想象一下，街角有位画家小蔡。他的招牌手艺是：先花 30 秒给路人画一张巴掌大的速写小样——五官位置挺准，线条却潦草。如果顾客说“不错，能放大裱起来吗？”小蔡会怎么做？如果他直接用复印机把小样放大，出来的画又糊又脏——这就像某些“图片放大工具”做的事。真正的高手会怎么做？他会把小样贴在画架旁，换一张大画布，照着样稿的神韵重新描一遍：眉骨的弧度、鼻梁的光影，一笔一笔补出细节。这个过程，就是 AI 绘画里的 Hires.fix（高分辨率修复）。 Hires.fix 拆开看是两件事：一是 “Hires“（高分辨率），二是 ”fix“（修复）。AI 先在低分辨率（如 512×512）画一张小图——相当于速写小样，确认构图、人物姿态、色彩搭配都没问题；然后 Hires.fix 接管：按你设定的倍数放大画布，再用一个叫”重绘幅度“的旋钮控制小蔡”自由发挥“的力度，把模糊的边缘变成清晰的发丝、布料纹理。最妙的是，这一步并不会把原构图推倒重来，而是像修复师对待古画一样：保留神韵，填补岁月磨掉的细节。你可以把它理解成一次装修：先有户型图（小图），放大画布（找大房子），保留承重墙（构图），但把墙面、地板、家具全部更新一遍。装修力度太大，房子就变了个样；力度太小，只是把旧家具搬进大房子，空空荡荡。这篇教程，就是帮你找到那个恰到好处的”装修力度”。

岗位关联

学会 Hires.fix，意味着你能稳定输出可印刷级的 AI 高清作品，这是从“能出图”到“能交付”的分水岭。无论你是设计师、电商美工还是游戏原画师，它都能让你的作品经得起放大检验，满足印刷、主图、立绘等商业场景的硬指标。

目录
  1. 可视化演示
  2. 原理认知——为什么AI也要“先打草稿”
  3. 放大算法——小蔡工具箱里的“画笔”
  4. 关键参数——控制“自由发挥”的旋钮
  5. WebUI实操——把小蔡请进你的工作台
  6. 应用场景——哪些客户需要“装裱”服务
  7. 常见坑点——避开“翻车现场”
  8. 进阶技巧——从“合格”到“惊艳”
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

动态演示Hires.fix高清修复的核心机制，通过全局/局部/动态/静态四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Hires.fix高清修复：Hire Hires.fix高清修复原理 放大算法选择与Latent空间 核心机制可视化 Hires.fix高清修复整体架构与关键组件

原理认知——为什么AI也要“先打草稿”

小蔡的速写技法，本质是“低成本试错”。直接在大画布上落笔，一旦人物姿态画歪，一天的功夫全白费。所以他先用 30 秒在小本子上画速写，确认比例、动态没问题，再上大画布。AI 生成图片也面临同样的尴尬：Stable Diffusion 的分母——一个叫 U-Net 的神经网络——主要是在 512×512 左右的尺度上训练的。强行让它直接生成 1024×1536 的大图，注意力机制会在长距离上“失焦”，常见的翻车表现是一张脸长三只眼睛、一排人出现六条腿。

Hires.fix 把“先草图后精修”变成了自动化流程。第一阶段和普通文生图完全一样：输入提示词，输出一张低分辨率小图。第二阶段，Hires.fix 把你指定的放大倍数代入，先把小图的“潜在表示”（Latent，可以理解为图像被压缩后的抽象特征）在潜空间里放大到目标尺寸，然后以小于 1 的“重绘幅度”继续采样——这等于让小蔡看着速写、在大画布上重画，但提醒他“别太自由，构图要照着小样来”。

