S 市新开了一家“AI 快照影楼”，快门一按三秒出片，可照片上的脸经常翻车：新娘的脸像被墨渍晕开，新郎的眼睛一高一低，全家福里甚至有人五官错位。影楼老板只好请来老街的修图师傅“阿德”。阿德不重拍整张照片，而是先眯起眼睛找出坏掉的脸，再架上放大镜对准五官，用细毛笔一点一点补色，最后用晕染把修补处和周围融为一体——几分钟后，一张张清晰端正的肖像就交回到老板手上。这套手艺，正是 ADetailer 在 Stable Diffusion 里做的事：检测脸部、裁剪局部、重绘细节、融合回填。本文就用阿德的修图故事，带你装好、调好、用好这个插件。

岗位关联

掌握 ADetailer，是 AI 绘画从“能出图”到“出好图”的关键一跃。它能自动修复脸部崩坏，让肖像、模特图、头像批量产出稳定达标，是 AIGC 创作者和 AI 绘画工程师的必备技能。

目录
  1. 可视化演示
  2. 问题背景：为什么 AI 影楼老把脸拍坏
  3. 工作原理：修图师傅的四步绝活
  4. 安装配置：把阿德的工具台搭起来
  5. 参数调优：轻一点，还是重一点
  6. 模型选择：换一副好用的“眼睛”
  7. 最佳实践：老修图师的实战手册
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

通过检测修复流程、参数调优效果、多模型串联三个模式，展示ADetailer如何自动检测面部并进行Inpainting二次修复。

本节配有交互动效（进入视口后自动加载，约 3KB）。

检测修复四阶段流程 SD生成图像后YOLO检测面部区域生成蒙版再进行Inpainting修复 检测到面部后自动裁切放大修复再缩回原图保持整体风格一致 SD Gen → YOLO Detect → Mask → Inpainting ADetailer自动化检测修复流程解决SD脸部崩坏问题

问题背景：为什么 AI 影楼老把脸拍坏

影楼老板翻开相册，整卷照片八十张里有四十张脸是花的。阿德接过照片端详半天，很快说出了原因：这些“翻车脸”不是设备坏了，而是底片太小、脸太小。拍全身照时，模特的五官只占底片上绿豆大的一小块，摄影系统把注意力都花在构图和身体上了，轮到刻画眼睛、鼻子时，已经没有足够的“底片像素”了。

在 Stable Diffusion 的世界里，这种“脸崩坏了”通常表现为三种形态：脸部崩坏，整片肤色像被墨水晕开的调色板；五官扭曲，眼睛一高一低、鼻子歪斜；细节模糊，眉毛、嘴角糊成一团分不出轮廓。根本原因在于，人脸区域占整张图的比例太小，而扩散模型的分辨率（常见 512×512）和采样步数有限，注意力机制对细小区域关注不足。

阿德拍了拍老板的肩膀：“照片小，就得把脸放大来修。”——这正是 ADetailer 的出发点：不整张重拍，只对准脸，把有限的重绘能力全部花在刀刃上。

s=wf×hfW×Hs = \frac{w_f \times h_f}{W \times H}
这个公式计算的是人脸像素占整张图的比例。在 512×512 的出图里，人脸往往只有 40×40 像素左右，占比不到 1%，细节容量极低，稍微采样偏差就会崩。
  1. $w_f$ 人脸框宽检测器把人脸框成一个矩形，它的宽度就是 $w_f$，对应脸上从左到右的横向范围。在人脸检测任务中这个值通常从几十到一百多像素。
    wfw_f
  2. $h_f$ 人脸框高矩形的高度是 $h_f$，对应脸上从上到下的纵向范围，把脸的宽度和高度乘起来就得到脸占据的像素面积。
    hfh_f
  3. $W \times H$ 整图尺寸整张生成图的宽度和高度相乘，得到这张图的像素总数，比如 512×512 就是 262144 像素，这是分母，表示我们一共有多少“底片颗粒”可用。
    W×HW \times H
  4. $s$ 面积占比用脸的像素面积除以整图的像素面积，得到人脸占比。$s$ 越小，说明分给人脸的“底片颗粒”越少，脸就越容易修坏。
    s=wf×hfW×Hs = \frac{w_f \times h_f}{W \times H}

