Unsa ang gipasabut sa Stable Diffusion ug para sa unsa kini?

Ang uniberso sa artipisyal nga paniktik Naghimo usa ka dako nga paglukso sa bag-ohay nga mga tuig, nga gitugotan ang bisan kinsa, bisan unsa pa ang ilang teknikal nga kahibalo o kasinatian sa arte, nga paghimo og talagsaon nga mga hulagway gikan sa yano nga hugpong sa mga pulong. Lig-on nga Pagsabwag, usa sa labing rebolusyonaryo ug giila nga mga kalambuan sa natad sa generative AI, nagbutang ug gamhanang mga himan sa imong mga tudlo, para sa mga nangitag eksperimento ug para sa mga propesyonal sa disenyo ug ilustrasyon.

Niini nga giya gisultihan ka namo sa hingpit ang tanan mahitungod sa Stable Diffusion. Gikan sa unang mga lakang sa bag-ohan ngadto sa advanced nga mga teknik sa pag-aghat ug pag-edit, lakip ang mga rekomendasyon alang sa mga himan, templates, ug mga extension nga magdala sa imong mga binuhat ngadto sa sunod nga lebel.

Unsa ang Stable Diffusion ug ngano nga gibag-o niini ang imaging?

Lig-on nga Pagsabwag Kini usa ka open-source nga artificial intelligence model nga nag-demokratize sa paghimo og imahe gamit ang lawom nga mga pamaagi sa pagkat-on. Salamat sa iyang bag-ong disenyo, nagtugot kanimo sa pag-convert sa usa ka yano nga paghulagway sa teksto (prompt) ngadto sa talagsaon nga mga hulagway, detalyado ug taas nga kalidad. Bisan asa ka, mahimo nimong pahimuslan ang makina niini nga walay bayad, i-install kini bisan asa nimo gusto, ug bisan pag-upgrade niini aron mohaum sa imong mga panginahanglan, nga nagpalahi niini gikan sa ubang komersyal ug sirado nga mga solusyon.

Ang operasyon sa Stable Diffusion gibase sa a modelo sa pagsabwag: Nagsugod kini sa random nga kasaba sama sa usa ka patay nga TV ug, pinaagi sa daghang mga lakang ug mga pagpino nga gigiyahan sa imong teksto, giwagtang kana nga kasaba hangtod nga makamugna kini usa ka managsama ug madanihon nga imahe.

Kini nga bahin naghimo niini nga usa ka sulundon nga kapilian alang sa mga artista, tiglalang sa sulud, developer ug tiggamit sa balay kinsa gustong molapas sa tradisyonal nga mga hulagway. Ang kamatuoran nga kini bukas nga tinubdan nag-abli sa pultahan sa walay katapusan nga mga pag-customize, pag-integrate sa imong kaugalingong mga himan, ug lokal nga henerasyon, nga walay pagsalig sa mga third-party nga mga server o binulan nga bayad kung gusto nimo.

Unsa ang imong mahimo sa Stable Diffusion?

Ang mga aplikasyon sa Stable Diffusion labaw pa sa paghimo og imahe gikan sa teksto. Ang AI dili lang makahimo og mga imahe gikan sa wala, apan makahimo usab sa:

• I-edit ang kasamtangan nga mga hulagway: Mahimo nimong i-upload ang usa ka litrato ug hangyoa kini nga idugang ang mga butang, tangtangon ang mga detalye, o usbon ang istilo.
• Outpainting: nagpalapad sa mga ngilit sa imong komposisyon gikan sa mga timailhan nga imong gihatag sa prompt.
• Pagpuno sa piho nga mga lugar (inpainting): Usba lang ang bahin sa hulagway nga imong pilion, sama sa pag-ayo sa kamot, pag-ilis sa background, o pagpausbaw sa ekspresyon sa nawong.
• Pag-usab sa mga hulagway (img2img): Mahimo nimong gamiton ang usa ka tinuud nga imahe ingon usa ka pakisayran aron ang Stable Diffusion mahimo’g mahubad kini sa lain nga istilo, usbon ang suga o mga kolor...
• Paghiusa sa mga estilo sa arte: Gisagol niini ang lainlaing mga teknik ug mga pakisayran (pananglitan, klasikal nga arte, anime, photorealism, ug uban pa) sa usa ka aghat.

Kini daghag gamit naghimo niini nga usa ka sulundon nga kauban alang sa digital nga pagkamamugnaon, ilustrasyon, graphic nga disenyo, ug bisan ang paghimo og mga kapanguhaan alang sa mga dula sa video, mga kampanya sa pagpamaligya, o yano nga paglingaw sa pagsuhid sa mga limitasyon sa AI.