原来如此——一个公式浓缩了“先速写、再放大”的全部秘密。理解了这一点，你就抓住了 Hires.fix 的第一性原理：它不是在“拉伸”图像，而是在“重绘”图像。

Hfinal=Hbase×s\displaystyle H_{\text{final}} = H_{\text{base}} \times s
通俗理解：最终成图高度 = 草稿高度 × 放大倍数。2 倍放大，512 就能变 1024。
  1. \(H_{\text{base}}\)——基础图高度第一阶段小图的高度，单位是像素。它是整幅画面的骨架，相当于速写本上草稿的高。
    Hbase=512H_{\text{base}} = 512
  2. \(s\)——放大倍数Hires.fix 参数面板里的 Upscale 倍数，长宽同时缩放，2 就表示每边变为原来的两倍。
    s=2s = 2
  3. \(H_{\text{final}}\)——最终高度第二阶段修复后的大图高度，宽度同理。基础高 512、倍数 2，最终高就是 1024。
    Hfinal=512×2=1024H_{\text{final}} = 512 \times 2 = 1024

放大算法——小蔡工具箱里的“画笔”

小蔡的工具箱里，不同的工具决定细节的丰富度。只用复印机（简单插值），放大后全是马赛克；用投影仪描线（Latent 放大），速度快但有涂抹感；用 AI 助手（ESRGAN），能脑补出毛孔和发丝。这几种“画笔”就是 Hires.fix 里的放大算法（Upscaler）。

在 WebUI 的 "Upscaler" 下拉菜单中，常见选项各有性格：

  • Latent（潜空间放大）：在 Latent 层做插值，然后继续去噪，与 Stable Diffusion 原生管线配合最自然，速度较快。
  • ESRGAN 系（如 Real-ESRGAN 4x+）：独立的超分模型，见过大量真实照片，会主动“脑补”出高频纹理，适合人像和风景。
  • SwinIR 系：基于 Transformer 架构的超分模型，线条和结构更稳定，适合建筑、文字边缘。
  • 像素插值（最近邻/双线性/双三次）：纯数学拉伸，几乎不增加信息，只作为“画布放大”使用，细节最终靠重绘补充。

无论选哪种画笔，放大后要处理的像素量都按平方增长：

选择画笔的智慧在于：不是越高级越好，而是配合纸张（用途）和手劲（重绘幅度）。普通屏幕壁纸用 Latent 放大已足够，印刷级海报才值得动用 ESRGAN。

Pout=Pin×s2\displaystyle P_{\text{out}} = P_{\text{in}} \times s^2
通俗理解：长宽各放大 2 倍，像素总数变 4 倍。多出来的 3/4 像素，正是需要“脑补”的空间。
  1. \(P_{\text{in}}\)——输入像素数小图的像素总量，512×512 的图就是 262144 个像素。
    Pin=512×512=262144P_{\text{in}} = 512 \times 512 = 262144
  2. \(s^2\)——放大倍数的平方长和宽各自乘以 s，面积就要乘以 s²，2 倍放大时面积是 4 倍。
    s2=22=4s^2 = 2^2 = 4
  3. \(P_{\text{out}}\)——输出像素数放大后需要填充的总像素数。多出来的像素就是“想象空间”。
    Pout=262144×4=1048576P_{\text{out}} = 262144 \times 4 = 1048576

关键参数——控制“自由发挥”的旋钮

小蔡的画笔再高级，也怕“手劲”失控。于是他的画室里有个旋钮，上面写着“自由发挥度”：拧到 0，他完全照着草稿描线，结果只是放大了线条，毫无新细节；拧到 1，他放飞自我，画出来的跟草稿判若两人。Hires.fix 里的这个旋钮，就是重绘幅度（Denoising Strength，降噪强度）。

  • 放大倍数（Upscale Rate）：1.5~2 倍是甜点区。4 倍以上的一步放大极易崩坏。
  • 重绘幅度（Denoising Strength）：0.5~0.7 是绝大多数场景的推荐区间。人像可偏高一点补皮肤纹理，建筑偏低一点保结构线条。
  • 重绘步数（Hires steps）：第二阶段实际执行的去噪步数，通常 15~30 步足够。
  • 采样器协同：先沿用第一阶段采样器，避免风格突变。步数配比遵循下面的关系：

