同一个提示词别人出的是干净通透的成片你手里却满屏彩噪、脸部糊成一团、颜色还溢出——这通常不是模型不够强而是采样、放大、重绘这几步的参数各自为战。多数人遇到噪点只会盲目加步数、狂调 CFG结果是细节更碎、出图更慢画面依旧不听使唤常规的「多写点形容词」对结构性画质问题几乎无效。本文分享一套可复用的去噪与画面优化打法采样器与步数选型 降噪强度分层 放大后二次去噪 局部重绘兜底 批量质检脚本可直接落地。一、先定位噪点来源三类画质问题各自为政出图不达标时先判断毛病属于哪一类再决定动哪个参数彩噪与颗粒采样步数不足或调度器与模型不匹配高频噪点残留多出现在暗部与纯色区。糊脸糊手人脸在整图里占比过小像素预算不够VAE 还原时细节被直接抹平。风格跑偏负面词缺失、CFG 过高颜色过饱和、构图脱离预期。问题一有噪点就加步数、换大模型越改越乱。治理先归因再一次性只改一个变量用同 seed 对比。核心结论一次只动一个参数否则你永远分不清是谁把画面弄脏的。二、采样器与步数选型调度器脾气对照采样器不是越新越好先对上模型和出图场景的脾气采样器建议步数出图特点常见坑Euler a20~30轻快、风格柔和后期仍有轻微噪点低步数不可用DPM 2M Karras20~28收敛快、结果稳超过 35 步收益递减DPM SDE Karras30~40纹理丰富、细节多慢低步数容易发脏UniPC15~20快速试稿细节偏平不适合终稿草稿期用 UniPC 15 步快速筛种子把预算留给选图。终稿期切到 DPM 2M Karras 24~28 步定稿结果可复现。写实人像直接上 SDE 系并把步数提到 32 以上皮肤质感才立得住。核心结论试稿用快采样器省时间定稿换稳定采样器别一镜到底跑全程。三、降噪强度调优img2img 的核心旋钮strength决定「重画多少」是去噪阶段最有效的一个旋钮0.2~0.35轻度去噪与质感微调构图几乎不动。0.4~0.6修掉明显噪点同时保留原构图最常用的区间。0.7 以上接近重画用来救大面积瑕疵但会改构图。下面这段代码用 diffusers 跑一次 img2img 去噪适配单卡 CUDA 环境直接把草稿图洗一遍importtorchfromPILimportImagefromdiffusersimportStableDiffusionImg2ImgPipeline pipeStableDiffusionImg2ImgPipeline.from_pretrained(runwayml/stable-diffusion-v1-5,torch_dtypefloat16).to(cuda)initImage.open(draft.png).resize((768,512))outpipe(promptclean face, soft light, ultra detailed,negative_promptcolor noise, grain, blurry,imageinit,strength0.45,# 降噪强度保留构图的去噪区间guidance_scale7.0,# CFGnum_inference_steps28,generatortorch.Generator(cuda).manual_seed(42),).images[0]out.save(clean.png)strength 0.4~0.6 去噪不改构图seed 固定才能做 A/B 对比。四、提示词权重把审美写进正负向词里画面审美要靠权重把细节「点名」出来而不是堆形容词正向加权(detailed skin:1.3)、(soft rim light:1.2)分级表达优先级。负向收敛color noise, jpeg artifacts, oversaturated, extra fingers直接封死脏源。层次拉开(background:1.2), (foreground:0.9)让前后景不糊在一起。一段可直接复用的提示词骨架如下标点与权重语法在主流 WebUI / ComfyUI 里通用(ultra detailed face:1.35), (soft rim light:1.2), studio photo, film grain:0.7, shallow depth of field negative: (color noise:1.4), grainy, blurry, oversaturated, jpeg artifacts, deformed hands, extra fingers核心结论正向写清要做什么负向封死不想要什么两侧都要写满。五、CFG 与步数联动配错就是噪点放大器CFG 决定「多听提示词」它和步数是联动关系CFG 5~7写实与人像首选色彩自然暗部噪点最少。CFG 8~10插画与设计稿可用对比强注意暗部结块。CFG 大于 12几乎必然过饱和、边缘硬化除非刻意追求这种冲击力。低 CFG 试稿 → 固定 seed → 逐步微调到 7 → 锁参数批量出图核心结论步数低时千万别开高 CFG两者叠加会把噪点成倍放大。