Stable Diffusion 通过在潜在空间而非像素空间中运行，彻底改变了图像生成方式，为用户提供了无与伦比的灵活性和控制力。这一框架所支持的一项特别强大的技术是串联采样器，这种方法让你可以在保持所需构图的同时，精修图像保真度和对提示词的遵循程度。在本文中，我们将探讨串联采样器的概念、实际应用，以及如何利用它来改善你的 Stable Diffusion 工作流。
目录
什么是串联采样器？
串联采样器是指将一个采样器的潜在输出连接到另一个采样器的潜在输入的过程。这项技术可以对图像进行迭代精修，让你在保持第一个采样器生成的构图的同时，通过额外的采样步骤改善细节、色彩准确度和对提示词的遵循程度。
串联采样器的主要优点：
- 更好地遵循提示词：更好地与你想要的图像描述保持一致。
- 增强保真度：在不改变核心构图的情况下添加细微细节并精修纹理。
- 可定制的精修：使用去噪参数控制噪声去除和添加的程度。
实际示例：精修山间湖景
让我们将串联采样器的概念应用于以下提示词，生成并精修一幅图像：
“A serene mountain lake surrounded by snow-capped peaks, vibrant autumn foliage, crystal-clear water reflecting the sky, and a wooden cabin on the shore.”
初始工作流设置
我们先使用以下采样器配置：
我使用的模型下载自：Realistic Vision V6.0 B1 – V5.1 (VAE) | Stable Diffusion Checkpoint | Civitai
- 采样器: DPM++ 2M
- 调度器: Karras
- CFG Scale: 8
- 步数: 15
这套配置旨在快速生成与提示词相符的图像构图。结果很有前景，但缺少某些细节：
- 秋叶暗淡，缺乏生机。
- 湖中的倒影不清晰。
- 木屋要么缺失，要么轮廓不清。
精修图像：增加步数与串联采样
要增强图像，一种方法是增加采样步数。例如：
- 步数增加到 40：增加步数虽然能提高保真度和细节，但由于去噪过程的变化，也会改变构图。这是因为每一步去除的噪声量会影响图像结构。
为了在增强细节的同时不丢失原始构图，我们使用串联采样器。
设置串联工作流
以下是针对这个提示词实现串联采样器的方法：
- 主采样器：
- 使用与之前相同的提示词、种子和采样器设置（15 步）。
- 生成初始构图。
- 副采样器：
- 将主采样器的潜在输出送入副采样器的潜在输入。
- 使用相同的模型、提示词、种子和 CFG scale。
- 将步数增加到 40，以进行更精细的精修。
- 调整去噪参数以获得最佳效果。
理解去噪参数
“去噪参数”对于控制采样过程中添加和去除多少噪声至关重要：
- Denoise = 1：完全替换潜在输入，实际上丢弃了原始构图。
- 去噪 < 1：在精修细节的同时保留潜在输入。在本例中，去噪值为 0.75，可确保在增强视觉保真度的同时保留原始构图。
最终结果
通过串联采样器并微调去噪参数，我们得到了一幅与提示词高度契合的精修图像：
- 生机勃勃的秋叶：色彩和纹理得到增强。
- 清澈见底的湖面倒影：清晰度和真实感得到改善。
- 轮廓清晰的木屋：更好地遵循提示词，细节更锐利。
将初始图像（20 步）与精修后的图像（串联 40 步，去噪设为 0.75）进行比较，凸显了这项技术的有效性。
如何在你的工作流中实现串联采样器
要将串联采样器纳入你的 Stable Diffusion 工作流：
- 配置主采样器以确立所需的构图。
- 将主采样器的潜在输出连接到副采样器的潜在输入。
- 增加副采样器的步数，以进行详细的精修。
- 调整去噪参数，以平衡构图保留和保真度增强。
关键要点
串联采样器是精修 Stable Diffusion 生成图像的强大工具。利用这项技术，你可以：
- 保持初始输出的构图。
- 增强视觉保真度和细节。
- 更好地遵循复杂的提示词。
无论你是在创作风景、肖像还是抽象艺术，串联采样器都提供了一种灵活有效的方法来实现高质量的结果。
1 thought on “C14: Daisy-Chaining Samplers for Enhanced Image Refinement in Stable Diffusion/ComfyUI”