参数之间不是孤立的，它们共同决定“小蔡画风”：倍数决定画布大小，幅度决定自由度，步数决定工时。三者的平衡，才是 Hires.fix 调参的精髓。

Nredraw=⌈strength×Ntotal⌉\displaystyle N_{\text{redraw}} = \lceil \text{strength} \times N_{\text{total}} \rceil
通俗理解：实际用来“精修”的步数 = 重绘幅度 × 总步数，向上取整。幅度 0.6、总步数 20，就会重绘 12 步。
  1. strength——重绘幅度0 到 1 之间的小数，控制改动程度，相当于旋钮拧到的角度。
    strength=0.6\text{strength} = 0.6
  2. \(N_{\text{total}}\)——总采样步数Hires.fix 阶段设定的采样总步数，相当于精修的总工时。
    Ntotal=20N_{\text{total}} = 20
  3. \(N_{\text{redraw}}\)——重绘步数实际用于补充细节的步数。0.6×20=12，向上取整仍是 12。幅度越大，步数越多，改动越激进。
    Nredraw=⌈0.6×20⌉=12N_{\text{redraw}} = \lceil 0.6 \times 20 \rceil = 12

WebUI实操——把小蔡请进你的工作台

既然知道了小蔡的手法，不妨走进他的工作台看看。以最常用的 Automatic1111 WebUI 为例，Hires.fix 藏在文生图（txt2img）页面的下半部，一个“高分辨率修复”的复选框。勾选后，隐藏面板就会展开，你看到的正是前面学过的那些参数：Upscaler 下拉框、放大倍数滑块、重绘幅度滑块、重绘步数输入框。

实际操作有个小窍门：先关掉 Hires.fix，用较低步数快速生成几张 512 小图，确定构图和 Seed 之后，再勾选 Hires.fix 做正式输出。放大重绘是一次昂贵的精修，没必要反复试错。另一个实用技巧是，如果目标分辨率超过 2048，显存容易告急，可以开启 Tiled VAE（分块 VAE），把显存占用变成“分期付款”——一次只需处理一个瓦片大小的区域。

先小后大不是没有代价，第二阶段的计算量随面积增长：

心里有这笔账，你就知道什么时候该放大、什么时候该收手。屏幕浏览 512 足矣，非印刷品不必每次都开两倍。

Tfine=Tbase×s2×NredrawNtotal\displaystyle T_{\text{fine}} = T_{\text{base}} \times s^2 \times \frac{N_{\text{redraw}}}{N_{\text{total}}}
通俗理解：精修耗时 ≈ 小图耗时 × 面积倍数 × 重绘步数占比。面积越大、幅度越高，等待越久。
  1. \(T_{\text{base}}\)——基础耗时第一阶段生成小图的耗时，相当于打草稿的时间。
    Tbase=2秒T_{\text{base}} = 2\text{秒}
  2. \(s^2\)——面积放大倍数放大 2 倍后，像素面积是 4 倍，每一步要处理的量也约是 4 倍。
    s2=4s^2 = 4
  3. \(\frac{N_{\text{redraw}}}{N_{\text{total}}}\)——重绘步数占比实际重绘步数占总步数的比例。幅度 0.5、总步数 20，占比就是 10/20=0.5。
    NredrawNtotal=1020=0.5\frac{N_{\text{redraw}}}{N_{\text{total}}} = \frac{10}{20} = 0.5
  4. \(T_{\text{fine}}\)——精修耗时代入可得第二阶段预计耗时。例子中约等于基础耗时的 2 倍。
    Tfine=2×4×0.5=4秒T_{\text{fine}} = 2 \times 4 \times 0.5 = 4\text{秒}

应用场景——哪些客户需要“装裱”服务

什么样的客人会请小蔡画大幅肖像？答案是“要装裱上墙”的人。AI 绘画也一样——当作品要脱离屏幕、走向印刷物时，清晰度就不再是玄学，而是硬指标。印刷行业有个底线标准叫 DPI（每英寸像素数），杂志内页通常要求 300 DPI。

  • 品牌海报：A3 海报打印宽度约 11.7 英寸，要 300 DPI 就得有 3510 像素宽。SD 默认 512 宽度差得远，必须上 Hires.fix。
  • 电商主图：平台虽然限宽 1000px，但细节密集的产品图（手表表盘、布料纹理）如果从 512 拉伸上来全是噪点，Hires.fix 的重绘能救回质感。
  • 游戏立绘：角色立绘经常需要从概念图放大到高清柜图，Hires.fix 配合低重绘幅度保持脸型不变。
  • 老照片修复：先把低清照片用超分放大，再用 Hires.fix 的重绘能力“还原”细节，是 AI 修图师的常用流水线。

