七、Ultimate SD Upscale高清放大
本方法采用 Ultimate SD Upscale 插件实现图像的高清放大。该插件需与基础大模型配合使用，并依赖专用的放大模型支持，同时在图像接缝处理方面具备独立机制，整体参数设置较为复杂，使用过程中可能面临诸多细节问题和调优难点。本文将尽可能详尽地介绍其核心参数及使用要点。
下图为 Ultimate SD Upscale 插件的基础放大工作流。该流程依赖大模型进行图像的重绘，因此模型的选择尤为关键。可选模型包括 SDXL、FLUX 架构下的模型，以及风格化的真实系或动漫系模型。不同模型在放大图像细节还原、纹理表现等方面会有显著差异，尤其是在细节丰富度上的表现差距较大。
下图展示了使用 FLUX 模型与 SDXL 模型进行图像放大的对比工作流。从放大结果来看，两者在默认设置下效果相近，这是由于重绘幅度较低，限制了模型在图像细节上的发挥空间。若提升重绘幅度，FLUX 模型的表现通常优于 SDXL，尤其在细节还原和风格表达方面更具优势。此外，提示词的质量同样对放大效果有重要影响。本示例中使用的是较为简洁的文本描述，建议大家根据具体使用场景自行优化提示词内容，以进一步提升最终图像质量。
下图展示了真实系大模型与动漫大模型在图像放大过程中的效果对比。可以看出，底模性能对最终图像质量具有显著影响。以 Pony 模型为例，由于其采用了独特的数据集和训练策略，因此在使用过程中需配合额外的质量提示词以充分激发模型能力，同时推荐使用 -2 的 clip set layer 以获得更优的 conditioning 效果。
从放大结果来看，Pony 模型会在图像中增加大量阴影细节，特别是在毛发等高频区域表现尤为明显，这也是区别于动漫模型的关键特性。因此，在使用 SD Upscale 进行图像放大时，选择与场景风格相匹配的大模型，将显著提升最终放大图像的质量与表现力。
在使用 SD Upscale 进行图像放大前，需要先通过 Ultimate SD Upscale 节点中的 upscale_by 参数对原图进行预设倍数的放大。此阶段所采用的放大操作依赖于预先选择的放大模型，因此预处理过程中放大模型的选择将直接影响最终图像的质量与细节表现。
为确保放大效果符合预期，建议根据图像类型（如写实、人像、动漫等）选择对应的高质量放大模型。
为了使 SD Upscale 能在较低显存的设备上顺利完成图像放大处理，该方法采用了图像分块重绘的机制。例如，对于一张 2048×2048 的图像，若设置分块尺寸为 512×512，则整个图像将被划分为 16 个小块，系统需对每一块分别进行扩散重绘，最终拼接生成完整图像。
在这一过程中，每个分块的生成都依赖提示词和去噪强度等参数。但由于 SD Upscale 无法为每个分块单独设定对应的提示词，因此整个图像的生成只能依赖统一的提示词。这就要求我们在编写提示词时，采用模糊化、全局化的策略。建议使用如 8K, HDR, highly detailed, masterpiece 等质量类提示词，它们适用于图像中任意区域，能保证各分块在风格与细节上的协调一致。
如下图所示，参数中的 tile size（分块大小）将直接决定图像被划分的方式及所需的重绘次数。选择合适的块大小，是在显存可控范围内优化放大质量的关键。
由于采用分块处理机制，相邻块之间的接缝区域会经历多次重绘，这极易导致图像在放大后出现明显的断层痕迹。如下图所示，这种接缝问题会破坏图像整体的一致性与观感。
为避免该现象，可采用以下几种优化策略：
- 降低重绘幅度
通过减少去噪强度，控制对原图的改动幅度，使重绘更贴合原图内容，从而减轻接缝处的不一致问题。 - 启用边缘扩展功能
SD Upscale 提供了块边缘扩展（overlap）机制，可在处理单个块时将其边缘向周围扩展一定像素宽度，这样可避免接缝区域被重复处理，从源头上减少断层的产生。 - 接缝区域二次修复
放大完成后，可单独提取接缝区域，对其进行局部重绘或融合处理，进一步消除残留的接缝痕迹，提升最终图像的一致性。
综合以上方法的合理运用，可显著提升 SD Upscale 放大图像的视觉连贯性与质量表现。
下图展示了三种接缝消除方法的效果对比。从最终结果来看，边缘扩展设置为 32 像素能有效缓解接缝问题，显著提升图像的一致性与连贯性。而采用接缝区域二次重绘的方式，反而因处理不当导致图像出现新的纹理不协调或重叠痕迹，使整体效果有所下降。因此，在实际应用中，合理设置边缘扩展参数通常是解决接缝问题的最优方案。
下图为对比工作流展示。
八、TTP高清放大
TTP 插件 的使用无需额外下载专用的放大模型，可直接配合任意 SDXL 模型或 Flux 模型使用。该插件的独特优势在于支持图像分块处理，并且能够对每个图像块进行提示词反推，进而根据对应的提示词对每个块单独进行修复。这种方式大幅提升了放大的灵活性与局部细节的一致性。
整体工作流大家可参考TTP_cond to batch节点文章，在那篇文章中使用的是flux生成图片作为原图进行放大修复，这里这里方便起见，直接使用本地的图片输入进行修复。
1. 放大模块
这里需要把image_batch转成image_list，以保证每块是独立的图片以以便进行分块的提示词反推。
在此处，对每个分块图像进行了 10% 的裁切处理，这是因为在 TTP_Tile_image_size 节点进行图像分块时，各块之间存在约 10% 的重叠区域。通过进行等比例裁切，可以有效减少重复区域的干扰，从而 增强提示词反推的聚焦性和准确度。
2. 修复模块
关于这一套组合的详细介绍大家可到TTP_cond to batch节点文章查看。
这里关键在于🔧 Inject Latent Noise节点，如果想要保持原图调性，normalize要设置为true。
以下分别展示了不同强度下注入噪声后的图像效果。通常情况下，噪声强度越高，可注入的细节也就越多，但也需要与 KSampler 采样节点进行合理搭配。以总步数为 20 为例：
- 当
noise_strength = 0.1时，可将start_at_step设置为 18，即仅使用最后 2 步进行去噪处理，既能保留原图特征，又可加快出图速度； - 当
noise_strength = 1.0时，如果步数过少，将难以有效完成去噪，因此建议将start_at_step设置为 10，让模型有更充足的步骤来清除强噪声。
合理调整这两个参数的配合关系，是实现精细控制和提升出图质量的关键。
以下为 noise_strength = 0.1，start_at_step = 18 时的出图效果。可以看到此时注入的噪声较弱，去噪步骤也较少，因此整体效果与原图几乎没有明显差异，变化较为轻微。（从左往右刷是原图转到放大图的过程）
以下为 noise_strength = 0.5，start_at_step = 15 时的出图效果。此时图像变化已较为明显，但主要体现在去噪处理上，尚未显著提升细节层次。
以下为 noise_strength = 1.0，start_at_step = 10 时的出图效果。此时相比原图，细节表现明显增强，例如企鹅的毛发纹理更加清晰可见，整体图像质感也有所提升。
总之，TTP 插件 通过参数的灵活调控，既可以实现图像的去噪处理，消除原图中的杂点与瑕疵，又能够通过适当的噪声注入方式，增强图像细节与纹理表现。其支持分块处理与每块独立提示词控制，在低显存环境下依然具备强大的图像增强能力。合理配置 noise_strength 和 start_at_step 等参数，将有效实现降噪与细节增强之间的平衡，是图像放大与修复流程中值得掌握的重要工具之一。
