Stable Diffusion根本教程。大家好这里是AI垫脚石，这期连续给大家讲解stable diffusion的control.net功能。这期讲解叫做Tile。之前给大家讲解过Tiled Diffusion和分块EVA已经知道了Tile的中文名字叫做瓦片，也便是说将图片进行分割，但是在这里这个tile功能会更强大一些。
·首先可以看一下这个模型一共有三个预处理器。
·第一个这个是最原始的模式，随意马虎涌现色彩偏移和锐化的问题，大家可以看一下。
·下面还有一个单独的设置，它的中文名字叫做向下采集率，功能是降落画面的解析度。比如说把它设置2的时候，便是分隔成缩小两倍的图片来进行采集。比如说图片是512512的，设置成2，那么就分隔成256256图片来进行采集。这样Tile就有更多的空间可以修复和添加细节。以是说如果设置的越大它的细节也就越多。
·首先看一下它的第一个功能，便是忽略旧的细节，天生新的细节，也便是说它可以高清修复比较小的图片。
·首先给大家演示一下上传一张图片，点开启用像素完美许可预览。大家先看一下这个图片，这个图片的分辨率是399乘343，是非常模糊的。然后选择一个模型把这个选择4，然后把尺寸发送过来，这直接修正终极的尺寸800688。
·然后点击天生。大家可以看一下天生的图片比之前多了一些细节，这是之前的图片非常模糊，包括它的五官以及它的草地，比较之前的放大软件，它可以在你放大的时候添补一些细节。而且可以把图像与关键词匹配的部分进行修复或者增长细节。
也便是说你可以在这儿输入提示词，比如说输入adog bed，也便是一只狗在床上看一下上传出来的效果。它这只狗便是在床上的，比如说a dog by the lake，一只狗在湖边。大家可以看一下上乘出来的效果，而且它天生来的细节比最开始的那张也好了很多，这是它的原图。
这便是它第一个功能。第二个功能便是图片的放大。之前已经讲解过两种放大方法，第一个是在附加功能进行放大，第二个是Teild Diffusion和分块EAV。它们三个有什么差异？
·首先附加功能只能进行放大，不能进行细节的添补。如果图片是比较模糊的，放大之后依然是很模糊，但是Teild Diffusion和分块EAV是有缺点的，我给大家演示一下。
→首先在图层图里面打开Teild Diffusion和分块EAV，勾选上这两个。
→然后上传一张图片，比如说还上传这一张，设置一下采样迭代步数以及采样方法，取消这个按钮。
→然后选择缩放系数两倍，选择放大算法，然后点击天生按钮。
大家可以看一下放大后的图片，在这个位置还有人脸下半部分的阴影。
为什么会涌现这种问题？之前在讲Tiled Diffusion的时候说过Tiled是按照一定的规则将图片分割成小块，然后把每块进行放大绘制，再通过编码进行组合起来。但是在分割的过程中，比如这个图片分割成了4块。
→在分割之前，大家可以看到这个图片是一个女孩，也便是1girl。但是在分割之后，比如说图片中有提示词1girl这个词，那么把图片分隔成4块，就有可能涌现4个弯钩，然后再进行组合，会常常涌现这种编码缺点的情形。在这个ControlNet里面的Tiled-就会完美地办理这个问题。
官方的阐明便是如果局部瓦片语义与图片的关键词不符合，就会忽略关键词，并且根据局部瓦片高下文进行引扩散。大家在这利用一下这个效果。
→选择上传，然后直接在这个地方设置终极的宽高比，2048乘1760然后天生一下。
大家可以看一下天生的效果。这是天生图片，这个是原图，大家可以看一下添补了一些细节，而且它的尺寸现在是1024乘以1376，它的原图是512乘768的，而且并没有涌现每一小块被污染的情形。
·下面说一下它的第三个功能，使提示词按照图片的参考来进行天生，这个须要多一些设置。首先上传一些图片，比如说上传这张瓶子，用瓶子来做一个参考。
·把这些参数设置好，须要把稳的是在这儿有controlmode一定要选择关键词优先，并且把它的题词干系性调度到15以上。调到20试一下。
·比如输入关键词ship，也便是一艘船，看一下出来的效果。大家可以看到就天生了一条船，而且它的轮廓是参考图片来进行天生的。
这便是它的第三个功能，Tiled模型-是可玩性最高的模型。
这期视频就给大家讲解到这里，下期连续给大家讲解其他的模型，这里是AI垫脚石，再见。