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
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
561
3.81 K
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++
891
652
昇腾LLM分布式训练框架
Python
115
146
Ascend Extension for PyTorch
Python
373
436
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
348
196
React Native鸿蒙化仓库
JavaScript
308
359
Dora SSR 是一款跨平台的游戏引擎,提供前沿或是具有探索性的游戏开发功能。它内置了Web IDE,提供了可以轻轻松松通过浏览器访问的快捷游戏开发环境,特别适合于在新兴市场如国产游戏掌机和其它移动电子设备上直接进行游戏开发和编程学习。
C++
57
7
暂无简介
Dart
794
196
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.36 K
772