深度解析Stable Diffusion AI绘画优化技巧：参数设置与创作流程全攻略

AI绘画深层解析与优化提示

AI绘画通过过程进行的是一种「注意力调整」过程，从随机噪声图像入手，逐步实现对Prompt提示词的视觉解析和调整。以下是具体模块解释和优化提示：

一、重要参数解析

1. Sampling steps—重要性和最佳设置

Sampling Steps用于指定图像从随机图像向Prompt提示词目标的调整步数。步数设置至关重要：

• 步数过少： 绘画结果过于粗糙，细节表现力不足。
• 步数过多： 每步调整更精确，但生成图像所需时间明显增加，且收益递减。
• 常用参考值： 20至30步已足够实现清晰且细节丰富的图像，大部分采样器超过50步意义不大。

2. CFG Scale — Prompt的权重

Prompt权重决定图像与提示词的匹配度，权重分为单提示词权重，和全部提示词的权重。全部权重设置过高可能导致色彩过饱和并降低图像质量。权重的选择需要根据实际需求进行调整，以下是一个具体的例子：

• 案例分析： 如果您希望生成一张“阳光下的樱花树”图像，可以尝试以下提示词设置：

1. Prompt词例： "cherry blossom tree, sunshine, blue sky, gentle breeze"。（为了更好的编写提示词，可以使用LMU.AI提供的提示词生成助手工具生成提示词）
2. 单个提示词权重： "cherry blossom tree:10, sunshine:7, blue sky:5, gentle breeze:3"
3. 理由分析： 设置高权重的“樱花树”确保其作为主要元素的细节表现更突出；阳光作为辅助元素，通过中等权重为整体增添自然光感；蓝天和风和日丽的权重较低，目的是增强画面背景但不喧宾夺主。
4. 全部提示词权重设置CFG Scale的值。

• 常用参考值： 5~15之间。
• 常用值： 7、9、12为三个优化配置值。
• 优化建议： 如果因权重过高导致画质下降，可以适当增加 Sampling Steps以改善效果。

3. 采样器选择（Sampling method）：功能和应用场景

采样器决定AI使用何种算法调整图像，以下是常见采样器及其特点：

• Euler a： 富有创造力，不同步数会生成风格迥异的图像，超过30~40步增益有限。
• Euler： 最基础和常见的算法，速度快且结果稳定。
• DDIM： 收敛速度快，通常20步左右即可达到理想效果。
• LMS： Euler的改进算法，相对更稳定，30步左右效果最佳。
• PLMS： LMS的进一步优化版本。
• DPM2： DDIM的增强版，速度提升约为DDIM的两倍。

二、其他关键参数与设置

1. 外观VAE模型

VAE（Variational Autoencoder）用于美化图像的色彩和细节，主要功能包括滤镜和细节微调：

• 主要功能：
  • 滤镜：类似于剪映、美图秀秀等软件的滤镜功能，可提升整体色彩饱和度和清晰度。
  • 微调：对生成图像的细节进行精细调整。
• 常见文件格式： ckpt、pt、safetensors（文件名中通常包含"vae"字样，如"model_vae.ckpt"）。
• 常见文件大小： 100MB~800MB不等。
• 模型存放路径： sd-webui-aki\models\VAE

2. LoRA模型

LoRA（Low-Rank Adaptation）是一种轻量级微调模型，用于实现特定风格或人物特征的定制：

• 适用场景： 数据相似度较高的情形下，LoRA模型训练效率更高，可节省大量训练资源。
• 常见文件格式： safetensors、pt、ckpt。
• 常见文件大小： 100MB~300MB不等。
• 模型存放路径： sd-webui-aki\models\Lora

3. 随机种子（Seed）

随机种子决定生成的初始噪声图像，在相同参数下保持种子不变可生成几乎相同的图像：

• 实际操作步骤：
  1. 在种子选项中输入一个固定的数值（例如：12345）。
  2. 保持种子不变，尝试调整Prompt或其他参数以微调生成结果。
• 常见应用场景：
  • 图像迭代优化： 确保生成基础一致性，通过调整其他参数细化设计。
  • 批量生成相似风格图像： 使用同一种子，改变部分提示词或其他设定生成主题一致的多张图像。
  • 作品共享与再现： 与他人分享种子值和参数，方便复现相同风格或细节的作品。
• 优化建议：
  • 如果某个种子在某标签下生成了理想的图像，可保持种子不变，仅微调标签以生成风格一致的图像。
  • 注意：不同显卡型号即使参数一致，生成结果也可能存在差异。例如，10XX和16XX系显卡生成结果差异较大，而20XX系和30XX系显卡可较好复现图像。

4. 放大算法（Upscaling）

在高分辨率（如1024x1024）下直接生成图像可能出现异常，放大算法通过低分辨率生成再逐步放大来优化：

• 常用算法：
  • ESRGAN_4x：默认推荐算法，适用于大多数场景。
• 重绘幅度（Denoising Strength）： 控制放大后细节调整的程度，范围为0到1。
  • 数值越大，AI调整细节的创意越多，偏离原图的可能性越高。
• 放大倍数（Upscale By）： 控制原始图像宽度和长度的倍增，倍数越高需要的显存也越高。