计算方法很简单：

下次客户问“能印多大”，你就能立刻反推：先定 DPI 底线，再算需要多大像素，最后选 Hires.fix 倍数。这就是把 AI 绘画从“屏幕玩具”升级为“印刷车间”的换算公式。

DPI=Wpixelswidthinch\displaystyle \text{DPI} = \frac{W_{\text{pixels}}}{\text{width}_{\text{inch}}}
通俗理解：DPI 就是每英寸里塞多少颗粒子。印刷要求每英寸至少 300 个像素点。
  1. \(W_{\text{pixels}}\)——像素宽度输出图的横向像素数，由 Hires.fix 的倍数决定。
    Wpixels=300×11.7=3510W_{\text{pixels}} = 300 \times 11.7 = 3510
  2. \(\text{width}_{\text{inch}}\)——印刷宽度纸面的宽度，单位是英寸（1 英寸 = 2.54 厘米）。
    widthinch=11.7\text{width}_{\text{inch}} = 11.7
  3. DPI——每英寸像素数两者相除得到清晰度指标。低于 300，印刷品就会出现肉眼可见的锯齿。
    DPI=351011.7=300\text{DPI} = \frac{3510}{11.7} = 300

常见坑点——避开“翻车现场”

小蔡也不是没翻过车。有次顾客要放大草稿，他一时兴起，大刀阔斧改了光影，结果顾客说“这不是我要的画”。这就是重绘幅度过高的经典事故。Hires.fix 的常见坑，几乎都能归因于一个失衡：幅度 × 倍数 × 步数，三者跑出了安全区。

  • 构图漂移：重绘幅度拉到 0.85 以上，人像可能换了一张脸，建筑可能换了格局。幅度越高，小蔡越自由。
  • 一步放大过多：直接在 512 上开 4 倍，U-Net 要凭空想象 3/4 的像素，崩坏概率暴增。
  • 显存溢出：1024×1024 的 Latent 加各种 buffer，8G 显存容易当场退出。
  • 二次放大“油画脸”：同一张图反复开 Hires.fix，皮肤被多次平均，变成磨皮过度的塑料质感。
  • 多物体场景局部崩坏：人脸、手指在放大重绘时最容易出现“指头增殖”。

这些坑背后有个共性规律：

避开这些坑的方法，其实就是中庸之道：幅度取中，倍数求稳，步数够用即可。小蔡的速写功底再强，也得尊重物理规律。

Stotal=S1×S2×⋯×Sk\displaystyle S_{\text{total}} = S_1 \times S_2 \times \cdots \times S_k
通俗理解：总放大倍数 = 每一步倍数的乘积。目标 4 倍，可以拆成 2×2 分两次做，而不是一步 4 倍。
  1. \(S_1, S_2, \dots, S_k\)——各步放大倍数每次 Hires.fix 或外部超分放大用到的倍数，例如第一步 2 倍、第二步 2 倍。
    S1=2,S2=2S_1 = 2,\quad S_2 = 2
  2. \(S_{\text{total}}\)——总放大倍数连续相乘得到的总倍数，2×2=4。
    Stotal=2×2=4S_{\text{total}} = 2 \times 2 = 4
  3. 拆分原则让每一步都避开“一步 4 倍”的雷区，每步控制在 1.5~2 倍之间，质量会稳得多。
    Stotal=1.5×1.5×1.78≈4S_{\text{total}} = 1.5 \times 1.5 \times 1.78 \approx 4

进阶技巧——从“合格”到“惊艳”

小蔡成为街角一绝，靠的不只是基本功，还有几个“外挂”：他会给顾客拍照留存方便二次对比；会在墙上弹辅助线；会在关键位置偷偷打格。对应到 Hires.fix，这些外挂是：

