction,scenery,round stage,,
(杰作，最佳画质:1.3)，高清，8k，超细节，科幻，风景，圆舞台+
反向关键词（通用关键词，哪哪都可用）：
(worst quality:2),(low quality:2),(normal quality:2),lowres,bad anatomy,bad hands,text,error,missing fingers,extra digit,fewer digits,cropped,jpeg
artifacts,signature,watermark,username,blurry,bad_pictures,DeepNegativeV1.x_V175T,nsfw,
告诉各人这个关键词哪来的呢，就是从 Lora 模型的网站上 Copy 下来的，一个小技巧，如果我们不知道怎么描述关键词，可以把相关的 Lora、模型图片信息上的关键词拿来二次改动便可：
3. 文生图基本设置
把以下标注的参数调整下，各人可以按照自己的想法调整，如果暂时还不会，就按照我的参数调整就好了。
这里说明下，lora 可以通过「生成」按钮下方的红色 icon 调用，点击此 lora 会给我们在正向关键词的后方添加该 Lora 参数。
如果你是自己写关键词，须要添加该 Lora 的触发词，触发词一般在模型下载网站作者会写出来，各人把触发词加上去便可。Lora 的权重也可以调整，默认参数是 1，作者生成的 lora 图片权重给的是 0.8~0.9，这大概率是作者测试的最佳参数值，各人也可以测试下别的参数值，具体看成果，本次案例 Lora 权重为 0.9，即
还需强调一个参数：采样法子 (Sampler)
采样法子有很多，一个个介绍的话内容就很多了，各人一般应用这两个参数便可：DPM++2M Karras 和 DPM++SDE Karras。一般模型下载页面会有作者推荐的采样法子，都是经过作者测试过的，所以我们跟着用就好了，当然也可以试试其他的采样方式，据说成果也差不多。
4. Controlnet 参数介绍及设置
接着在下面找到 Controlnet 插件，上传我们准备好的黑字白底图片，并把下面的参数设置好。
Controlnet Unit 须要多设置一个，我们将会应用两个 Controlnet 预处理对图片进行统制。
我们在第一个 Controlnet Unit 上选择 Canny，对应的模型也是 canny。他还有一个同胞预处理器“invert”，如果你是黑底白字，那么就选择“invert”。这个模型作用是统制主体的边缘进而统制最终生成图片的成果。
第二个 Controlnet Unit 选择 Depth，对应模型为 Depth。这个模型的作用是检测图片的空间层次，进而统制生成图片的空间感，这个模型适用于一些大型的空间场景。本次案例借助这个模型增强下空间感。
Depth 预处理也有好几个，其中「Depth_leres++」适合处理大场景大空间的图片（检测的细节很多），所以这个预处理器的处理时间会很长。如果没有很大要求的话，应用其他的预处理器便可，处理的结果有细微的差距，各人可自行尝试下。本次我应用的是「Depth_midas」预处理器。
须要注意一点是，我们要统制下权重，在第一个 unit 我们默认是 1，以 canny 模型为主，Depth 辅助增强空间感，那么就须要把改权重降低一点，比如 0.6~0.8。
敲黑板！！
上面我没有说写尺寸的事情吧，告诉各人一个小技巧，点击这个按钮，就可以把上传的黑字白底图的尺寸自动设置上去，这也是为什么在制作黑底白字图的时候须要把尺寸统制好。
5. 终于开始跑图了
上面讲了一大堆，其实也只是冰山一角，只把本次案例须要调整参数的地方讲了一下，不过这些也是一般生图的常用功用，这几个参数玩好也够用了，其他参数等我后续以案例教程的形式说明，我认为这样各人容易记一些。
废话不多说了，把各项参数设置好了之后就可以开始跑图了，如果你们出现错误，先检查下参数问题，看是不是跟我一致的。
先批量跑几批图出来吧，大致成果就是这样了：
到这一步如果你觉得结束了的话，那就错了，还剩下几个问题呢。
