以下是一些可用于图像修复变高清的工具和方法：
整个图像修复放大的流程分为三部分：输入原始图像、修复图像、放大并重绘图像。下面将详细拆解每一部分的生成原理。[heading3]一、图像输入[content]第一部分添加Load Image节点加载图像，只需上传需要处理的图片即可。不建议上传大分辨率的图片，图片分辨率越大，处理的时间就越长。[heading3]二、图像高清修复[content]第二部分进行高清修复，把原本模糊的图片修复，并进行2倍放大。Checkpoint大模型使用Iceclear/StableSR，这是一种新颖的方法来利用封装在预先训练的文本到图像扩散模型中的先验知识来实现盲超分辨率（SR）。具体来说，就是通过时间感知编码器，在不改变预先训练的合成模型的情况下实现有希望的恢复结果，从而保留生成先验并最小化训练成本。并且需要搭配Stable SR Upscaler模型才能在最大程度上修复图像，推理图片每个噪点，以还原图像。提示词部分应包含我们想要达到的目的内容，在此场景中如正向：（masterpiece），（best quality），（realistic），（very clear），反向：3d，cartoon，anime，sketches，（worst quality），（low quality）（杰作），（最高品质），（逼真的），（非常清晰）；3D，卡通，动漫，素描，（最差质量），（低质量）全程采取两次高清修复，这一次修复原始图像分辨率并且放大，已经很完美还原，但是分辨率并不够，继续进行下一步。[heading3]三、图像高清放大[content]这一步主要针对第一次放大修复后的图像，进行二次修复。这里用realisticVision底膜最合适，这个模型在重绘扩图放大等领域效果非常好。使用提示词反推node对图像进行画面提示词提取，搭配tile ControlNet提升画面细节感，然后需用合适的高清放大模型，对图像进行二次放大。
点击生成器下方的切换按钮进行切换|与入门模式相比增加了|高级模式框架||-|-||基础模型：允许使用更多的微调大模型<br><br>图片参考：允许使用更多的图像控制功能<br>星流基础大模型下，增加了tile分块与softedge线稿<br><br>切换不同的系列的基础模型可以使用与之配套的图像控制功能<br>基础模型F.1<br><br>基础模型XL<br><br>基础模型1.5<br><br>高清分辨率修复：利用算法对初步生成的图像进行简单的图生图高清放大（目前仅支持基础模型xl和1.5模型）<br><br>放大算法：影响图像放大后的图像质量，建议默认即可<br>重绘幅度：与初步生成的图像的相似度<br>其他参数默认即可<br>参数：允许调整更多的高级参数<br><br>采样器：采样方法决定了模型在生成图像过程中的出图质量，有些采样器在细节处理上表现更佳比如DPM++2M，而有些则在生成速度上更快，比如Euler。<br>采样步数：一般来说，步数越多，模型对图像的生成和优化越充分，但同时也会增加生成时间。<br>随机种子：文生图的随机数种子是一个用于生成过程的整数值。通过设置相同的随机数种子，可以确保在相同的参数配置下生成相同的图像。<br>CFG Scale：控制生成图像与提示词一致性的重要参数。<br>脸部/手部修复：利用算法对人像的脸部或者手部进行修复<br>||
CFG Scale（提示词相关性）图像与你的提示的匹配程度。增加这个值将导致图像更接近你的提示，但它也在一定程度上降低了图像质量。可以用更多的采样步骤来抵消。过高的CFG Scale体现为粗犷的线条和过锐化的图像。一般开到7~11。CFG Scale与采样器之间的关系：生成批次每次生成图像的组数。一次运行生成图像的数量为“批次*批次数量”。每批数量同时生成多少个图像。增加这个值可以提高性能，但也需要更多的显存。大的Batch Size需要消耗巨量显存。若没有超过12G的显存，请保持为1。尺寸指定图像的长宽。出图尺寸太宽时，图中可能会出现多个主体。1024之上的尺寸可能会出现不理想的结果，推荐使用小尺寸分辨率+高清修复（Hires fix)。种子种子决定模型在生成图片时涉及的所有随机性，它初始化了Diffusion算法起点的初始值。理论上，在应用完全相同参数（如Step、CFG、Seed、prompts）的情况下，生产的图片应当完全相同。高清修复通过勾选"Highres.fix"来启用。默认情况下，文生图在高分辨率下会生成非常混沌的图像。如果使用高清修复，会型首先按照指定的尺寸生成一张图片，然后通过放大算法将图片分辨率扩大，以实现高清大图效果。最终尺寸为（原分辨率*缩放系数Upscale by)。