工作原理：修图师傅的四步绝活

阿德终于出手了。第一手，举起强光手电扫过整卷照片，把所有可疑的脸圈出来，这叫目标检测；第二手，架上放大镜把脸放大到占满整个工作台，这叫区域裁剪；第三手，用细毛笔蘸着颜料按原照的风格补上眼睛、鼻子、嘴，这叫局部重绘；第四手，用棉签轻轻晕染修补边缘，让补色区域和周围皮肤无缝衔接，这叫融合回填。

技术上，ADetailer 依赖两类模型合作：检测模型（如 face_yolov8）负责在整张图上输出人脸的边界框和置信度；Stable Diffusion 的局部重绘（img2img）管线负责在框内重绘。完整流程是：把生成好的图片送入 ADetailer → 检测器推理出人脸框 → 根据框生成蒙版（mask）→ 管线只在蒙版区域内做一次重绘采样 → 把重绘结果贴回原图。整张图的其他像素完全不动，所以照片的光线、构图、身体都不会被破坏。

这套“先检测再修复”的思路，和修图师傅“先找脸再补脸”一模一样。它保证了绝大多数像素原封不动，只有坏掉的区域被重画，所以整体风格和光线不会突变。

Iout=Iorig⊙(1−M)+Inew⊙MI_{\text{out}} = I_{\text{orig}} \odot (1 - M) + I_{\text{new}} \odot M
这是 ADetailer“融合回填”的数学表达：原图负责蒙版之外的区域，重绘结果负责蒙版之内的区域，两者按蒙版逐像素组合成最终图片。
  1. $I_{\text{orig}}$ 原图Stable Diffusion 生成后带着崩坏脸的原始图片。它的大部分内容（背景、身体、衣物）都是好的，只有脸部区域需要动刀。
    IorigI_{\text{orig}}
  2. $M$ 蒙版一张与图片等大的黑白掩膜，脸部区域值为 1、其余区域值为 0。它告诉重绘管线“只有这里需要动笔”，是 ADetailer 精准修复的关键。
    M∈{0,1}M \in \{0, 1\}
  3. $I_{\text{new}}$ 重绘结果局部重绘管线在蒙版区域内重新生成的脸部图像。由于采样带有随机性，$I_{\text{new}}$ 和原脸相比既可能变好也可能“变脸”，所以重绘幅度要克制。
    InewI_{\text{new}}
  4. $\odot$ 逐像素组合$I_{\text{orig}} \odot (1 - M)$ 保留所有非脸区域，$I_{\text{new}} \odot M$ 保留所有脸部区域，两者相加，就得到了“只有脸被换掉”的最终输出。
    Iout=Iorig⊙(1−M)+Inew⊙MI_{\text{out}} = I_{\text{orig}} \odot (1 - M) + I_{\text{new}} \odot M

安装配置：把阿德的工具台搭起来

阿德来到影楼，先要布置一间工作室：需要一面墙挂手电筒（检测模型）、一套画笔（重绘管线）、一张工作台（WebUI 界面）。好消息是，搭建这间“工作室”只需要在 Stable Diffusion WebUI 里点几下鼠标。

第一步，安装插件：打开 WebUI，进入“扩展（Extensions）”页面，选择“从网址安装”，填入官方仓库地址 https://github.com/Bing-su/adetailer，点击安装后重启 WebUI。第二步，下载检测模型：访问模型发布页或官方推荐链接，下载 face_yolov8n.pt、face_yolov8s.pt 等 .pt 文件，放到 stable-diffusion-webui/models/adetailer/ 目录下。第三步，启用插件：在 WebUI 底部找到“ADetailer“或”After Detailer”折叠面板，勾选启用，并选中刚才放进去的模型文件。