  • 固定 Seed 做 A/B 对比：同一 Seed 下只改一个参数，你能看清每个参数的真实贡献。这是最便宜的调参方法论。
  • 局部重绘：如果只有脸部需要修复，用蒙版配合低重绘幅度只修脸部，其他地方不动，省显存且稳定。
  • ControlNet 配合：在放大时挂上 Canny 边缘或 OpenPose 姿态约束，等于给小蔡钉了“辅助线”，脸型、姿势想跑都跑不掉。
  • Tiled Diffusion（分块放大）：超过 2048 的超大图，把图切成多个块分别走 Hires.fix，最后拼合，显存压力大减。
  • 负面提示词：加 "oversaturated, plastic skin, artifacts" 等词，抑制放大重绘时出现的塑料感。

分块放大的拼接逻辑，可以概括为：

到这一步，你已经掌握了从小图到大图、从粗糙到精致的完整链路。小蔡的速写摊经营哲学，其实和你调 Hires.fix 别无二致：先稳住构图，再大胆补细节；工具要趁手，手劲要克制。

Wtotal=∑i=1kWtile,i\displaystyle W_{\text{total}} = \sum_{i=1}^{k} W_{\text{tile},i}
通俗理解：整图宽度 = 所有分块宽度相加。分块各修各的，拼起来还是完整大图。
  1. \(W_{\text{tile},i}\)——第 i 个分块宽度某一块图像内容的像素宽度。
    Wtile,i=1024W_{\text{tile},i} = 1024
  2. \(k\)——分块总数把画布切成的块数，例如 4 块。
    k=4k = 4
  3. \(W_{\text{total}}\)——总宽度分块拼接后的完整宽度，前提是每块独立修复时的参数一致、边缘重叠合理。
    Wtotal=1024×4=4096W_{\text{total}} = 1024 \times 4 = 4096

AI 应用场景

品牌海报印刷输出

阶段：图像生成与高清化

解决的问题：AI 生成的 512 尺寸概念图在屏幕上看着不错，一旦排版到 A3 海报上就糊成一片。传统做法是设计师手动磨皮、加纹理，耗时长且不自然；Hires.fix 在采样过程中协同文本提示词补细节，直接输出印刷级大图。

具体案例：某设计师为咖啡品牌做户外 A 型海报。先用 SD 生成 512×768 概念图，开启 Hires.fix 2 倍到 1024×1536，再用 Real-ESRGAN 做第二轮 2 倍到 2048×3072，交给印刷厂无需返工。全程只改了参数，没有手绘补笔。

电商产品主图质感修复

阶段：图像修复与增强

解决的问题：产品拍摄素材只有 640px，撑不起 1000×1000 的主图。直接拉伸后，表盘纹理全是噪点；用 Hires.fix 以 0.5 的低重绘幅度修复，既保留产品结构，又能补出真实的金属反光和织物纹理。

具体案例：某电商美工对手表主图做高清化：先小图生成，再 Hires.fix 2 倍放大，重绘幅度 0.55，输出后产品轮廓分毫未动，表盘刻度边缘却锐利了许多，点击放大的买家体验明显提升。

游戏立绘资产高清化

阶段：内容生产与资产管理

解决的问题：概念图确立后，需要复用为高清立绘，但直接放大会让线条发虚。Hires.fix 配合 ControlNet 姿态约束，在放大重绘时保持角色脸型和动作不变，批量产出统一风格的高清资产。

具体案例：某独立游戏团队用 SD 生成角色概念图后，统一开启 Hires.fix 2 倍 + OpenPose 控制，将一批立绘从 768 放大到 1536，角色一致性大幅提升，并直接进入 UI 界面切图流程。

