AI 绘画Stable Diffusion 研究(十一)sd图生图功能详解-美女换装

简介: AI 绘画Stable Diffusion 研究(十一)sd图生图功能详解-美女换装

为了让大家更直观的了解图生图功能,明白图生图功能到底是干嘛的,能做什么事情?今天我们继续介绍图生图的实用案例-美女换装的制作。


对于新朋友,想详细了解Stable Diffusion 的话,请查看往期文章:

AI 绘画Stable Diffusion 研究(一)sd整合包v4.2 版本安装说明

AI 绘画Stable Diffusion 研究(二)sd模型ControlNet1.1 介绍与安装

AI 绘画Stable Diffusion 研究(三)sd模型种类介绍及安装使用详解

AI 绘画Stable Diffusion 研究(四)sd文生图功能详解(上)

AI 绘画Stable Diffusion 研究(五)sd文生图功能详解(下)

AI 绘画Stable Diffusion 研究(六)sd提示词插件

AI 绘画Stable Diffusion 研究(七) 一文读懂 Stable Diffusion 工作原理

AI 绘画Stable Diffusion 研究(八)sd采样方法详解

AI 绘画Stable Diffusion 研究(九)sd图生图功能详解-老照片高清修复放大

AI 绘画Stable Diffusion 研究(十)sd图生图功能详解-精美二维码的制作


老规矩,这里还是以案例穿插知识点说明的方式进行讲解。

各位朋友,可以根据我的步骤一边进行实操,一边进行理论知识的学习,这样能提高学习效率。


美女换装制作案例



我们想实现上图一样的美女换装效果的话,应该怎么做呢?


第一步,先准备美女图片信息和模型


我们这里以汉服风为例进行说明。


(1)、 我们可以去c站 搜索 “汉服”

如图所示:


根据图片的参数,我们发现主模型用的是 Chilloutmix-Ni-pruned-fp32-fix ,当然还有 Lora 模型 hanfu2.0,如果本地没有安装的朋友,请先下载安装。


模型可以直接在c站下载,这里就不再详细说明。

如果下载比较慢的朋友,这里给大家准备了案例所用到的模型


(2)、安装模型

下载完成后,将Lora模型文件放到models\Lora 目录

\sd-webui-aki-v4.2\models\Lora



将Chilloutmix-Ni-pruned-fp32-fix 模型文件放到 models\Stable-diffusion 目录下

\sd-webui-aki-v4.2\models\Stable-diffusion


安装完成后,记得重启控制台和webui ,让模型生效。


(3)、复制并设置图片参数


  • 将右侧正向提示词和反向提示词分别复制,粘贴到webui 图生图的提示词输入框
  • 主模型选择 Chilloutmix-Ni-pruned-fp32-fix
  • CFG Scale: 8
  • 迭代步数:40
  • 采样方法选择 dpm++ 2s a karras
  • 随机种子设置:2589415615



sd webui 文生图参数设置如下:


第二步,用文生图功能,生成美女图,并发送到重绘

上述参数设置OK后,直接点击“生成”按钮,将生成后的图片发送到重绘即可。


如图生成后的图片如下:


点击“发送到重绘”按钮,此时,自动切换到图生图重绘界面。



第三步,选择右侧画笔图标,将需要换装的区域涂选

ctrl+鼠标滚轮 可调整画笔粗细。



第四步,正向提示词修改,将衣服相关的提示词修改掉


修改之前的正向提示词 :衣服是明服、明装 。

(8k, best quality, masterpiece:1), (realistic, photo-realistic:1),cute, dating,(smile:0.9), (closed mouth),small breasts, beautiful detailed eyes,<lora:hanfu2.0:1>, jin, (collar button, ming, Ming Dynasty, Ming clothing:1.4)


我们这里将衣服换为唐装,唐服。

修改后的提示词:

(8k, best quality, masterpiece:1), (realistic, photo-realistic:1),cute, dating,(smile:0.9), (closed mouth),small breasts, beautiful detailed eyes,<lora:hanfu2.0:1>, jin, (Tang suit, Tang Dynasty, Tang suit: 1.4)


第五步,保持人物手势和造型不变,需要通过ControlNet 进行控制

  • 启用 ControlNet
  • 控制类型选择 :OpenPose
  • 预处理器:openpose_full
  • 模型:control_v11p_sd15_openpose


第六步,生成查看效果


我们再来换一张汉服风格仅需要修改衣服相关提示词即可:

(8k, best quality, masterpiece:1), (realistic, photo-realistic:1),cute, dating,(smile:0.9), (closed mouth),small breasts, beautiful detailed eyes,<lora:hanfu2.0:1>, jin, (Hanfu, Han Dynasty, Hanfu: 1.4)



对比效果:



这个美女换装效果,各位可还满意?