需要注意的是，插件本身不携带任何检测模型，模型必须手动下载，否则运行时就会报 "Could not find model" 之类错误。模型放错目录也不行——比如把 .pt 文件扔进 Lora 或 VAE 的文件夹，界面里照样看不到。依赖环境方面，ADetailer 需要 OpenCV 与 numpy，一般随 WebUI 的 Python 环境自动安装，无需额外处理。

工具台搭好之后，阿德挽起袖子，正式开始补脸。对新手来说，先别急着改参数，用默认配置跑一张，你会立刻看到脸部的变化。

参数调优：轻一点，还是重一点

阿德拿起了画笔，但笔力轻重很有讲究。太重，会把脸画成另一个人；太轻，原来的瑕疵还露在外面。ADetailer 里的 denoising（重绘幅度）就是这个“笔力”。

最核心的参数是 denoising strength，默认值是 0.4。它控制重绘时加入多少噪声、走多远的重绘步数：值越大，脸部被重新生成的程度越高，崩坏修得越干净，但也越容易变成“别人”；值越小越保守，适合原脸已经不错、只想轻度修复的场景。推荐的甜点区间是 0.2 到 0.4。其次是 Confidence Threshold（置信度阈值），默认 0.3，它决定检测器“多确信这是人脸才动手”：阈值太低会把墙壁花纹、衣服褶皱误检成脸，白修一场；阈值太高又会漏掉侧脸、小脸。第三是 Mask Expansion（蒙版扩张），默认 16 到 32 像素，它把重绘范围向脸部四周扩展，避免补过的地方和周围出现生硬接缝。此外，还可以在重绘阶段补充提示词，例如加入 "restored face, detailed eyes, natural skin" 等，让模型在补脸时更注意五官细节。

调参像烧菜放盐：盐太少没味道，盐太多齁嗓子。先用默认值跑一张，脸崩得厉害就提高到 0.5 左右；脸基本合格只差细节就降到 0.2。阿德说：“笔轻一点，人还是那个人。”

xt=αˉt x0+1−αˉt εx_t = \sqrt{\bar{\alpha}_t}\, x_0 + \sqrt{1 - \bar{\alpha}_t}\, \varepsilon
扩散模型的加噪公式。denoising 越大，重绘时走的步数越远，$x_t$ 里保留的原图信息越少、随机噪声越多，脸就越像“重新画”。
  1. $x_0$ 原图信息脸部区域原本的真实像素。重绘时它会作为起点，被逐步添加噪声，$x_0$ 保留越多，修复结果越像原来的脸。
    x0x_0
  2. $\bar{\alpha}_t$ 保留比例扩散模型在第 $t$ 步还保留多少原始信息的系数，$t$ 越大这个值越小，说明原图信息流失越多。
    αˉt∈(0,1]\bar{\alpha}_t \in (0, 1]
  3. $\varepsilon$ 随机噪声标准高斯噪声，它代表“重画”时注入的新随机素材。denoising 强度越高，$\varepsilon$ 的权重越大，生成的五官越“放飞”。
    ε∼N(0,I)\varepsilon \sim \mathcal{N}(0, I)
  4. $x_t$ 加噪图把原图信息和随机噪声按系数混合。ADetailer 用这个机制控制修复力度：想要像本人，就把 denoising 调低，让 $x_0$ 占主导。
    xt=αˉt x0+1−αˉt εx_t = \sqrt{\bar{\alpha}_t}\, x_0 + \sqrt{1 - \bar{\alpha}_t}\, \varepsilon

模型选择：换一副好用的“眼睛”

“工欲善其事，必先利其器。”阿德的工具箱里备着好几副放大镜：有的看得远、看得准，适合大活；有的轻便灵活，适合跑量；还有一副折叠旅行镜，方便但不适合盯细节。

ADetailer 的检测模型决定了“能不能找到脸、找得准不准”。最常用的是 Ultralytics 的 YOLO 系列：face_yolov8 是完整版，精度高、对侧脸和小脸更鲁棒，适合对画质要求高的单张精修；face_yolov8n 是轻量版（n 代表 nano），速度快、占显存小，批量出图时几乎不拖慢速度，是绝大多数场景的默认选择。此外还有 Google 的 mediapipe_face，它极度轻量、安装方便，但对小脸、遮挡和极端角度的脸容易漏检。除人脸外，同系列还有 hand_yolov8（手部）、person_yolov8（人体）等模型，用于修复手部、身体等其他易崩部位。

