【Flux】放大器 Controlnet

我们先来看一张实拍示例图A，这是一张从古老的明星写真集上拿下来的图。

虽然太老应该已经绝版了，但必须声明一下纯属技术测试示例使用。

基本上这整张图都是模糊的，解析度只有759*1024，那就开始使用Flux-Upscaler的工作流程吧。

必须模型。

diffusion_pytorch_model.safetensors · jasperai/Flux.1-dev-Controlnet-Upscaler at main (huggingface.co)

放在ComfyUI的Controlnet文件夹底下。

选择Florence2，你也可以使用其他的提词器。

8StepLora，建议使用，本工作流程是以8Step为基准设计。

参考工作流程。

ComfyuiWorkflows/Flux/【Flux】Upscaler.png at main · dseditor/ComfyuiWorkflows (github.com)

使用后，整个脸都变得清楚了，如下图。

当然，没有要提升画质不用付出任何代价的，以下先说优缺点。

优点：会自动猜测，使模糊的照片变得清晰，对于古老的、失焦的照片有良好的效果，且能在一定程度上保持原图样式。

缺点：

1. 由于对原图的遵循，采样的过程中不会自动补充多余的细节，放大之后，材质、皮肤的细节不理想。
2. 当图片大小达到1080P以上时，会超出12GB内存，采样速度相当慢。如果你有24GB或以上内存，才能采样更大的图案。
3. 虽然只有小幅度，人物的造型和脸型仍有变化。

Upscaler
Controlnet最适合使用的场合是拍得模糊，模糊到看不出细节的图片，用它进行初步采样修复相当有优势，之后再使用tile/SUPIR或其他方式进行放大修复，这样就可以在比较低的内存下达成大图修复的效果。

建议使用8StepLora，修复效果比较快而且好。

当然，也可以考虑用VAE Encode放大重画，那差异大概是这样。

VAE Encode 0.7，完全不同人。

VAEEncoder 0.4，衣服变清楚了，但人还是差别不小。

再来看另一个修复示例，这是一张AI画的图片，解析度是512*768，虽然解析度低，但这基本是一张清晰的图片。

以下同样比照上面的方式，看看放大修复的效果，放大的基准都是2倍，这次速度快很多，因为只放大到1024。

在Controlnet 0.7的状态下，放大脸部像是化了妆，但是衣服、地板的材质细节都丧失了，可能是8Step Lora的影响，也可能是修复为了使画面的噪声消失造成的。

所以基本清晰的图片使用这个方法时，可能需要降低Controlnet的影响效果，或是尽量维持图片的原貌，使用高步数而非8Step。无论如何，这个方法对模糊的图片效果是很不错的，而且越模糊，效果越好。