同学们大家好，今天咱们来讲解画面超清修复的方法。

本节课分为四个部分：超清修复的基本概念、具体操作流程、不同放大算法对最终效果的影响，以及实际应用中的注意事项。

大家是否遇到过这样的问题？网上看到的AI生成图片往往非常清晰，细节丰富，尤其是大场景中的背景、人物发丝、服饰纹理等都表现得极为精细；而自己生成的图片却常常显得模糊、缺乏质感，整体观感差距明显。

如何实现高质量、高细节的出图效果？通过本节课的学习，大家将掌握一套稳定高效的超清修复方法，有效提升图像清晰度与真实感。

我们来看一组对比示例：左侧是未经过高清修复的原图，右侧是经过超清修复后的结果。以真人风格为例，原图中发丝数量有限，肩部装饰细节模糊；修复后，发丝密度显著增加，肩部装饰的材质、光泽和层次感都得到明显增强。背景环境的景深、光影过渡也更为自然。

在二次元风格中，这一差异同样存在，只是相对不那么突出。例如衣物上的花纹、头饰的金属质感、花瓣的纹理结构，在修复前后有明显提升——原图中仅呈现为一团紫色色块，修复后则能清晰分辨出花朵形态、叶片脉络与反光细节。

目前主流的超清修复方式主要有三种：

• 文生图内置的“超高分辨率修复”功能（即“Hires Fix”）；
• 图生图模式下配合SD Upscale脚本进行放大修复；
• Stable Diffusion自带扩展插件“Post-processing”中的放大功能。

本节课重点讲解第一种——最常用、最便捷的“Hires Fix”方法。

“Hires Fix”中文常译为“图片超清修复”“高分辨率修复”或“超分辨率修复”，简称“超分”。其原理是在原始图像基础上，再次执行一次去噪-重建过程，相当于让AI对同一张图重新理解并精细化绘制一遍，从而提升整体清晰度与细节表现力。

该功能的操作界面简洁明了，仅需设置两项核心参数：

• 放大倍数：控制输出图像相对于原图的尺寸比例。默认值为2倍，如原图600×800，则输出为1200×1600；
• 放大算法：决定图像放大的计算方式，不同算法在细节保留、边缘锐化、纹理生成等方面各有侧重。

此外还有两个辅助参数：

• 高分迭代步数：指超清修复阶段所使用的采样步数，默认为0，表示沿用主图生成时的步数值（如30步）。若设为正数，则会在原有基础上额外增加相应步数；
• 重绘幅度（Denoising Strength）：控制AI在修复过程中对原图的修改强度，建议保持在0.2–0.4之间，既能补充细节又不会大幅改变构图与主体特征。

我们以一个具体案例演示操作流程：

1. 提示词：“一位穿白色长裙的女孩，棕色头发，头戴花朵装饰，带有景深效果”；
2. 模型选用“MajicMix Realistic V6”，VAE使用“vae-ft-mse-840000.ckpt”；
3. 基础参数设定为CFG Scale=7，Sampling Steps=30；
4. 初始分辨率为600×800，生成原图后启用Hires Fix，放大倍数设为2，重绘幅度设为0.3。

对比可见：原图中蕾丝花边轮廓尚可，但纹理缺失；修复后不仅完整呈现了镂空结构与褶皱走向，连细微的阴影过渡与织物质感也一并还原。面部五官更清晰，皮肤光泽更自然，头饰立体感更强。

需要特别注意的是：直接提高基础分辨率（如从600×800强行拉至4096×4096）极易引发构图崩坏，出现多手、多脸、肢体错位等问题，且耗时极长、显存占用过高。相比之下，Hires Fix能在保持原始构图稳定的前提下，高效完成细节增强，是一种更安全、更实用的优化路径。

关于放大算法的选择：

• 对于二次元风格，推荐使用“ESRGAN_4x”或“R-ESRGAN General 4xV3”；
• 对于写实类真人风格，“SwinIR_4x”或“RealESRGAN_x4plus_anime_6B”表现更优，尤其在皮肤质感、光影过渡方面更具优势。

最后提醒两点：

1. 重绘幅度不宜过高，超过0.5可能导致主体变形，建议新手控制在0.2–0.4区间；
2. 不同放大算法的实际差异需结合具体图像测试，建议统一采样方法（如DPM++ 2M Karras），便于横向比较效果变化。