怎么选？日常批量出图用 face_yolov8n 最省心；单张精修、角度刁钻就换 face_yolov8；想在低配显卡上跑或者快速试验，可以试试 mediapipe。就像阿德出门修图：普通客户随手拿轻便放大镜，重要客户才上重型器材。

detectedifmax⁡cp(c)≥τ\text{detected} \quad \text{if} \quad \max_c p(c) \ge \tau
目标检测的判定条件：候选框里“是人脸”这个类别的最高概率，不低于置信度阈值 $\tau$ 时，才把它当作脸送去修复。
  1. $p(c)$ 类别概率检测器对每个候选框输出它属于“人脸、手、背景”等类别的概率，每个类别的得分都在 0 到 1 之间。
    p(c)p(c)
  2. $\max_c p(c)$ 最高分在所有类别里取最大的那个概率，它代表检测器对这个框内容的“信心”。信心越高，越可能是真的脸。
    max⁡cp(c)\max_c p(c)
  3. $\tau$ 阈值门槛只有当最高分不低于阈值 $\tau$ 时，该框才会进入修复流程。$\tau$ 调高会减少误检但容易漏掉侧脸，调低则相反。
    max⁡cp(c)≥τ\max_c p(c) \ge \tau

最佳实践：老修图师的实战手册

阿德工作台上贴着一张泛黄的实战手册，上面记着这些年踩过的坑和攒下的经验。第一条是“多人脸不怕，一框一个全修掉”：ADetailer 的检测器会标出图上所有脸，每一张都会自动进入修复流程，全家福也能一次搞定。

第二条是“脸太小先放大再修”：如果生成图里脸只有十几个像素，检测器很难找到，这时应该先开 Hires.fix 高清修复把图放大，再让 ADetailer 在放大后的图上修脸，五官会自然很多。第三条是“一串不够就串两串”：在 ADetailer 设置里可以配置多组检测模型，一组用 face 模型修脸，一组用 hand 模型修手，按顺序执行，半身像、全身像都能兼顾。第四条是“固定种子跑批次”：批量生成时保持随机种子固定，配合 ADetailer 自动修复，成片率能从六成提到九成以上。

针对疑难杂症，手册也有备录：侧脸、逆光脸检测不到，就降低置信度阈值到 0.2 左右；修复边界出现生硬色块，就增大蒙版扩张；眼部总是崩坏，可以先开 Hires.fix 放大，再单独跑一次眼部重绘。手册最后一行写着三句话：先让脸够大（分辨率），再让框够准（模型与阈值），最后让笔够稳（温和的 denoising）——这就是八成的实战心得。

阿德把修好的相册交还老板，老板翻了几页，一张张脸清晰端正，喜上眉梢。夕阳里，阿德收起放大镜，又接下了下一单活。

AI 应用场景

电商人像批量出图工作室

阶段：图像生成后处理（AIGC 后期）

解决的问题：网店模特图动辄几百张，传统做法是人工在 PS 里逐张修脸，单张耗时三五分钟，费时且效果不稳定。用 SD 批量出图后接入 ADetailer 自动检测修复，脸崩坏的图直接自动修补，成片率从 60% 提升到 95%，人工只需要抽检。

具体案例：某服装电商用 SD 生成 500 张模特图，ADetailer 自动修复后抽样质检，仅 12 张需要人工微调，整体交付时间从 3 天缩短到半天，大幅降低了模特拍摄和后期成本。

个人创作者头像与自媒体封面

阶段：生成质量控制

解决的问题：创作者用 SD 生成自拍感头像时，脸畸形是最大痛点，反复抽卡浪费时间。开启 ADetailer 后，不懂参数的新手也能用默认配置稳定产出五官清晰的头像。