Giunsa paglihok ang Stable Diffusion sa sulod?

Ang Stable Diffusion naggikan sa pagbansay sa minilyon nga gi-caption nga mga hulagway salamat sa dagkong mga dataset (sama sa LAION-5B), diin ang AI nakakat-on sa pag-associate sa mga konsepto sa text sa visual patterns. Gigamit sa modelo ang nailhan nga modelo sa pagsabwag: una nga gub-on ang usa ka imahe pinaagi sa paghimo niini nga kasaba, ug dayon makat-on sa pagtukod pag-usab niini gikan sa scratch base sa teksto nga gisulod sa user.

Sa matag lakang, ang modelo nagdalisay sa imahe, pagkunhod sa kasaba ug pagdugang sa lebel sa detalye, hangtud nga ang resulta moabut duol sa talan-awon nga atong gihulagway. Dugang pa, ang Stable Diffusion nagtugot kanimo sa pag-modulate sa "kabug-at" sa pipila ka mga pulong aron i-prioritize (o i-attenuate) ang mga piho nga elemento sa talan-awon, pagmaniobra sa mga estilo, ug paglikay sa dili gusto nga mga resulta.

La kanunay nga ebolusyon sa proyekto ug ang pagkabukas niini sa code Gitugotan ang pagtungha sa dili maihap nga mga variant ug pagpaayo sa komunidad, sama sa mga bag-ong modelo, istilo, ug mga teknik aron makab-ot ang labi ka realistiko o piho nga mga sangputanan.

Unsang mga bentaha ang gitanyag sa Stable Diffusion kaysa ubang mga himan?

Ang nag-unang kalainan sa Stable Diffusion mao ang gawasnon ug open source nga kinaiyahan niini. Dili sama sa ubang mga modelo sama sa MidJourney o DALL-E, mahimo nimo kini ipadagan sa imong kaugalingon nga kompyuter, i-install kini sa mga server, pagsulay og bag-ong mga butang, ug usbon kini sa imong gusto. Ang ubang talagsaong mga bentaha naglakip sa:

• Libre (gawas sa mga premium nga platform): Mahimo nimong gamiton ang kadaghanan sa mga serbisyo sa web ug lokal nga pag-install nga wala’y bayad, gawas kung mopili ka alang sa mga premium nga server o gusto nga maka-access sa labi ka piho nga mga advanced nga bahin.
• Privacy: Makahimo ka og mga imahe nga dili mobiya sa imong sistema, paglikay sa mga problema sa data sa panganod o hinay nga koneksyon.
• Modularity ug customization: nagsuporta sa walay kinutuban nga custom nga mga modelo, mga estilo, mga extension, ug mga kapanguhaan nga naugmad sa komunidad.
• Detalye ug kalidad: Ang pinakabag-o nga henerasyon sa mga modelo (SDXL, Juggernaut, Realistic Vision, ug uban pa) mga kaatbang ug kasagaran milabaw sa bayad nga produksyon sa imahe.

Tungod niini, ang pipila ka mga kahuyang o mga pending nga isyu kinahanglan usab nga ipunting. Labaw sa tanan, kinahanglan nga matikdan nga ang Stable Diffusion nagpresentar mas tulin nga kurba sa pagkat-on kay sa ubang mga solusyon komersyal. 

Pagsugod: Giunsa ang Pag-install ug Pag-configure sa Stable nga Pagsabwag sa Lokal

Ang pag-instalar sa Stable Diffusion sa imong kompyuter mas sayon ​​kay sa daw, ilabina sa sikat nga interface Awtomatikong 1111, nga nagpayano sa proseso kutob sa mahimo alang sa Windows.

1. Lakaw ngadto sa opisyal nga repository sa Awtomatikong 1111 sa GitHub, pangitaa ang seksyon nga "mga kabtangan" ug i-download ang installer (.exe).
2. Pagdalagan ang na-download nga file. Ang proseso sa pag-instalar mahimong magdugay depende sa katulin sa imong computer.
3. Kung nahuman na, adunay ka usa ka shortcut nga gitawag nga "A1111 WebUI" sa imong desktop o sa usa ka destinasyon nga folder. Ang pagdoble nga pag-klik magbukas sa graphical nga interface sa imong browser, andam nga magsugod sa paghimo.
4. Among girekomendar ang pagpagana sa mga awtomatik nga pag-update para sa interface ug mga extension, ingon man ang opsyon nga "ubos nga VRAM" kung ang imong kompyuter dili kaayo gamhanan.