图片分辨率太小，不能用；
图片细节太糙，也不能用。
这时候就引出我们下一个板块了，图片缩小/细节增强功用，往下看：
三、缩小分辨率及建设细节的几种法子
下面几种法子还是根据我们上面生成的图片来演示，请在开始之前选中一张你所满意的图片便可。
1. 高分辨率建设
高清建设在文生图，也就是在关键词下方，它的原理就是把图片重新画一遍，然后增加图片细节及缩小分辨率。
我们先选中一张图片，固定 seed 值，然后点击启动“高分辨率建设”（可能其它版本是“高清建设”），就可以看到下面的一些参数。
为什么我们在生图的时候没有直接勾选这个呢，还要进行固定 seed 值的这一步参数，是因为这个功用还是会受到显卡限制的影响，如果批量跑图开启“高分辨率建设”，那生成图片时间会非常久，先用低分辨率尺寸出图效率会更高点，4090 用户请忽略。
再来看看它的相关参数：
具体看图，不要晕了！
缩小算法一般就应用，「R-ESRGAN 4X+ Anime6b」和「R-ESRGAN 4X+ 」，插画风格图片应用「R-ESRGAN 4X+ Anime6b」请无脑应用这两个！
重绘幅度保持在 0.5~0.8 便可，数值越大，图片改动越大，反之一个道理。
缩小倍数取决你须要把图片分辨率缩小多少，这个也不能随心所欲，须要看你的显存大小！
迭代步数与上面的一样，一般不须要调整（0 为默认与上面一致）。
最终的参数是这样的，抄作业了：
可以适当的调整重绘幅度，说不定会有意外惊喜哦。
2. 图生图缩小
除了高清建设，图生图也是 SD 自带的一个不错的缩小方式，原理跟高清建设一样，我们快速整一遍。
还是那张图，把图片发送到“图生图”，之前那张低分辨率图片怎么找到呢，可以在文件夹中找到，然后上传到“png 图片信息处”，点击“发送到图生图”。
图生图的参数基本与前面文生图一致，都是重复的功用。
然后点击生成，这张图片就被缩小了，与高清建设一样，依赖于显存大小。
用 4 倍缩小值，「3080 10G 显卡」生成时间为 27s，占用显存 10g，直接拉满了。
图生图也有“缩小算法”功用，只不过须要在设置里面找到，设置之后就是默认的算法了。
3. SD upscale 脚本缩小
这个功用也是在图生图中，与前面两种法子不一样的是，这个缩小原理是把一张图分成多个小块一个个生成，相当于就是生成一小块后再生成下一个小块，直到把整张图生成完毕，所以这个法子对显存小的玩家是一个好的选择，没有集中一张图生成。
在图生图底部找到这个“脚本”选项，选中“应用 SD 缩小（SD upscale）”，在底部可以看到他的参数信息，缩小倍数和缩小算法与前面一样。
这个“分块重叠像素宽度”须要注意下，具体原理不做解释了，各人只要记住，这里如果是 64，那么我们就把上面的高度和宽度分别加 64 就行了，不然可能会出现图像分割的情况（本次案例测试没出现这个问题，如果有，请记住这个法子！）
最后这张图是在 4 倍缩小值生成的，分辨率也达到了 2048*1152。
「3080 10G 显卡」生成时间为 23s，占用显存 4g 左右。（前面两种占用显存都达到了 10G，拉满了）
4. 后期处理功用缩小
后期处理这个软件在其他版本叫做“附加功用”（这两个名字的功用是同一个），“后期处理”法子原理就是把原图等比缩小并处理一些细节（不重绘），成果没有上面几种法子好，但是也能满足大部分场景须要，处理时间非常快。
进入“后期处理”这个板块，上传小分辨率图片，我们只须要设置好缩放倍数/缩放尺寸和缩小算法便可，其他的参数默认不用管，点击生成就可以为我们生成一张大分辨率的图片，这个图片是 100%还原的（没有经过 SD 重绘）。
这个功用也可以缩小非 SD 绘制的图片，比如我上传一张通过 Midjourney 生成的图片，该图片尺寸为 1456*816。拖入“后期处理”中，把缩小倍数调整到 4 倍，点击生成就会把这张图片分辨率缩小了。
可以看到缩小之后图片确实清晰很多，各人自己尝试后感受会更加明显。
5. 进阶缩小功用-Tiled Diffusion
目前 StableDiffusion 最强的图片缩小功用-Tiled Diffusion，这是 StableDiffusion 一个插件，它所实现的缩小建设功用比前面 4 种法子更好，强烈推荐各人应用这个法子！！！