Python 演示

python34 行
import torchfrom PIL import Imagefrom diffusers import StableDiffusionPipeline, StableDiffusionImg2ImgPipeline MODEL_ID = "runwayml/stable-diffusion-v1-5"PROMPT = "a cute corgi dog, portrait, soft lighting, highly detailed"STRENGTH = 0.55  # 重绘幅度: 控制与原图的相似度SCALE = 2        # 放大倍数: 长宽各放大2倍  def main():    # 第一阶段: 普通文生图, 生成 512x512 小图(速写草稿)    sd = StableDiffusionPipeline.from_pretrained(        MODEL_ID, torch_dtype=torch.float16    ).to("cuda")    small = sd(PROMPT, width=512, height=512,               num_inference_steps=25).images[0]    small.save("sketch_small.png")    print(f"[1/2] 小图已生成: {small.size}")     # 第二阶段: Hires.fix 思路 = 放大画布 + 低强度重绘    hr = StableDiffusionImg2ImgPipeline.from_pretrained(        MODEL_ID, torch_dtype=torch.float16    ).to("cuda")    w, h = int(small.width * SCALE), int(small.height * SCALE)    canvas = small.resize((w, h), Image.LANCZOS)  # 先放大画布    big = hr(PROMPT, image=canvas, strength=STRENGTH,             num_inference_steps=30).images[0]    big.save("hires_fix_big.png")    print(f"[2/2] 高清图已生成: {big.size}")  if __name__ == "__main__":    main()
目的：用 diffusers 库还原 Hires.fix 的两阶段思路——先文生图出小图，再放大画布做低强度 img2img 重绘，补充高频细节。
  1. small = sd(PROMPT, width=512, height=512, num_inference_steps=25).images[0]第一阶段和普通文生图完全一样，先生成 512 小图，相当于小蔡的速写草稿。
  2. canvas = small.resize((w, h), Image.LANCZOS)先把小图画布放大到目标尺寸，注意这只是“铺画布”，还没有新细节。
  3. big = hr(PROMPT, image=canvas, strength=STRENGTH, num_inference_steps=30).images[0]用 img2img 管线以 0.55 的重绘幅度做二次采样，这就是 Hires.fix 的灵魂：保留构图、补充细节。
  4. STRENGTH = 0.55重绘幅度取中间值，避免构图漂移，也避免纯拉伸无细节。
  5. SCALE = 2放大倍数取 2 倍甜点区，显存压力和崩坏风险都可控。

常见误区

误区反正都是把图变大，PS 里直接放大不就行了？何必开 Hires.fix 那么麻烦。

正解PS 放大只是像素插值，比如双线性插值，它只是把相邻像素“抹开”，不会产生任何新信息。Hires.fix 是在采样阶段用模型先验“重绘”，会真正补出皮肤纹理、发丝等细节。就像复印机放大和画家重画的区别，两者产物完全不同。

为何常见：从结果看都是“图变大了”，初学者看不到中间步骤，自然觉得殊途同归。

误区修复嘛，改得越多才修得越彻底，把重绘幅度拉到 0.9 应该能获得最多细节。

正解重绘幅度本质是“允许模型丢掉多少原图信息”。0.9 意味着 90% 的原始信息被替换，构图、人脸、建筑格局都会面目全非。0.5~0.7 是平衡点，既保留原结构，又补充足够细节。细节丰富度不是随幅度线性上升的，过了阈值就是重建而非修复。

为何常见：直觉上“改动大 = 效果强”，但修复任务的目标是“在原基础上增强”，而不是推倒重来。

误区Hires.fix 应该像滤镜一样，勾选后直接把图放大，仅此而已。

正解放大只是第一步，核心是“放大后继续采样重绘”。Latent 放大、像素插值都只是铺画布，真正让细节诞生的是新一轮去噪过程。没有重绘，Hires.fix 就退化成普通超分，不会比 PS 强多少。

为何常见：WebUI 界面里它叫“高分辨率修复”，“修复”二字容易被理解成一次性滤镜操作。

误区既然要高清，那就一步到位拉到 4 倍，省得来回折腾。

正解一步 4 倍意味着模型要凭空想象 15/16 的像素内容（面积是 16 倍），崩坏率极高。更稳的做法是 1.5~2 倍多跑一轮，总倍数相同，但每一步的压力小得多，相当于渐进式装修，而不是一次把房子拆了重建。

为何常见：“大就是好”的需求心态，忽略了模型生成能力的边界和逐步逼近的工程智慧。

误区学会了新功能，恨不得每张图都勾上 Hires.fix，这样才显得专业。

正解如果最终只是屏幕小尺寸展示（如社交平台缩略图），512 或 768 分辨率完全够用。开 Hires.fix 只会增加数倍耗时和崩坏风险。功能是工具，按需使用才是专业。