Kung naggamit ka sa Mac o Linux, adunay mga piho nga giya alang sa pag-install sa Stable Diffusion gikan sa ilang bukas nga gigikanan nga mga repositoryo.

Giunsa pagsulat ang epektibo nga mga pag-aghat sa Stable Diffusion: istruktura, syntax, ug mga tip

Ang kalamposan sa imong mga hulagway nagdepende halos sa bug-os sa prompt. Ang usa ka maayo nga istruktura magtugot kanimo sa pagkab-ot sa propesyonal nga mga resulta ug lahi kaayo sa mga namugna nga adunay dili klaro nga mga paghulagway.

Ang girekomendar nga prompt kinahanglan magpakita:

• Tipo sa imahe: photography, drawing, ilustrasyon, 3D rendering, ug uban pa.
• Subject: Kinsa ang makita sa imahe (tawo, hayop, butang…), uban ang tanan nga mga detalye nga gusto nimo (edad, etnisidad, ekspresyon, ug uban pa)
• Aksyon: unsay gibuhat anang tawhana.
• Konteksto/scenario: diin mahitabo ang talan-awon, suga, panahon sa tuig, nag-una nga mga kolor, ug uban pa.
• Mga Tigbag-o: estilo sa pagpinta, lens ug camera, oras sa adlaw, color palette, reference artist, resolusyon, kalidad, mga espesyal nga epekto sama sa bokeh, blur, texturing...

sa negatibo nga mga aghat, idugang lang ang tanang feature nga DILI nimo gusto sa hulagway: "blurry, ugly, deformed hands, too many fingers, text, watermarks, low resolution, dili husto nga proporsyon, morbid, duplicate..." ug bisan unsa pa nga makahasol kanimo sa resulta.

Giunsa pagpauswag ang mga pag-aghat sa Stable Diffusion?

Aron makab-ot ang labing maayo nga mga resulta, sunda kini nga mga tip. Gisugyot nga husto ang pag-adjust sa mga gibug-aton ug pagprograma. Ang Stable Diffusion nagtugot kanimo sa paghatag ug mas daghan o dili kaayo importansya sa pipila ka mga pulong gamit ang syntax "pulong: hinungdan". Kon mas taas ang pulong:factor, mas may kalabotan kana nga termino; Mahimo nimong gamiton ang dugang nga mga parentesis aron madugangan pa ang gibug-aton sa usa ka pulong o konsepto.

Dugang pa, ang syntax-driven prompt programming nagtugot kanimo sa paghiusa sa mga ideya o mga estilo sa usa ka hulagway, paghimo sa transisyon gikan sa usa ka konsepto ngadto sa lain nga mosunod sa mga lakang nga imong gihubit.

Kung natanggong ka o nangita og dali nga inspirasyon, ang mga plataporma sama sa Lexica, Civitai, o kaugalingong PNG Info tab sa Stable Diffusion magtugot kanimo sa pag-drag sa mga hulagway nga hinimo sa AI ug makita ang eksaktong prompt nga gigamit sa paghimo niini.

Ang labing kaayo nga Stable Diffusion nga mga modelo alang sa hyperrealistic ug artistic nga mga imahe

Ang Stable Diffusion nga uniberso mas lapad kaysa sa mga batakang modelo niini. Sa pagkakaron adunay daghang mga kostumbre nga modelo (mga checkpoint) nga gipahaum sa piho nga mga istilo, sama sa photorealism, anime, teknikal nga ilustrasyon, ug uban pa. Ang pipila sa labing girekomenda ug popular mao ang:

Mga modelo alang sa SD 1.5:

• Juggernaut Rborn: Espesyalista sa realistiko nga panit, lainlain nga background ug natural nga kolor. Mainit, RAW-estilo nga mga resulta.
• Realistiko nga Panan-awon v5.1: Nindot nga mando sa mga litrato, emosyon ug mga detalye sa nawong. Balanse kaayo sa background ug subject.
• Dili Ko Makatuo nga Dili Kini Photography: Daghag gamit, maayo kaayo sa suga ug anggulo. Maayo alang sa mga portrait ug lain-laing mga tema.
• Photon V1: Balanse tali sa kalidad ug versatility, ilabi na alang sa tawhanong mga tema.
• Realistiko nga Stock Photo: Pinasinaw kaayo, estilo sa katalogo nga mga hulagway nga walay lama sa panit.
• aZovya Photoreal: Dili kaayo nailhan apan nagpatunghag talagsaong mga resulta ug mahimong gamiton sa paghiusa sa mga teknik sa ubang mga modelo.

