Dette billede outpainting workflow er designet til at udvide grænserne af et billede ved at inkorporere fire afgørende trin:
Dette trin involverer indstilling af dimensionerne for det område, der skal outpaintes, og oprettelse af en maske til outpainting området. Det er den forberedende fase, hvor grundlaget for udvidelse af billedet lægges.
Den faktiske outpainting proces udføres gennem inpainting modellen, specifikt ved brug af ControlNet's inpainting modul. I denne fase adresseres kun det område, der er udpeget af den tidligere oprettede maske. Denne tilgang udnytter inpainting modellen til at generere det ekstra indhold, der kræves til outpainting området. Det er vigtigt at forstå, at selvom vi udvider billedet (outpainting), er den anvendte teknik afledt af inpainting metoder, styret af ControlNet modulet, der intelligent udfylder det udpegede område baseret på konteksten leveret af det omgivende billede.
Her opnår vi den indledende version af billedet med det nyligt outpaintede område. Denne fase viser, hvordan inpainting modellen har udvidet billedets grænser. Dog kan der på dette tidspunkt være synlige forskelle mellem kanterne af det oprindelige billede og de nyligt udvidede dele. Så det efterfølgende trin er afgørende for at reparere det.
Det sidste trin fokuserer på at forbedre integrationen mellem det oprindelige billede og de nyligt tilføjede sektioner. Dette indebærer specifikt at målrette og forbedre kanterne for at sikre en sømløs overgang mellem det oprindelige og de udvidede dele af billedet.
Her er de vigtigste noder involveret i dette trin:
2.1.1. Image Scale to Side: Skaler billeder baseret på specificerede parametre. Du kan indstille en målsidelængde og vælge hvilken side (længste, bredde eller højde) der skal skaleres. Det tilbyder flere skaleringsmetoder (nearest-exact, bilinear, area) og en valgfri beskæringsfunktion for at bevare billedets aspektsforhold.
2.1.2. Pad Image for Outpainting: Forbereder billeder til outpainting ved at tilføje polstring omkring kanterne. Denne node tillader specifikation af polstringsmængder for hver side af billedet og inkluderer en "feathering" mulighed for sømløst at blande det oprindelige billede ind i det polstrede område.
2.1.3. Convert Image to Mask: Omformer en valgt kanal (rød, grøn, blå, alpha) af et billede til en maske, der isolerer en del af billedet til behandling.
I denne fase er de polstrede og maskerede billeder forberedt.
Her er de vigtigste noder involveret i dette trin:
2.2.1. Apply Advanced ControlNet: Anvend ControlNet noden for omhyggeligt at guide inpainting processen, målrettet området, der er afgrænset af masken forberedt i det første trin.
2.2.2. Load ControlNet Model: Vælger og indlæser inpainting ControlNet modellen.
2.2.3. Inpainting Preprocessor: Send de polstrede og maskerede billeder, som blev forberedt i det første trin, til inpainting preprocessoren.
2.2.4. Scaled Soft Weights: Justerer vægtene i inpainting processen for nuanceret kontrol, med parametre som base_multiplier til justering af vægtstyrken og flip_weights til at vende effekten af vægtene.
På dette stadium genereres det indledende outpaintede billede. Dog kan synlige kanter omkring det oprindelige billede være synlige.
Dette sidste trin involverer maskering af kantområdet til regenerering, hvilket forbedrer det overordnede udseende af det outpaintede område.
Her er de essentielle noder involveret i inkorporering af synlige kanter i masken:
2.4.1. Mask Dilate Region: Udvider maskens grænser inden for et billede, nyttigt til at sikre fuld dækning eller skabe en større grænse til behandlingseffekter.
2.4.2. Mask Contour: Involverer at identificere og skitsere kanterne inden for en maske, hvilket hjælper med at skelne mellem forskellige elementer i et billede.
Dette workflow er inspireret af Ning
© Ophavsret 2024 RunComfy. Alle rettigheder forbeholdes.