图生图的原理如下：
[title]Tusiart简易上手教程[heading1]概念与功能说明[heading2]概念说明1.首页-模型\帖子\排行榜：发布了其他大手子炼成的模型、图片。不同的模型有checkpoint和lora两种不同的标签，有些模型的标签后面还有第二个XL的标签，这是属于SDXL这个新模型的意思。点击后可以看模型的详细信息。模型详情信息的下方，是用这个模型生成的图片，俗称返图区。1.基础模型：生图必需的，英文名Checkpoint。任何生图操作必须要选定一个checkpoint模型才能开始操作。注意，checkpoint区别于lora，这两个东西在模型广场都是混着展示的。checkpoint必选，lora可选可不选，任何主题的作图需求，都可以试着在模型广场上搜索或者浏览，然后收集到模型库中用于生图。1.lora：低阶自适应模型，你可以理解为checkpoint的小插件，生图的时候lora可有可无。但是lora的价值还是很明显的，基本上你看到一些精细的控制，如面部、材质、物品等等细节都常见于用相应的lora进行控制。旁边的数值是lora的权重。1.ControlNet：控制图片中一些特定的图像，可以用于控制人物姿态，或者是生成特定文字、艺术化二维码等等。也是高阶技能，后面再学不迟。1.VAE：是个编码器，功能类似于我们熟悉的滤镜，调整生图的饱和度。无脑选择右侧截图中840000这个即可。1.Prompt提示词：想要AI生成的内容（不绝对有效，需要多费功夫学习，哪怕从照抄别人开始）。2.负向提示词Negative Prompt：想要AI避免产生的内容（不绝对有效，也需要费功夫学，哪怕从照抄别人开始）。1.图生图：上传图片之后，sd将根据你的图片和你选择的模型以及输入的prompt等等信息进行重绘。重绘幅度越大，输出的图和输入的图差别就越大。
[title]【SD】如何画出商用级别的高清大图我们看一下高清修复下的这张画，文生图高清修复的原理其实是命令AI按照原来的内容重新画一幅，所以新生成的绘图和原来的绘图在细节上会不太一样。如果想要更接近之前的绘图，可以适当降低重绘幅度。我们来对比一下修复前后的区别，这次使用的重绘幅度为0.7，所以可以看到帽子和耳机都有了变化，想要保留原来的细节，可以尝试0.2-0.3。我们再使用重绘幅度为0.3绘制一下，可以看到服饰细节就比较接近了，但是由于重绘幅度低，手部就出现了问题。这种情况，就要通过反复抽卡，图生图局部重绘，或者生成多张图片后进ps合成等办法去解决。由于高清修复的渲染耗时比较长，所以我们一般建议先采用低分辨率进行抽卡刷图，当抽到自己比较喜欢的图之后，再使用随机种子来固定图片进行高清修复。二、SD放大第二种方式是使用图生图的脚本功能，当我们使用文生图画好一张图之后，可以将它发送到图生图。点击下面的脚本，选择使用SD放大。重绘幅度设置0.3，放大倍率为2，图块重叠的像素设置为64。这张图原本的尺寸为512x768，此时需要加上重叠像素的64，就变成了576x832。可以看到，这次的Stable Diffusion是将这张图均匀地切成了四块，然后分别渲染，最终拼接成一整张图，这种方式需要让我们重绘幅度保持在比较低的数值，不然这新生成的四张图中可能会出现新的人物。
[title]质朴发言：一文纵览文生图/文生视频技术发展路径与应用场景｜Z研究第1期[heading1]#一、主流文生图技术发展路径[heading2]1.1横向来看，文生图的主流技术路径可分为4类基于GAN（Generative Adversarial Network）1.1.发展阶段：2016年-2021年较火热，后续放缓，不再是主流方向1.2.原理：GAN由生成器和判别器构成，通过训练生成器和判别器来进行对抗学习，学习数据的分布，并生成新的数据样本。其中生成器试图生成与真实数据相似的样本，而判别器则试图区分生成的样本和真实样本（二分类问题）。生成器和判别器通过博弈论中的对抗过程进行训练，使得生成器不断改进生成的样本，直到判别器无法区分生成的样本和真实样本为止。1.3.代表模型：DF-GAN、StackGAN++、GoGAN、AttnGAN