latentcouple使用教程

今天我们来讲一期技术干货，我相信有人会问，这张照片又不好看，为什么要放在封面展示？后面的这些照片不是质量更高吗？ 但是眼睛的 stable the future 玩家应该不难发现，左边的男性形象是我自己训练的 lore 模型。而如何在一张图片里面使用多个 lore 分别控制人物是不少 sd 玩家遇到的难题。 今天就来说说如何使用 latin 克 pro 插件来解决这个问题。在我的工程界面中可以看到，我使用了这个插件，把正向提示词分为了三部分， 其中一个 lore 控制蓝区，另一个 lore 控制红区，然后在最上方是对整张图片进行统一描述的提示词勾选启用，并且需要勾选另外一个插件 composable lore 为启用。 在向上部分就是 controlling 对整个画面构图进行控制。但是需要注意的是，这里的引导终止时机要选择零点三到零点四之间，不然过度控制就会让啰啰没有了发挥空间，失去了啰啰的特性。 剩下的就是一些基础的参数设置，这个插件的应用非常广泛，比如人和车的 lora。 如果这个视频帮助到你，请不要吝啬你的点赞和关注，我们下期再见！

如何出两个女孩不一样特征的效果图？今天简单介绍一下两个插件其他的配置这里就不阐述了， 这两个插件一个是组合 lower， 一个 latentople， 一定要配合使用才有效果。这张表对 latent 的参数做了详细说明，提示词的部分用 m 分开背景和人物，还要说明两个女孩哦。 放大 later 虚拟的图来提示背景和人物。

你想不想绘图的时候啊，分区域去画多个主体，像这样的老婆同框多个事物呢，互不影响的构图啊，只需要看完今天的视频，你就能学会。 大家好，我是孟克，我们用 stable 底学生画画的时候啊，总是生成一些单调的人像，呃，看来看去呢，其实已经很烦了。有的时候啊，我们想要生成这样的，或者是这样的 c p 图，又或者是像 m g 那样背景上纹龙画虎的风格。 但是对于 steambody feels 来说啊，一旦有两个以上主体，或者说同时使用两个以上的 lower， 那主体之间的描述呢，就会变得非常的复杂， 最后的结果呢，只能是召唤股神啊。但今天啊，我们讲的 later cabo 就能完全的解决这些困扰。那废话太多了，我们来开始安装。首先呢， 找到拓展界面，我们搜 latin cover。 呃，如果你想要分别使用 lower， 那么呢，你就要把上面这个也安装掉。首先呢，我们在这个地方直接导入一张图片， 然后你会发现这里其实是蒙版界面，而且呢有画笔，调色盘这些。那直接呢，按照你想要的构图啊，把画面分割， 我们这里简单的左右分布。那搞定之后呢，点击这里，这里有一个已经完成了草图，这里你用几个颜色的画笔啊，就能分几个区域去做你想要的绘图的构图。我们这里啊，是只简单的分割了两个区域，我们来分别写一下关键词。 那比如说呢，我们要画一个兽人和少女，那么我们就要先写总的关键词，一个女孩呢，领着一个兽人。那第一部分呢，我们看 看到的就是左半边的这个半边，我们写一个纯洁的少女，那第二部分呢，就是右半边，我们来写一个凶狠的半兽人。那写完之后啊，我们来点这个地方，可以看到正向关键词呢，直接按照格式啊在上面写好了， 这个时候我们再去调整比例和参数，我们这里用七六八乘七六八，那采用方式呢？选 sd 步骤呢？二十六步，把尺寸也调成一致的。 好了，我们这个时候点生成，可以看到这样的两个主体呢，不仅按照我们的左右构图出现了，而且呢也分别描述成功了两个主体上的细节。那这个技巧啊，其实很简单，各位小伙伴啊，可以尝试取用 composable lore 后，配合这个 lore 呢去画出这样 或者这样的图片。另外呢也可以配合 ctrl net 实现画面的构图全控，希望这个视频啊能给大家的绘画带来更多的可能性。好了，我是蒙克，一个一天玩二十三小时 ai 的创业者，关注我， ai 时代不掉队！

当你还在一个个画人物的时候，别人却可以全都要跟着我一分钟。学会 stable diffusion。 实现多人图， 首先需要配置两个扩展， composer lore， 用于对不同的人物提示词字段使用不同的 lore 模型。 later capo 用于对图片进行分区渲染，从而达到多人图效果。 第一步，打开 latent capo 扩展勾选启用进行设置。这里的分割位置和权重都是英文逗号分开一一对应的 分割用于设置画面。分割区域大小。第一个一比一是默认全图不用改，之后是每个区域的大小，一比二表示高占全图一分之一， 宽占全图二分之一。连续两个一比二就是把区域平均分成两份位置用于指定每段提示词对应的分割区域。第一个零比零式全图提示词不用改，后面的分别对应每段提示词依次对应的区域。零比零代表第一行第一列的区域，零比一代表第一行 第二类的区域，以此类推。权重用来设置每段提示词的权重强度，第一个代表全图提示词的强度，后面的权重分别与位置指定的提示词对应。默认状态下是双人图设置，可以点击预览。这是三人图设置，这是四人图设置， 这是两人图。左边人物占全图三分之二，右边人物占三分之一的设置。第二步，打开 composer lore 勾选启用。以双人图举例提示词，按照这个格式输入第一行全图提示词，第二行 m 加位置一提示词，第三行 m 加位置二提示词。 提示词中要有二 girl 二 boy， 二 people 这样的词，这里建议配合 control net 使用，更好地控制人物动作。 如果要画 cp 图提示词，可以用二 people controlled 换上相应的参考图。点击生成我是橘大，分享更多 ai 干货。