好了,我们的第三个图生图的功能案例就到此结束。


相关文章
|
3月前
|
机器学习/深度学习 人工智能 文字识别
UGPhysics:本科物理推理评估基准发布,助力AI+Physics交叉研究
近年来,人工智能快速发展,大语言模型(LLM)在数学、代码等领域展现出强大的推理和生成能力,正在被广泛应用于各种场景。
88 0
|
2月前
|
机器学习/深度学习 人工智能 自动驾驶
AI Agent多模态融合策略研究与实证应用
本文从多模态信息融合的理论基础出发,构建了一个结合图像与文本的AI Agent模型,并通过PyTorch代码实现了完整的图文问答流程。未来,多模态智能体将在医疗、自动驾驶、虚拟助手等领域展现巨大潜力。模型优化的核心是提升不同模态的协同理解与推理能力,从而打造真正“理解世界”的AI Agent。
AI Agent多模态融合策略研究与实证应用
|
2月前
|
机器学习/深度学习 人工智能 算法
深度强化学习在异构环境中AI Agent行为泛化能力研究
随着人工智能技术的迅猛发展,AI Agent 在游戏、智能制造、自动驾驶等场景中已逐步展现出强大的自适应能力。特别是深度强化学习(Deep Reinforcement Learning, DRL)的引入,使得智能体能够通过与环境的交互,自动学习最优的行为策略。本文将系统性地探讨基于深度强化学习的AI Agent行为决策机制,并结合代码实战加以说明。
深度强化学习在异构环境中AI Agent行为泛化能力研究
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
原来AI也能“读心术”?——聊聊AI在心理学研究中的那些突破
原来AI也能“读心术”?——聊聊AI在心理学研究中的那些突破
106 1
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
AI 驱动:如何用AI直接生成矢量 Logo? 技术研究与工具选择
AI 技术革新品牌标志设计,通过深度学习分析数据,精准把握市场趋势,智能生成高辨识度 Logo。矢量格式(SVG)确保清晰不失真,适配各类展示场景。AI 工具高效便捷,支持个性化定制,助力品牌快速打造专业视觉形象,成为市场竞争中的有力武器。
130 0
|
2月前
|
存储 关系型数据库 数据库
附部署代码|云数据库RDS 全托管 Supabase服务:小白轻松搞定开发AI应用
本文通过一个 Agentic RAG 应用的完整构建流程,展示了如何借助 RDS Supabase 快速搭建具备知识处理与智能决策能力的 AI 应用,展示从数据准备到应用部署的全流程,相较于传统开发模式效率大幅提升。
附部署代码|云数据库RDS 全托管 Supabase服务:小白轻松搞定开发AI应用
|
人工智能 缓存 NoSQL
【深度】企业 AI 落地实践(四):如何构建端到端的 AI 应用观测体系
本文探讨了AI应用在实际落地过程中面临的三大核心问题:如何高效使用AI模型、控制成本以及保障输出质量。文章详细分析了AI应用的典型架构,并提出通过全栈可观测体系实现从用户端到模型推理层的端到端监控与诊断。结合阿里云的实践经验,介绍了基于OpenTelemetry的Trace全链路追踪、关键性能指标(如TTFT、TPOT)采集、模型质量评估与MCP工具调用观测等技术手段,帮助企业在生产环境中实现AI应用的稳定、高效运行。同时,针对Dify等低代码平台的应用部署与优化提供了具体建议,助力企业构建可扩展、可观测的AI应用体系。
|
1月前
|
机器学习/深度学习 人工智能 PyTorch
GPT为定制AI应用工程师转型第一周学习计划
本计划帮助开发者快速入门AI领域,首周涵盖AI基础理论、Python编程及PyTorch实战。前两天学习机器学习、深度学习与Transformer核心概念,掌握LLM工作原理。第三至四天快速掌握Python语法与Jupyter使用,完成基础编程任务。第五至七天学习PyTorch,动手训练MNIST手写识别模型,理解Tensor操作与神经网络构建。
98 0
|
2月前
|
人工智能 监控 数据可视化
BISHENG下一代企业AI应用的“全能型“LLM软件
杭州奥零数据科技有限公司成立于2023年,专注于数据中台业务,维护开源项目AllData并提供商业版解决方案。AllData提供数据集成、存储、开发、治理及BI展示等一站式服务,支持AI大模型应用,助力企业高效利用数据价值。

热门文章

最新文章