稳定扩散项目：复活老照片
内容提要
本文介绍了修复老照片并使其焕发新生的方法，包括超分辨率处理、ControlNet模型重建、文本提示扩散过程、ControlNet精细调整和Stable Diffusion填补空白。
延伸解读
超分辨率：不止于放大
文章指出，处理老照片的第一步是超分辨率。即使原图分辨率高，也建议先下采样再超分，以利用其去除噪声和胶卷颗粒的副作用。在Stable Diffusion Web UI的Extra选项卡中，可启用Upscale并选择R-ESRGAN 4x+等放大器。同时，CodeFormer模型可用于修复面部，权重设置影响表情保留程度：低权重给予更多修改自由，高权重则更保留原始表情。
重建策略：为何用txt2img而非img2img
重建老照片时，文章强调应使用txt2img而非img2img。因为将老照片作为起点会过度影响输出，无法实现预期的修正。正确流程是：先用img2img的CLIP interrogator生成正向提示，再在txt2img中基于该提示生成图像。提示中可加入风格关键词控制输出，并使用负面提示排除绘画、模糊等不良特征。
ControlNet双单元：精细控制轮廓与色彩
为获得最佳效果，需使用两个ControlNet单元。第一个单元使用Canny类型，控制权重设为0.8，以勾勒轮廓；第二个单元使用Recolor类型，控制权重设为0.2，基于亮度填充颜色。这样，Canny高权重确保形状准确，Recolor低权重避免缺陷影响。若对颜色不确定，可在提示中描述服装颜色。两个单元协同工作才能达到最佳效果。
风险与后续调整
文章提醒，若原照片人脸难以辨认，可开启ADetailer重建面部，但仅必要时使用，否则可能生成完全不同的人。生成后若需更高分辨率，可使用Hires. fix功能，但需将去噪强度设低（如0.2），以避免引入额外失真。此外，多次生成可能得到不同颜色的衣服，因为模型对颜色不确定，可通过提示控制。
Q&A
如何修复老照片的缺陷？
可以使用超分辨率处理去除噪声和胶卷颗粒，并使用CodeFormer模型修复面部。
什么是超分辨率处理？
超分辨率处理是将低分辨率照片提升为高分辨率的过程，能够去除噪声和胶卷颗粒。
如何使用Stable Diffusion进行老照片重建？
使用txt2img而非img2img，结合CLIP interrogator生成正向提示，并使用ControlNet进行精细调整。
ControlNet在老照片修复中有什么作用？
ControlNet用于精细调整输出，能够控制轮廓和颜色填充，以提高修复效果。
如何为黑白照片上色？
可以使用ControlNet的Recolor类型来为黑白照片上色，并结合其他模型进行处理。
修复老照片时需要注意哪些设置？
需要设置ControlNet的权重，选择合适的上采样因子，并调整输出分辨率以匹配原始照片的比例。
