Stable Diffusion Params
Stable Diffusion（简称 SD）是一个基于扩散模型的生成式 AI 图像工具，其功能和效果受到多种参数和概念的影响。以下是常见的概念及其作用介绍：
1. CFG（Classifier-Free Guidance Scale）
作用： 控制生成图像时对提示词的依赖程度。
- 低值（如 1-5）： 生成的图像更加自由，可能不完全符合提示词，但更有创意。
- 高值（如 7-15）： 图像严格遵循提示词描述，但可能损失一些自然性或多样性。
建议： 大多数情况下使用 7-12 的范围，可以平衡提示词依赖和图像质量。
2. Sampling（采样方法）
作用： 影响图像生成的风格和速度。常见的采样方法包括：
- DDIM：速度快，生成的图像更加平滑。
- Euler a：适合生成高细节图像，效果受提示词和CFG影响较大。
- DPM++ 系列：新型采样器，兼具质量和效率，推荐使用 DPM++ 2M 或 DPM++ SDE K。
- PLMS：适合简单场景，速度快但细节可能较少。
建议： 初学者可尝试 Euler a 或 DPM++ 系列，调整 CFG 后观察效果。
3. Steps（采样步数）
作用： 控制生成过程中进行的采样次数。
- 低步数（如 10-20）： 生成速度快，但细节较少。
- 高步数（如 50-100）： 生成图像细节丰富，但速度较慢。
建议： 大多数情况下，20-50 步数足够，除非追求极高质量。
4. Prompt（提示词）
作用： 描述希望生成的图像内容，直接影响生成结果。
- 正向提示词（Positive Prompt）： 定义图像主体、风格、细节，如 “a futuristic city at night, neon lights, ultra-realistic, 4k”。
- 反向提示词（Negative Prompt）： 排除不需要的元素，如 “blurry, low quality, deformed, text”.
建议： 多尝试调整提示词的顺序、权重（使用 (word:1.2) 表示权重），以优化结果。
5. Seed（种子）
作用： 控制生成结果的随机性。
- 固定 Seed： 相同的 Seed 和参数配置会生成相同的图像。
- 随机 Seed： 不输入 Seed 或设置为
-1，每次生成结果不同。
建议： 如果需要调整效果时对比变化，可以固定 Seed；探索时使用随机 Seed。
6. Resolution（分辨率）
作用： 控制生成图像的大小，通常通过宽度和高度参数设置（如 512x512）。
- 分辨率越高，生成时间越长，显存需求也更高。
- 推荐的分辨率比例为正方形或接近正方形（如
512x512或768x768）。
建议： 使用低分辨率（如 512x512）测试效果后，再提高分辨率生成高清图像。
7. Inpainting（局部重绘）
作用： 修改图像中某个区域，保持其他部分不变。
- 可用于修复图像瑕疵或替换特定元素。
- 提供遮罩功能，精确控制修改区域。
8. ControlNet
作用： 通过预设模型（如姿态、线稿、深度图）控制生成结果的构图或形态。
- 常见模式包括：Pose（姿态控制）、Canny Edge（线条控制）、Depth（深度控制）。
- 提升对复杂提示词或图像生成的控制能力。
9. LoRA（Low-Rank Adaptation）
作用： 一种轻量化训练方法，用于快速调整模型生成风格或内容。
- 可加载特定风格的 LoRA 模型，如某种画风、人物角色等。
- 权重可调（如
lora:anime_style:0.7），影响融合效果。
10. Checkpoint/Model
作用： 决定生成图像的基础模型。
- 不同模型适合生成不同风格的图像（如写实、二次元、艺术风格）。
- 常见模型有
SD1.5、SDXL以及社区自定义模型。
建议： 根据需求选择基础模型，搭配 LoRA 或 Embedding 提升效果。
总结：
Stable Diffusion 的图像生成效果由多个参数共同决定，熟练调整这些参数（如 CFG、采样器、提示词等），可以生成更符合预期的图像。初学者可以通过小范围调参逐步熟悉它们的作用与最佳配置。