哈喽，大家好，我是阿珍，今天这个视频我接着来给大家分享一些关于 stead body future 在实际的设计工作流程当中的些使用的经验和小技巧。今天这个视频呢，其实他对你出图的质量的上限本身来说没有特别大的提升，像这种 不是说效果特别爆炸的视频呢，往往这个播放数据也不是特别好看。就是，但是如果你实际的在使用这个 啊 c 波的微信去做设计工作，去辅助你的设计工作的话，你会发现啊，我今天会教给你的这个技巧其实是非常有用，他对于你出图的这个准确性和效率是有很大的提升的。所以如果你觉得这个视频对你有用，也不要忘记给我一个免费的赞哈。 那我今天要讲的这个事情呢，它是怎么回事呢？就是我们以前讲过，就是我们比如说有一个 sketch up 模型，我们可以在里面去做 seg， 对吧？就是用这个图层或者说用这个材质去填充啊这种方式去做 seg， 然后就指定 这个颜色，每个颜色代表的一个指定的属性的内容。但这种方法的话，我自己实际体验下来的其实感觉是比较麻烦的，就是如果你们在实际当中工作去用，可能也会觉得比较麻烦，因为模型都已经练的这么细了，你每一个东西都要去修改它的材质，修改它的图层 肯定是一个很大的工作量。那另外一个呢？你的模型建成这个样子之后，你不只是拿来去做 stabilificing 啊，去进行后续的工作，对吧？你还有很多很多的工作要去做，那你把这个模型改的花里胡哨的，那最后也没法用了，对吧？ 所以我们在想有没有一种更简洁更优雅的方式去完成这样的工作呢？啊？我们现在就给大家教这个方法，就是，嗯，这个插件呢，我们先要去安装一下这个插件叫 latin cup， 这个网址呢我会发给大家 这个 late in the couple， late in the couple extension。 啊，这个插件装好了之后，它其实就是去锁定这个画面不同的区域，用色彩去控制它 它的内容，但是这个跟 seg 那个它有一点区别，就是 seg 那个它是一个严格的一个表，然后你每个颜色还不能弄错了，对吧？但是这个里面呢，我们只需要去指定你的颜色，你自己去指定一个什么颜色，然后自己去指定这个颜色放什么内容就可以了。好，这个要 方便啊，很多啊。然后我们装好了之后呢，你在你的这个插件啊，这个这栏，在这个下面就会有一个叫 latin kapo 的这么一个插件。好，然后我把这个重载一下，我们来给大家演示一下它的好处是什么。好，首先我们的这个模型呢，我们比如你固定好一个场景之后， 好，然后我们这地方去导出一个线稿。以前我们可能还会导出一个 seg 那个图，对吧？我们结合起来去用，但是你去做那个 seg 比较麻烦，那线稿的话，其实就很简单，对吧？你导成这个线框模式，然后去导出这个图就行了。其实像这个模型的话，我都觉得他这个线稿其实已经建的这么细了，其实按照我的理解，他 他更好的工作流都不是去用 stabilification 去做了，这个我们在后面的视频里面在专门去讨论其他有更好的工作流。我们这里呢，其实重点是想去讨论一下下面这块，我们去啊去做，就是我把这个线稿导出来之后呢，大概就是这样子，那么这个线稿我去描述他的时候，我这个后面我需要一个 啊，高层的这个综合体的那个建筑，那前面的话，这些这块区域，我希望他是个公园，这块是空地，对吧？就是。然后这块呢，我希望他是一个公路，是一个马路，然后这边可能也是公园，然后马路两边可能有些行道树啊，大概就这样子。 好，我把这个线稿导出去之后呢，我们来到这个 stability fusion， 然后这边的反向提示词，我先给他一些固定的，然后正向提示词，先给他一个基础的骑手式，然后这边 best quality， masterpiece， realistic， architecture， 就这几个。好，然后下面的出图的参数，然后七六八，然后 我直接来十六张吧，十六张我们可以看到一些概率，看得到一些趋势。好，然后 ctrl net， 我们把这个线稿拖进来，使用完美相输好，这里选择 lart。 好，然后第一次我们就先不去啊，用这个 latencap 我们来看一下，就他，我们知道啊，就是我们在这张图里面，我们大概想要的这个也是一个，我们这边写好了，我们来接着写啊，就是这个城市的背景，对吧？我们来直接用这个写啊，然后 高层办公楼，嗯，他的这个前面有一片，这个叫公园，对吧？公园里面长 满满的很多这个植物，这地方我直接提前写好了，然后直接复制过来吧，然后这个地方 park 啊，对吧？然后下一段啊，我希望在这个公路上有很多的车。好，那我把复制过来，然后最后呢？我希望这个道路两边有很多的行道数啊，然后我来把它复制进来。 