原理与 SD upscale 类似，我们直接来看看演示案例吧，原理什么的各人看的可能会头晕…
首先就是这个插件的安装了，如果你是安装最新版本的一键启动包，那么这个插件已经为你安装好了。如果你的 sd 中没有，那请你手动安装下:
回到图生图功用，按照之前的法子，把那张低分辨率的图片发送到这里来，在下方底部就可以找到 Tiled Diffusion 和 Tiled VAE，这两个插件是共用的，缩小图片的时候两者都勾选便可。
这个插件也比较简单，通常情况我们只须要勾选启用就好了，注意统制下缩小尺寸便可。在缩小尺寸这块各人可能会混乱，图生图有一个尺寸，Tiled Diffusion 也有一个缩小倍数，到底是怎么回事呢？这里有两种法子：
①应用图生图的尺寸
我们可以把图生图的原始尺寸*3，也就是缩小 3 倍（原：512*288，缩小：1536*864），取消勾选“保持输入图像大小”，并把缩小倍数改为 1 便可。
②应用 Tiled Diffusion 缩小倍数
图生图的尺寸保持不变，勾选“保持输入图像大小”，缩小倍数调整为 3，（勾选“保持输入图像大小”即图生图尺寸不生效）
上面两种法子都可以，各人自行选择~
这个插件的其他参数我们都不须要去具体了解，保持默认就行了，注意统制以下几个参数便可（希望你不要晕）：
最后一步，统制下重绘幅度，因为我们是为了缩小图片分辨率，所以我们的重绘幅度一定不要调的太高。大概 0.3~0.5 这个样子，没有具体参数，须要各人自行尝试。
我们点击生成可以看下这几个重绘幅度之间的差别：
经过测试，重绘幅度保持在 0.3~0.5 便可，0.5 以上图片就被重绘的过于多了。
0.3-0.5 细节改变不大，保留了原图的细节，0.5 的参数会额外再增加部分细节。
6. 高阶建设缩小功用 — Controlnet Tile 模型
敲黑板！！重点来了！重点来了！重点来了！
上一步我们介绍了 Tiled Diffusion 插件的玩法，这次来个更强的 Tile 模型，它是基于 Controlnet 插件开发的模型，可以把低分辨率图片变为高分辨图片，并且，还可以通过统制参数增强画面细节！
它的具体应用法子是结合 Tiled Diffusion 应用，两者相互结合带入出图流中，成果异常的好，到底有多震撼，看下去你就知道了。
回到“文生图”，你没看错，上面基本上都是用到的“图生图”，这次我们应用 Controlnet 插件须要到这里来。
然后请把目光回到 Controlnet 生成低分辨率图那里，还是这张图，保持各项参数不变，看图：
请把 Tiled Diffusion 和 Tiled VAE 勾选启用，这一步不要忘了，我们是须要结合这个插件应用。
然后我们统制图片缩小尺寸是须要在这里进行，勾选“覆盖图像尺寸”并设置缩小图片尺寸，即「512*288」缩小 3 倍为「1536*864」，（文生图上面的尺寸就不须要管了，字面意思）
再到 Controlnet 插件这里来，上传之前的低分率图片，选中“Tile（分块）”便可，其他参数该勾选的勾选。最终的图片成果由“统制权重”来调整。
上述的操作完成后，点击生成图片便可，最终图片生成的成果看设置的权重参数，看图可得出：
低于 0.6 以下的图片成果，文字产生了较大的形变，甚至是低于 0.4 之后完全没有主体存在；
高于 1.1 以上的图片成果，文字几乎看不出变化了；
所以本次案例测试结果为权重统制在 0.6~1.1 左右是比较合适的。
最后再来看下完整大图！！！
四、完结撒花
到这里本次案例教学就结束啦，不知道各人懵逼了没有，可以在评论区告诉我。
本篇文章用时 12 个小时，通过一个文字特效案例介绍了 StableDiffusion 最强大也是最实用的两个功用：Controlnet 以及缩小/增强图片的法子，掌握了这两个功用技巧，就不怕别人说我们只会画“老婆”了。
各人一定要好好掌握这两个功用，在接下来的商业化案例教程中，我可能会重复应用本文介绍的功用，各人别到时候说看不懂哈，在下告辞，有疑问再来 call 我！