在使用Stable Diffusion生成高分辨率图片时，是否遇到了画面崩坏的问题，这时候就可以通过Hires. fix功能避免这种状况。
（本教程以Stable Diffusion WebUI 1.6.0版本为例）
解决2种崩坏问题
考虑到许多Stable Diffusion所使用的Checkpoint模型是以512 x 512分辨率的图像为基础进行AI训练，导致在进行图像生成时，若将输出分辨率调整到1024 x 1024以上时，容易造成图像中人物三头六臂等崩坏问题。
另一方面，如果在低分辨率图像中指定人物的全身像，也可能会因为画面中人物脸部分配的像素数量太少，而造成脸部变型的问题。
这些问题都可以通过Hires. fix来改善，其概念为进行多次文字生成图片（txt2img）功能生成多张低分辨率图像，并通过升频算法（Upscaler）将图像放大，最后再利用图片生成图片（img2img）来修饰图像，达到输出高分辨率图像的效果。
▲ 如果在768 x 768分辨率的图像指定生成人物的全身像，可能会因为因脸部分配的像素数量太少，而造成脸部变型的问题。
▲ 使用相同参数但改为生成半身像，就可以避免脸部变型。
▲ 如果直接生成1440 x 1440分辨率的图像，可能会出现画面崩坏的情况。 可以看看图中右侧人物的右脚。
▲ 利用Hires. fix功能生成1440 x 1440分辨率的图像，能够确保图像的正确。
高画质外芙
根据笔者自己的使用经验，如果生成分辨率介于512 x 512至1024 x 1024之间的图像，大多不需使用Hires. fix，除非遇到前半段文章提到的脸部变型，才需借助Hires. fix来修正问题。 但是如果是想要生成分辨率高于1280 x 1280的图像，则建议使用Hires. fix功能。
读者可以在Stable Diffusion WebUI的txt2img参数设置字段找到Hires. fix项目，点击三角型后就会展开详细设置选项。
Upscaler为升频过程使用的算法，如果生成图像是仿真照片类型建议选择ESRGAN_4x，如果是漫画、插画类型则建议选择R-ESRGAN-4x+-Anime6B。
Hires steps表示放大图片的运算步数，数值越大产生的图像质量越好，但需要花更多时间，一般建议设置40~50之间的数值。 Denoising strength为降噪强度，可以理解为放大过程重新绘制的幅度，数值越大将给与系统越大的空间「调整图像内容」，建议设置0.25~0.35之间的数值以避免图像崩坏，若输出图像的质量未达期望，也可尝试提升到0.5~0.7。
Upscale by为放大的倍数，Hires. fix会将原始图像分辨率的长、宽放大至指定的倍数。 如果不想以此方式指定生成图像的分辨率，也可以直接在Resize width/height to字段输入想要的分辨率数值。
设置完成后，即可照一般方式设置其余参数、输入提升词，并开始生成高分辨率的图像。
▲ 点击Hires. fix项目的三角型展开详细设置选项。 以本图为例，原始生成分辨率为960 x 540（黄框处），通过放大4倍（绿框处）以让输出图像分辨率达到3840 x 2160。
▲ Upscaler为升频过程使用的算法，如果生成图像是仿真照片类型建议选择ESRGAN_4x，如果是漫画、插画类型则建议选择R-ESRGAN-4x+-Anime6B。
▲ 此范例图像将960 x 540的原始分辨率通过Hires. fix功能放大4倍至3840 x 2160。 （读者可以手动放大图片查看细节，下同）
▲ 此图为将768 x 512的原始分辨率放大2.5倍至1920 x 1280。
▲ 此图放大设置同上。 透過Hires. fix功能生成高分辨率图片能够避免画面崩坏的问题，细节也相当完整，比单纯用绘图软件放大还要细腻。
虽然Hires. fix有助于在提升分辨率的同时维持画面质量，但也有着会大幅增加运算时间的代价，所以建议读者可以先多尝试生成低分辨率图像进行练习与参数调整，待确定「黄金参数」后，再进行Hires. fix图像生成。
另一方面Hires. fix也会增加算图过程中的显示内存使用量，1920 x 1080解析大约需要8GB左右显示内存，而3840 x 2160则会消耗14~16GB显示内存。 若读者的显示卡不符合需求也没关系，笔者将在下篇Tiled VAE教程中提供替代解决方法。