具体案例：一位 B 站 up 主用同一底模生成系列栏目头像，开启 ADetailer 后五官清晰、神态稳定，粉丝评论“像换了个画师”，系列封面点击率提升明显。

Python 演示

python62 行
import numpy as np RNG = np.random.default_rng(7) def make_clean():    # 造一张干净脸: 浅色背景 + 椭圆肤色 + 眼睛 + 嘴巴    img = np.full((256, 256, 3), 255.0, dtype=np.float32)    yy, xx = np.mgrid[0:256, 0:256]    head = ((xx - 128) / 55.0) ** 2 + ((yy - 128) / 65.0) ** 2 <= 1    img[head] = [240, 210, 190]    for ex, ey in ((108, 110), (148, 110)):        img[(xx - ex) ** 2 + (yy - ey) ** 2 <= 30] = [40, 40, 60]    img[(xx - 128) ** 2 + (yy - 150) ** 2 <= 70] = [200, 80, 80]    return img def corrupt(img):    # 模拟脸部崩坏: 全局加噪 + 人脸区域额外加噪    bad = img + RNG.normal(0, 35, img.shape)    bad[72:168, 72:168] += RNG.normal(0, 25, (96, 96, 3))    return np.clip(bad, 0, 255) def blur(img, k=5):    # 简化的盒式模糊, 用来模拟重绘时的抹平效果    w = np.ones((1, k), dtype=np.float32) / k    out = np.apply_along_axis(lambda v: np.convolve(v, w[0], mode='same'), 1, img)    out = np.apply_along_axis(lambda v: np.convolve(v, w[0], mode='same'), 0, out)    return out def detect(conf):    # 模拟目标检测: 置信度 0.92 高于阈值则返回人脸框    return (72, 72, 168, 168) if 0.92 >= conf else None def run(denoise=0.45, conf=0.3, expand=4):    clean = make_clean()    bad = corrupt(clean)    box = detect(conf)    if box is None or denoise <= 0:        return clean, bad, bad    y1, x1, y2, x2 = box    y1, x1 = max(0, y1 - expand), max(0, x1 - expand)    y2, x2 = min(256, y2 + expand), min(256, x2 + expand)    region = bad[y1:y2, x1:x2].copy()    smooth = blur(region)    noise = RNG.normal(0, 60, region.shape) * denoise    painted = np.clip(smooth + noise, 0, 255) * 0.4 + smooth * 0.6    out = bad.copy()    out[y1:y2, x1:x2] = np.clip(painted, 0, 255)    return clean, bad, out def mae(a, b):    return round(float(np.abs(a - b).mean()), 2) def main():    clean, bad, fixed = run()    print('修复前脸部区域误差:', mae(bad[72:168, 72:168], clean[72:168, 72:168]))    print('修复后脸部区域误差:', mae(fixed[72:168, 72:168], clean[72:168, 72:168]))    for d in (0.0, 0.2, 0.45, 0.8):        _, _, out = run(denoise=d)        print('denoise=%.2f 脸部误差:' % d, mae(out[72:168, 72:168], clean[72:168, 72:168])) if __name__ == '__main__':    main()
目的：用 numpy 从零模拟 ADetailer 的“检测-裁剪-重绘-融合”四步流程，并对比不同 denoising 强度下的修复效果。
  1. head = ((xx - 128) / 55.0) ** 2 + ((yy - 128) / 65.0) ** 2 <= 1用椭圆方程生成干净的脸型区域
  2. bad[72:168, 72:168] += RNG.normal(...)在脸部区域额外加噪，模拟“崩坏的脸”
  3. def detect(conf)模拟目标检测器：置信度高于阈值才返回人脸框
  4. y1, x1 = max(0, y1 - expand), max(0, x1 - expand)模拟蒙版扩张，把修复范围向脸周扩展
  5. noise = RNG.normal(0, 60, region.shape) * denoisedenoise 决定注入噪声的强度，对应“笔力”
  6. out[y1:y2, x1:x2] = np.clip(painted, 0, 255)把重绘结果贴回原图，完成融合回填
  7. for d in (0.0, 0.2, 0.45, 0.8)扫描不同重绘幅度，观察“太轻”与“太重”的误差变化

