stable diffusion 入门指南提示词.docxVIP

Stablediffusion入门指南

绪论

stablediffusionwebui是基于diffusion扩散模型和gradiowebui框架打造的小型化低算力个人ai绘画操作平台，在简化编码器和解码器的同时降低了算力需求，尽可能少损失的还原了原版diffusion模型的效果

硬件要求

10系以后的Nvidia显卡

目前针对AMD显卡暂无有效的运行手段

StablediffusionWebUI主体讲解

无任何插件的WebUI面板

1.1文生图功能(txt2img)

输入提示词就可以生成图片的功能

1.2.1

·提示词(Prompttag)与反向提示词(Negativeprompttag)

输入提示词即可在生成的图像中根据权重比1的大小呈现有关提示词(tag)的内容，反之输入反向提示词则是根据权重比1的大小抹除或不呈现相关提示词(tag)的内容

权重比1即内容呈现的优先度，通过”,”分隔tag。

注*权重比的定义以及定义的符号

以下数据来源于官方文档

a(tag)-将权重提高为原来tag的1.1倍

a((tag))-将权重提高为原来tag的1.21倍（=1.1*1.1）

a[tag]-将权重降低为原来tag的1.1倍

a(tag:1.5)-将权重提高为原来的1.5倍

a(tag:0.25)-将权重降低为原来的1/4

a\(word\)-使用文字字符进行注释，不改变权重也不作为tag呈现

注*[]不能利用”:”指定权重

·提示词格式推荐（我的推荐，这样看起来比较有条理）

注释段：对画质以及成图类型的要求

绘具风段：绘画方式；绘画类型；打光参数等

主环境段：天气；时间；室内/室外；场景；场景装饰（背景）等

人物参数段：人物性别；年龄；数目；体型；发色发型；瞳色眼形；皮肤类型；人物表情；人物姿势；服装；身体特征；人物状态等

场景细节补足段：用来点缀场景的小物体补全

注*成画顺序一般是根据tag顺序从内到外

·反向提示词推荐

1.3.1

·采样方法（Sampler）

采样方法（sampler）是AI对于图形噪声（noise）处理的策略（policy）

不同的采样方法成图效果运算速率都不一致

没有绝对的优劣之分只有针对的场景不同

Euler：欧拉法，比较成熟的一种采样算法，运算速度较快，效果稳定。

LMS：利用最小均方误差的采样算法。

Heun：以欧拉法为基础在给定条件下求解常微分方程的采样算法。

DPM：利用PDE(偏微分方程)的一种采样算法。

DDIM：生成扩散模型（Diffusion）法，StableDiffusion主要采用的采样算法。

PLMS：预训练语言模型采样算法。

不同采样方式的对比图

1.4.1

·采样迭代步数（Step）

采样迭代步数是AI对于噪声解码（decoder）迭代的次数，次数越高需要的计算时间越长

注意并不是越多的迭代步数成图效果越好

迭代步数固然细节处理的越多，部分细节方面可能会更好，但是也有可能会添加奇奇怪怪的物体上去。

一般15次迭代步数后绝大多数采样方法就可以获得基本完整的图像。可以根据实际需求增加或减少迭代步数。特别是对于需要快速成图的用户群体。

1.5.1

·宽度（Width）高度（Height）分辨率

宽度高度决定了你的画幅以及分辨率

过高的宽度高度将严重影响计算速率并且会造成显存溢出（outofmemory），显存溢出的一般表现为重复的无意义图像堆砌以及黑屏。并且对于AI而言过高的画幅需要填充更多的数据，更容易出现最后的成像过于抽象或者肢体细节描绘错误。

对于成像分辨率小像素颗粒感明显，目前最好的解决方式是利用插件中的高分辨率修复（Superresolution）进行超采样以达到提高画质的目的。

1.6.1

·面部修复（Restorefaces）对面部尤其是绘制面部图像时进行细节上的优化

·可平铺（Tiling）生成一个可以平铺的图像

·高分辨率修复（Highres.fix）以较小的分辨率对图像生成，以超分辨率技术在不改变原先构图的条件下提升原图像的细节

Scalelatent在潜空间中对图像进行缩放程度的值。

Denoisingstrength算法对原图像内容的保留程度。

放大算法

Latent：潜噪声扩散算法模型1（LatentDiffusionModels），以卷积方式实现高分辨率合成，这种扩散模型在高分辨率图像生成的基础上，降低了运行的复杂性，并且细节保留达到了很不错的效果，大大提高了视觉逼真度。

Nearest：邻近算法（k-NearestNeighboralgorithm）靠周围有限的邻近的样本来决定待分样本所属的类别，以进行超分辨率的方法。

Lanczos：兰索斯(Lanczos)算法2是一种将对称矩阵通