六、高清放大与二次去噪细节的最后一公里放大不是简单插值放大之后那次低强度去噪才决定清晰度先放大后去噪先用超分模型如 4x-UltraSharp出大图再回 img2img 收细节。重绘幅度放大后的strength控制在 0.25~0.4防止细节被重画糊掉。分块处理超大图按 tile 切开跑避免显存爆掉和块间接缝。下面这段代码在放大图上做低强度二次去噪适配 diffusers 单卡环境importtorchfromPILimportImagefromdiffusersimportStableDiffusionImg2ImgPipeline pipeStableDiffusionImg2ImgPipeline.from_pretrained(stabilityai/stable-diffusion-2-1,torch_dtypefloat16).to(cuda)bigImage.open(x4.png)# 已超分到 1536x1024 的大图imgpipe(promptsharp clean texture, high detail,negative_promptnoise, blur, artifacts,imagebig,strength0.30,num_inference_steps24,generatortorch.Generator(cuda).manual_seed(7),).images[0]img.save(final.png)超分放大出尺寸 → 低强度去噪出细节 → 一步到位不出接缝。七、局部重绘参数修复边界由蒙版决定整图反复重抽不如定点修蒙版参数决定修复的边界质量参数建议值作用重绘区域仅蒙版蒙版外像素完全不动蒙版羽化8~16 px新旧区域自然过渡避免硬边蒙版模糊4~8 px防止边缘出现一圈色带重绘幅度0.4~0.55手脸这类需要「重画」的部位采样步数与全局一致否则修复处质感对不上脸手修复用自动检测类插件批量跑图省掉手工描蒙版的人力。构图修正只圈出问题区其余像素原样保留不影响已经满意的部分。核心结论全图重抽是赌运气局部重绘才是可控修复。八、风格锁定用 LoRA 与 ControlNet 钉死随机审美要稳定就得把「风格」和「结构」从随机种子的影响里剥离出来LoRA 定质感lora:film_style:0.7权重建议 0.6~0.8超过 0.9 容易过拟合成塑料感。ControlNet 定结构openpose 锁姿势、canny 锁轮廓即使去噪强度不低也不跑形。叠加顺序先结构后风格ControlNet 权重 0.6~0.8 打底LoRA 再压质感。ControlNet 锁骨架 → LoRA 定质感 → 低 strength 去噪 → 局部重绘收尾核心结论随机种子只负责微小差异构图与风格必须由可复用的条件控制住。九、批量出图质检脚本替你筛掉糊图单张好看不算数批量跑图必须配上自动质检阈值筛查用 Laplacian 方差筛糊图用亮度直方图筛过曝废片。留痕记录把 seed、strength、CFG 写进文件名出问题能回溯到具体参数。失败重跑低于阈值自动换种子重跑替代人工一张张挑。下面这段脚本用清晰度阈值分流图片依赖opencv-python可在 Linux 或 Windows 下直接跑importcv2,glob,os os.makedirs(retry,exist_okTrue)forfinglob.glob(out/*.png):graycv2.cvtColor(cv2.imread(f),cv2.COLOR_BGR2GRAY)sharpcv2.Laplacian(gray,cv2.CV_64F).var()ifsharp80:# 模糊阈值os.rename(f,f.replace(out/,retry/))print(f重跑:{os.path.basename(f)})else:print(f通过:{os.path.basename(f)}清晰度{sharp:.1f})出图 → 算清晰度 → 阈值分流 → 低分自动重跑。十、固化参数模板让审美可回归可复用把跑通的参数固化成模板审美才不会随心情漂移一张基线卡记录采样器、步数、CFG、strength、LoRA 权重这五个值存成一份配置。单变量微调每次只改一个值并存图形成自己的对照组避免凭感觉判断。回归检查换模型、换显卡、升级插件后重跑基线图确认画面没有退化。基线模板 → 单变量微调 → 存档对照 → 固化为新基线核心结论参数不是调出来的是对比出来的没有基线就没有审美标准。结语去噪与画面优化的难点从来不是缺参数而是参数之间互相牵制步数配错采样器会留噪点强度配错放大环节会糊细节负面词不写满则脏源源源不断。把这套「先归因、再选采样器、分层控强度、放大后二次去噪、局部重绘兜底、批量质检留痕」的链路串起来出图就从碰运气变成可控流程。更重要的是参数模板与回归检查让你的审美可以沉淀换模型、换环境都能快速验证画面是否退化团队协作时也能直接共享同一张基线卡。先把一套参数跑成基线再谈风格自由——没有可复现的流程就没有可积累的审美。