常见误区

误区“我装了 ADetailer，为什么整张图还是模糊的？它不就是让图片变清晰的吗？”

正解ADetailer 不是超分辨率工具，它只对检测到的脸部区域做局部重绘。想让整张图变清晰，要开 Hires.fix 或使用额外的高清放大模型；ADetailer 负责“脸好不好看”，不负责“整图清不清晰”。就像修图师傅只负责补脸，不负责把整张照片重新洗印一遍。

为何常见：因为修复后脸部确实变清晰了，很容易让人误以为它提升了整张图的画质。

误区“脸崩得厉害就把 denoising 拉到 0.9，反正重画一遍肯定干净。”

正解denoising 越大，脸部越接近“完全重新生成”，和原图的光线、角度、人物相似度会断崖式下降，出现“换了一张脸”的违和感。0.2 到 0.4 是甜点区间；脸崩得很厉害时，更好的做法是先提高生成分辨率，或换更强的检测模型，而不是一味拉高重绘幅度。

为何常见：直觉上认为“力度越大效果越强”，忽略了局部重绘的本质是随机采样，噪声占比过高就会丢失人物特征。

误区“插件明明装好了，为什么一运行就报错说找不到模型？是不是 WebUI 坏了？”

正解ADetailer 插件和检测模型是两回事。.pt 模型文件必须手动下载，并放到 models/adetailer 目录下，文件名、后缀、路径都不能出错。插件只是“工具台”，模型才是“放大镜”，两者缺一不可。

为何常见：大多数 SD 扩展装上即用，ADetailer 却需要额外下载模型，超出了用户对“装插件”的固有预期。

误区“我手也画崩了，ADetailer 帮不上忙，只能重新抽卡。”

正解ADetailer 是一个“通用检测 + 局部重绘”框架，脸只是最常见的应用。它支持多种检测模型：hand_yolov8 修复手部、person_yolov8 修复人体，还能配置多段 ADetailer 串联，先修脸再修手，全身像也能稳定出图。

为何常见：插件界面里默认加载的都是人脸模型，名字里又带着 face/detailer，让人误以为它的能力边界只在脸上。

面试题

Q1. ADetailer 主要用于解决 SD 生成图片的哪类问题？

单选题 · easy

  • A.脸部崩坏细节模糊← 正确答案
  • B.背景过于杂乱无章
  • C.整体曝光过度发白
  • D.全局色彩严重失真

答案：A。ADetailer 的核心能力是通过检测定位脸部区域并局部重绘，专门解决脸部崩坏、五官扭曲、细节模糊等脸部质量问题。背景杂乱、曝光或色彩问题属于其他后处理工具的范畴，就像修图师傅只补脸，不负责调色。

Q2. ADetailer 修复脸部的第一个关键步骤是什么？

单选题 · easy

  • A.直接用目标检测锁定人脸← 正确答案
  • B.先对整张图做重绘降噪
  • C.先把图片分辨率放大
  • D.先调整图片的色彩饱和度

答案：A。ADetailer 的流程是“先检测、再修复”，目标检测输出人脸框和置信度，后续的裁剪、重绘、融合都依赖这个框。直接整图重绘会破坏背景，放大和调色都不是修复脸部的必要前置步骤。

Q3. ADetailer 的检测模型文件默认应放在哪个目录？

单选题 · mid

  • A.models/adetailer 目录下← 正确答案
  • B.models/Stable-diffusion
  • C.models/Lora 模型目录
  • D.放到任意一个位置即可

答案：A。ADetailer 会固定从 stable-diffusion-webui/models/adetailer/ 目录读取 .pt 检测模型。放在其他目录即使路径存在也不会被识别，就像放大镜必须挂在工具台的指定挂钩上，放错位置就找不到。