Mga modelo alang sa SDXL (labing bag-ong henerasyon):

• Juggernaut XL (x): Ang komposisyon sa cinematic, maayo kaayo sa mga litrato ug pagsabut sa taas nga mga pag-aghat.
• TinuodVisXL: Dili hitupngan sa pagmugna og realistiko nga mga pagkadili hingpit, mga texture ug mga pagbag-o sa tono sa panit.
• HelloWorld XL v6.0: Nagdala kini og analog nga pamaagi, maayong proporsiyon sa lawas ug vintage aesthetics. Gamita ang GPT4v tagging para sa mas sopistikado nga mga prompt.
• Honorable mentions: PhotoPedia XL, Realism Engine SDXL, Fully Real XL (dili kaayo karon apan balido gihapon).

Ang tanan niini nga mga modelo mahimong ma-download nga libre gikan sa mga repositoryo sama sa Civitai, ug ibutang lang kini sa angay nga folder aron makita sa Stable Diffusion interface.

Giunsa ang pag-install ug pagdumala sa naandan nga mga modelo sa Stable Diffusion

Ang pag-download sa usa ka bag-ong template ingon ka yano:

1. Pag-access sa mga repository sama sa Civitai ug pagsala pinaagi sa "Mga Checkpoint."
2. Pilia ang modelo nga imong gusto (siguroha nga kini adunay .safetensor extension alang sa dugang nga seguridad).
3. I-download ang file ug kopyaha kini sa dalan /stable-diffusion-webui/models/Stable-diffusion.
4. I-restart ang interface ug pilia ang modelo gikan sa panel nga "Checkpoint".

Mga tip sa pro alang sa pagkab-ot sa tinuud nga katingad-an nga mga imahe nga adunay Stable Diffusion

Ang pag-master sa Stable Diffusion naglakip sa pag-eksperimento, pagkat-on gikan sa mga resulta, ug pagpahait sa imong teknik ug imahinasyon:

• Pagdula uban ang mga embeddings: Para maayo ang katahom sa imong mga hulagway, sulayi ang mga embeddings nga girekomenda sa mga tigmugna sa modelo (pananglitan, BadDream, UnrealisticDream, FastNegativeV2, JuggernautNegative-neg). Gitugotan ka sa mga pag-embed nga mag-adjust sa mga bahin sama sa mga kamot, mata, ug uban pa.
• Gamita ang mga extension sa detalye sa nawong: Ang extension sa Adetailer para sa A1111 o ang Face Detailer Pipe node sa ComfyUI makatabang nimo nga makab-ot ang walay kapuslanan nga mga resulta sa mga nawong ug mga kamot, ilabi na nga mapuslanon alang sa realistiko nga mga hulagway.
• ControlNets para sa mga perfectionist: Kung nangayo ka gamit ang mga kamot, pose o lawas, susiha ang lainlaing mga lahi sa ControlNet aron maayo ang imong mga komposisyon.
• Pagsulay ug sayop: Ayaw pagdahom nga ang unang hulagway mahimong perpekto; Ang yawe mao ang pag-uli, pagbag-o sa mga pag-aghat ug pag-adjust sa mga negatibo hangtod makab-ot ang gitinguha nga kalidad.
• Hatagi'g pagtagad ang istruktura sa prompt: Likayi ang mga kontradiksyon (pananglitan, "taas nga buhok" ug "mubo nga buhok" sa parehas nga sentence) ug unaha ang mga konsepto sa sinugdanan, nga adunay dugang nga gibug-aton sa katapusan nga imahe.

Pagkahuman niini nga paglibot sa mga posibilidad sa Stable Diffusion, klaro nga gibag-o sa AI ang paagi sa among paghimo, eksperimento ug pagbag-o sa mga imahe nga adunay labi ka katingad-an, propesyonal ug natural nga mga sangputanan. Kung interesado ka sa digital creativity, wala nay mas maayo nga panahon sa pagsuhid sa kalibutan sa AI visual generation: nga adunay maayo nga pag-aghat, husto nga himan, ug gamay nga praktis, bisan kinsa mahimong magdala sa mga imahe nga ilang mahanduraw sa kinabuhi, gikan sa yano nga mga sketch hangtod sa hyper-realistic nga mga komposisyon nga dili mailhan gikan sa propesyonal nga litrato.