为何常见：新工具效应——刚学会一个功能时容易过度使用，忽略了输出端口的真实需求。

面试题

Q1. Hires.fix 的核心流程是什么？

单选题 · easy

  • A.直接拉伸放大图片
  • B.先生成小图再重绘放大← 正确答案
  • C.拼接多张低清图片
  • D.用滤镜增强画面色彩

答案：B。Hires.fix 先走普通文生图得到小图，再利用重绘放大，在放大同时补细节。拉伸不产生新信息，拼接和滤镜与 Hires.fix 无关。

Q2. 控制“小蔡自由发挥程度”的参数是哪个？

单选题 · easy

  • A.采样步数设定
  • B.提示词相关性
  • C.降噪强度参数← 正确答案
  • D.随机种子数值

答案：C。降噪强度（Denoising Strength）就是重绘幅度，控制与原图的相似度。步数管工时，种子管随机起点，相关性则影响提示词遵从度。

Q3. 重绘幅度设置为 0.9 时，最可能发生什么？

单选题 · mid

  • A.画面细节更加丰富
  • B.构图与原图偏离← 正确答案
  • C.画面完全保持不变
  • D.生成速度大幅变快

答案：B。0.9 意味着大量原始信息被替换，构图、人脸都会漂移。细节丰富不是线性的，越过阈值就是面目全非，等于小蔡完全自由发挥。

Q4. 人像场景推荐的 Hires.fix 重绘幅度范围是？

单选题 · mid

  • A.0.1-0.3 之间
  • B.0.5-0.7 之间← 正确答案
  • C.0.8-1.0 之间
  • D.0 或 1 两个极端

答案：B。0.5~0.7 能在保留脸型骨架的同时补足皮肤细节。0.1~0.3 几乎只是拉伸，0.8 以上有换脸风险，完全不适合人像。

Q5. 下列哪些属于 Hires.fix 可用的放大算法？

多选题 · mid

  • A.Latent放大← 正确答案
  • B.ESRGAN放大← 正确答案
  • C.SwinIR放大← 正确答案
  • D.颜色增强

答案：ABC。Latent、ESRGAN、SwinIR 都是主流放大算法，分别擅长潜空间重绘、纹理脑补和结构保持。颜色增强只是调色，不改变分辨率。

Q6. 直接双线性放大与 Hires.fix 的本质区别是什么？

单选题 · mid

  • A.前者生成速度更慢
  • B.前者无法新增细节← 正确答案
  • C.前者会改变构图
  • D.前者能缩小尺寸

答案：B。双线性插值只是数学拉伸，不产生信息；Hires.fix 通过重绘补充新细节。前者构图不变，但不变恰恰是它的缺陷——没有新信息。

Q7. 为什么 SD 直接生成大图容易重复物体？

单选题 · hard

  • A.显存不足导致错误
  • B.注意力难顾全大局← 正确答案
  • C.提示词权重错误
  • D.采样器随机性过大

答案：B。高分辨率下注意力机制在远距离区域更容易失焦，导致重复物体。这也是 Hires.fix 先小后大、再重绘放大的重要原因。

Q8. 关于 Hires.fix 正确的说法有哪些？

多选题 · hard

  • A.采用了两阶段生成← 正确答案
  • B.本质是二次采样← 正确答案
  • C.一定会增加显存占用
  • D.仅适用于真人图片

答案：AB。Hires.fix 在第一阶段基础上对放大后的图二次采样。C 不严谨：Tiled VAE 和分块放大可以控制显存；D 明显错误，它适用于一切图像。

Q9. Hires.fix 与“保存后再用超分模型”的主要差异是？

单选题 · easy

  • A.修复发生在采样过程中← 正确答案
  • B.修复发生在导出之后
  • C.两者完全没有任何区别
  • D.修复只能执行一次

答案：A。Hires.fix 在采样阶段介入，与文本条件协同补细节；外挂超分是事后操作，无法利用提示词先验。前者是“边画边修”，后者是“印完再修”。

Q10. 下列哪些做法能提升 Hires.fix 的效果？

多选题 · hard

  • A.固定种子批量对比← 正确答案
  • B.渐进式多倍放大← 正确答案
  • C.配合控制网络稳定← 正确答案
  • D.重绘幅度调到最低

答案：ABC。固定种子便于 A/B 对比参数，渐进放大避免一步崩坏，ControlNet 锁定结构。重绘幅度最低则几乎不修复，与目标相悖。