Q4. 面部修复时 denoising（重绘幅度）推荐的甜点区间是？

单选题 · mid

  • A.0.1 以下几乎不改脸
  • B.0.85 重绘幅度太高
  • C.0.2 到 0.4 温和修复← 正确答案
  • D.拉到 1.0 完全重画脸

答案：C。denoising 过低（0.1 以下）几乎等于没修，过高（0.85、1.0）会把脸重画成另一个人。0.2 到 0.4 能让修复保留原脸特征的同事清除崩坏，符合“笔轻一点，人还是那个人”的原则。

Q5. 关于 ADetailer 的检测模型，下列说法正确的是？

多选题 · mid

  • A.face_yolov8 系列专用于人脸检测← 正确答案
  • B.mediapipe 也能用于人脸检测← 正确答案
  • C.检测模型决定脸部画质上限
  • D.模型文件可以放到任意位置

答案：AB。face_yolov8 和 mediapipe 都是 ADetailer 支持的人脸检测模型。但检测模型只负责“找到脸、框得准”，脸部画质上限由 SD 底模、重绘管线和参数决定，所以 C 错；模型必须放在指定目录，D 也错。

Q6. 为什么低分辨率生成时脸部更容易崩坏？

单选题 · mid

  • A.人脸像素占比小细节易丢失← 正确答案
  • B.采样器不认识人的脸结构
  • C.图片色彩空间设置错误导致
  • D.生成插件之间产生冲突导致

答案：A。在 512×512 的出图中，人脸往往只占几十像素见方的小区域，细节容量极低，采样稍有偏差就会崩坏。这就像小尺寸合影里人脸只有绿豆大，摄影师很难把五官拍清楚，而不是相机“不认识脸”。

Q7. 蒙版扩张（Mask Expansion）参数的主要作用是什么？

单选题 · mid

  • A.扩大重绘范围覆盖脸周← 正确答案
  • B.增大输出图片的最终分辨率
  • C.提升检测模型的推理速度
  • D.改变采样器的步数参数

答案：A。蒙版扩张把重绘区域向脸部四周扩展若干像素，让补色的边缘和周围皮肤自然过渡，避免出现生硬接缝。它不改变分辨率、速度和采样步数，只是把“画布”向外延了一圈。

Q8. 关于“高清修复（Hires.fix）后再使用 ADetailer”，说法正确的是？

多选题 · hard

  • A.放大后脸部细节更清晰← 正确答案
  • B.放大后可以调低重绘幅度← 正确答案
  • C.两者先后顺序对结果没有影响
  • D.ADetailer 会再次放大一次图片

答案：AB。先 Hires.fix 放大，脸部的像素更多，ADetailer 检测更准、修复后的五官更自然，同时因为底子更好了，denoising 可以适当调低。顺序当然有影响，ADetailer 本身不放大图片，所以 C、D 错。

Q9. ADetailer 融合回填阶段所用的蒙版（Mask）来自哪里？

单选题 · extreme

  • A.由检测框后处理生成← 正确答案
  • B.需要用户手动涂抹蒙版
  • C.每次随机生成一张蒙版
  • D.由原图直方图统计生成

答案：A。ADetailer 检测器输出人脸边界框后，插件内部把框转换为蒙版，再经蒙版扩张等后处理，得到最终参与融合的 mask。全程自动，无需手涂、不靠随机、与直方图无关，这正是“检测是眼、蒙版是手术刀”的体现。

Q10. 下列哪些做法能提升批量出图的面部质量？

多选题 · easy

  • A.串联两段 ADetailer 修复← 正确答案
  • B.固定种子并对比微调参数← 正确答案
  • C.关闭检测直接批量出图
  • D.适当降低重绘幅度保持像← 正确答案

答案：ABD。多段 ADetailer 可以同时修脸和手，固定种子便于复现和调参，降低 denoising 能保持人物相似度。关闭检测等于让 ADetailer 完全失效，批量出图没有了面部守护，C 明显错误。