SUPIR | Fotorealistisk Bild/Video Uppskalare

1. ComfyUI SUPIR för Bildupplösning | ComfyUI Upscale Workflow

Detta ComfyUI Upscale-arbetsflöde använder SUPIR (Scaling-UP Image Restoration), en avancerad öppen källkodsmodell designad för avancerad bild- och video förbättring. I detta arbetsflöde kommer du att uppleva hur SUPIR återställer och skalar upp bilder för att uppnå fotorealistiska resultat.

2. ComfyUI SUPIR Översikt

SUPIR, den främsta inom bilduppskalningsteknik, är jämförbar med kommersiell programvara som Magnific och Topaz AI. Vår handledning omfattar SUPIR upscaler wrapper node inom ComfyUI-arbetsflödet, som är skicklig på att skala upp och återställa realistiska bilder och videor.

För bilduppskalning räcker detta arbetsflödes standardinställning. För att ändra det för videouppskalning, byt från "load image" till "load video" och ändra utdata från "save image" till "combine video" för att anpassa det till videofiler.

3. Introduktion till SUPIR-modellen

Scaling-UP Image Restoration-tekniken är en banbrytande förbättrings- och uppskalningsmodell som introducerades av papperet . SUPIR förnyar med en fotorealistisk bildrestaureringsmetod som använder en generativ prior kopplad till modellskalning, berikad med multimodala tekniker som gör att bildrestaurering kan styras av textuella prompts, vilket avsevärt breddar dess tillämpningsspektrum.

4. Hur man använder ComfyUI SUPIR för Bildupplösning

4.1. SUPIR Kompatibla Modeller

Innan du dyker in i SUPIR:s användning, se till att kontrollpunktsmodellerna är tillgängliga:

• Två versioner av SDXL CLIP Encoder från OpenAI och LAION, respektive.
• SDXL och LLaVA basmodeller, avgörande för de inledande stadierna av bildbehandling.
• Valfria modeller som Juggernaut-XL-versioner som kan ersätta SDXL-basen i specifika scenarier för förbättrade fotorealistiska resultat.

4.2. SUPIR Modeller

Två nyckelversioner av SUPIR är tillgängliga:

• SUPIR-v0Q: Optimerad för hög generalisering och kvalitet, lämplig för ett brett utbud av bilder.
• SUPIR-v0F: Anpassad för bilder med lätt nedbrytning, bevarar fler detaljer under sådana förhållanden

4.3. Nyckelparametrar för SUPIR

• scale_by: Uppskalningsförhållandet för givna ingångar bestämmer hur mycket bildstorleken ökas under restaureringen.
• steps: Denna parameter specificerar antalet steg för EDM Sampling Scheduler, vilket sannolikt påverkar detalj och kvalitet på restaureringsprocessen.
• cfg_scale: Detta är den klassificeringsfria vägledningsskalan för prompts, som påverkar hur starkt utdata följer de angivna textuella prompts.
• positive-prompt & negative_prompt: Dessa parametrar tillåter användare att styra restaureringen mot önskade egenskaper (positiv prompt) och bort från oönskade egenskaper (negativ prompt).
• s_churn & s_noise: Representerar ursprungliga hyperparametrar för EDM, detta styr aspekter av brusmodellen inom diffusionsprocessen, vilket påverkar den slutliga bildens textur och klarhet.
• color_fix_type: Denna parameter tillåter val av färgkorrigeringsmetoder efter restaurering, med alternativ som "None", "AdaIn" och "Wavelet".

4.4. Prestandatips för SUPIR

• Maskinvarukrav: För att uppnå optimala resultat vid uppskalning med högre upplösning med SUPIR-upskalaren är det viktigt att ha en tillräckligt kraftfull maskinvaruuppsättning. Vi rekommenderar att använda en maskin utrustad med minst 48GB VRAM, såsom Extra Large Machine tillgänglig på RunComfy, för att hantera de intensiva beräkningskraven för avancerad bilddetaljering.
• Maximera Bilddetaljer med Textprompts: För att maximera potentialen hos SUPIR:s avancerade AI-algoritmer, använd fullt ut den detaljerade promptfunktionen. Detta låter dig styra restaureringsprocessen mer exakt, vilket förbättrar detaljerna och realismen i de uppskalade bilderna. Genom att effektivt utnyttja dessa prompts kan SUPIR producera utdata som inte bara är större i storlek utan också överlägsna i kvalitet.

5. Mer Detaljer om SUPIR

Bildrestaureringsteknik har vuxit enormt, nu levererar resultat som är visuellt fantastiska och smartare. Denna tillväxt beror till stor del på introduktionen av SUPIR Upscaler, som använder avancerade generativa modeller för att förbättra bilder.

5.1. Kärnkapaciteter hos SUPIR-modellen

• Robusta Modeller: Kärnan i SUPIR Upscaler är StableDiffusion-XL (SDXL), en kraftfull generativ modell med 2,6 miljarder parametrar. Den stöds av en adaptratormodell som lägger till ytterligare 600 miljoner parametrar, vilket möjliggör att SUPIR Upscaler kan återställa bilder med exceptionell detalj och trohet.

5.2. Datadriven Förträfflighet

• Omfattande Träningsdata: SUPIR Upscaler är tränad på en dataset med över 20 miljoner högkvalitativa bilder, var och en annoterad med detaljerade beskrivningar. Denna dataset tränar en multimodal språkmodell med 13 miljarder parametrar, vilket förbättrar SUPIR Upscaler:s förmåga att producera precisa innehållsprompts för riktad bildrestaurering.

5.3. Innovativ Teknik och Strategisk Implementering

• Avancerad Design: SUPIR Upscaler inkluderar flera strategiska förbättringar som ZeroSFT-kontaktorn, vilket förbättrar effektiviteten och minskar beräkningskraven. Dessutom är dess bildkodare finjusterad för att bättre hantera bildnedbrytning, vilket ökar noggrannheten i restaureringsresultaten.
• Omfattande Träning: Förutom högkvalitativa bilder inkluderar datasetet även lägre kvalitet, negativa exempel. Detta hjälper SUPIR Upscaler att lära sig identifiera och korrigera visuella fel, vilket förbättrar den övergripande restaureringskvaliteten.

5.4. Balansering av Förbättring och Trohet

• Sofistikerade Tekniker: Trots att generativa modeller används, använder SUPIR Upscaler en ny provtagningsteknik för att balansera förbättringskvaliteten med troheten hos de ursprungliga bilderna. Detta säkerställer att medan den visuella kvaliteten förbättras, bevaras äktheten hos de ursprungliga bilderna.

För en djupare inblick i SUPIR Upscaler:s kapaciteter och mer tekniska detaljer, utforska resurser på dess eller den grundläggande . Dessa resurser ger omfattande insikter i de teknologier och strategier som etablerar SUPIR Upscaler som en ledande inom bildrestaurering.