Ultimate SD Upscale 扩展使用教程
2026-02-06 04:35:22作者:范靓好Udolf
项目介绍
Ultimate SD Upscale 是一个专为 AUTOMATIC1111 的 Stable Diffusion Web UI 设计的图像增强扩展。该扩展通过瓦片式放大技术,允许用户使用高降噪值(0.3-0.5)进行图像放大,同时有效减少伪影和接缝问题。该扩展适用于任何显卡配置,通过智能的瓦片处理技术确保图像质量。
核心功能特点
- 高降噪支持:支持 0.3-0.5 的降噪值范围,显著减少放大过程中的伪影
- 瓦片放大技术:采用 512x512 瓦片大小进行渐进式放大,确保图像收敛质量
- 接缝修复:内置多种接缝修复算法,包括线性、棋盘格和无接缝模式
- 灵活配置:提供丰富的参数设置选项,满足不同场景下的放大需求
安装与配置
环境要求
- 已安装 AUTOMATIC1111 Stable Diffusion Web UI
- Python 3.7+ 环境
- 基本的 GPU 支持(可选,但推荐)
安装步骤
-
克隆项目仓库
git clone https://gitcode.com/gh_mirrors/ul/ultimate-upscale-for-automatic1111.git -
安装扩展 将克隆的仓库放置在 Stable Diffusion Web UI 的
extensions目录下,然后重启 Web UI。 -
验证安装 启动 Web UI 后,在 img2img 页面的脚本下拉菜单中应能看到 "Ultimate SD upscale" 选项。
使用指南
基本操作流程
- 打开 Stable Diffusion Web UI,选择图生图(img2img)功能
- 导入需要放大的原始图像
- 在页面底部找到脚本选择区域,选择 "ultimate sd upscale"
- 根据需求配置相关参数
- 点击生成按钮开始处理
参数配置详解
目标尺寸设置
- From img2img2 settings:使用 img2img 的基础设置
- Custom size:自定义输出尺寸(宽度和高度)
- Scale from image size:基于原始图像尺寸按比例缩放
重绘选项
- Upscaler:选择上采样器,包括 Lanczos、Nearest、ESRGAN_4x 等多种选项
- Type:重绘模式(Linear、Chess、None)
- Tile width/height:瓦片尺寸,建议设置为 512x512
- Mask blur:蒙版模糊值,通常设置为 8
- Padding:填充值,推荐设置为 32
接缝修复
- Type:接缝修复类型(None、Band pass、Half tile offset pass 等)
- Denoise:降噪强度,建议 0.35
- Width:修复宽度,默认 64
- Mask blur:修复蒙版模糊值
- Padding:修复填充值
最佳实践配置
2K 图像放大配置
{
"tile_width": 512,
"tile_height": 512,
"mask_blur": 16,
"padding": 32,
"denoise": 0.4
}
4K 图像放大配置
{
"tile_width": 768,
"tile_height": 768,
"mask_blur": 20,
"padding": 55,
"denoise": 0.35
}
技术原理
Ultimate SD Upscale 采用分块处理的核心算法,将大尺寸图像分解为多个小瓦片分别处理,最后再组合成完整图像。这种方法具有以下优势:
- 内存友好:避免一次性处理大图像导致的内存溢出
- 质量保证:每个瓦片都能获得充分的降噪和细节处理
- 灵活性高:可根据硬件性能调整瓦片大小
扩展支持三种重绘模式:
- Linear:线性顺序处理瓦片
- Chess:棋盘格交替处理,减少接缝现象
- None:禁用重绘,仅进行上采样
常见问题解答
Q: 处理过程中出现内存不足怎么办?
A: 尝试减小瓦片尺寸(tile_width/tile_height)或增加系统虚拟内存
Q: 接缝明显如何解决?
A: 调整 padding 值和 mask_blur 参数,或尝试不同的接缝修复模式
Q: 处理时间过长如何优化?
A: 可适当降低降噪值或使用性能更好的上采样器
Q: 输出图像质量不理想怎么办?
A: 检查原始图像质量,调整重绘模式和接缝修复参数
性能优化建议
- 硬件配置:推荐使用 GPU 加速处理,显著提升处理速度
- 参数调优:根据图像特性调整瓦片大小和降噪参数
- 批量处理:支持批量处理多张图像,提高工作效率
- 缓存利用:合理配置系统缓存,避免重复计算
通过合理的配置和使用,Ultimate SD Upscale 能够为 Stable Diffusion 用户提供高质量的图像放大解决方案,满足各种场景下的图像处理需求。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0213
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0137
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03
热门内容推荐
最新内容推荐
项目优选
收起
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
468
461
暂无描述
Dockerfile
776
5.07 K
Ascend Extension for PyTorch
Python
756
961
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
872
2.01 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
696
1.4 K
昇腾LLM分布式训练框架
Python
183
230
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.1 K
1.14 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.04 K
271
Oohos_react_native
React Native鸿蒙化仓库
C++
361
430