好，然后这边呢还有一个比较重要的事情，我们检查一下我们的大模型，这个地方我用的是 architecture 啊，这个 remix 啊，这个是我在 c 站公开发布的这么一个大模型，建筑通用大模型，非常的好用啊，推荐大家使用。好，然后我们来先测试一下，就是看他这个能不能去理解到我们的意识。 好，稍等片刻，我们这方就生成好了这么一张图，我们把这张图打开来看一下这个，这个图呢因为我生成了十六张，十六张的话更好去看到他出错的 概率，就是我们看到这个图里面是很多地方，他的这个绿化其实严重的挤压了我们这个公路的这个空间，对吧？就是这个公园他其实没有很好的啊，识别到我们这个公园的边界在哪啊？ 但是公园这块区域啊，其实大概率啊都是没有什么问题的，就是，但也有些时候他这个公园可能不在这个区域啊，这个我之前测试也遇到过，那现在我们就拿这个 latin cup 我们再来做一个对比啊，就是我们用 latin cup 去怎么去用呢？我们在这个下面啊，就是， 嗯，我们把启用启用了之后呢这个 lantern cup 它需要一张图片，那么这个图片怎么去获得呢？我们在 s u 里面，我们其实很容易去获得 这样一张图片，就我们把这个边线啊关掉，开成这个叫着色模式，着色模式呢，它其实就是把所有的材质信息变成一个色块，那么这个图呢，其实天然你就可以把理解为一个叫 material id 材质通道，它每 每一个材质呢都变成了一个独立的色块，那么这个色块你在 ps 里面去抠，就非常的好抠啊，你基于这个图，然后你再去把它有这块的单独把抠出来，这块公路把单独抠出来，抠出来之后呢？你做什么事情单独的给他指定一个，随便指定一个什么颜色去呢？这个颜色他不像我们以前用那个 set， 他是有一个严格的对照表的， 这个他就没有对照表，因为这个颜色代表什么含义需要你自己去指定。好，我们把这个图呢做成边际，然后我们把这张图拖到这个内存卡坡这里来。好，然后这一方要选择蒙版啊，然后我们点一下完成绘制，然后呢这个地方我们就可以去把上面那段 prompt， 把它复制下来。好，这段完整的 prompt 看错 c， 好，然后我们把复制到这个 general prompt 这儿，然后我们这个下面呢每一个颜色它就分离出来的吧，就每个颜色它应该是什么内容？那么这一块这个绿色的，我这方对应的是公园， 那我就把这个公园的这段 pro 把剪切出来， ctrl x 剪切出来，然后把它放到这来，然后这一段呢是代表的是公路，对吧？你这个路上有很多车，然后把这段车的这段把它剪切出来， ctrl x ctrl v。 好，然后最后这个是我的这个行道数的吧， ctrl x ctrl v 啊，然后这个行道数我画的比较少啊，我只画了沿着这一侧的，沿着这个建筑这一侧的，然后这一侧其实没画，比较偷懒的。对，嗯，我们来看一下这个效果吧，然后我们点一下这个 prompt info update， 点一下它， 点了之后呢，他这地方就变成这样子了，这个顶上的也跟着变了。这地方你还要稍微注意一下，检查一下这地方，启用这个勾一定要勾选，不然他是不会生效的。好，我们再来生成十六张，我们看一下效果。好，稍等片刻，这地方又生成了十六张。好，我们把两次生成的图来做一个对比，你会发现明显的这个第一轮啊，没有用那个 later cup 的时候，你会发现这个很多这个植物啊，他就是大量的侵占了我们这个公路的这个空间，而我们使用 late cup 之后，这个公路基本上都是没有被这个公园侵占的吧。就他你在这个区域，你指定的他画公路，然后上面很多的车，他就是给你画这个公路上很多的车，他可能有些公路上面这个颜色他 变得有点奇怪，但是他的概率是比较低的。整体上来说，这个里面十六张图，只有这一张图出现了一个比较奇怪的这个结果，但是在这个最开始我们没有使用这个插件的时候，他其实有很多这个图，他的概率是比较低的。如果说你要去抽到一张比较符合我们这个实际的设计场景的图，他其实 啊他的概率会低很多，当你只有一张图，你可能觉得就几分钟的时间，但是你如果有时候有十张图，有一百张图，对吧？这个时间累积起来就很大了。那么你去制作这样一张蒙版啊，那种雷特卡普去制作这样的蒙版，其实是非常快的。当我这个行到数，比如你这个地方，按道理应该这一圈也应该去画一下这个你可以基于 你的那个线稿，直接在 ps 里面直接用那个画笔工具随便简单的磨一下就可以。好，那么关于这个插件，我就给大家讲到这啊，就是其实这个插件我觉得在实际的工作流程当中去是非常有用的啊，就是如果你觉得有用的话，一定记得给我点一个赞。如果你有系统学习 ai 辅助设计工作的需求，那么也可以购买我的 啊系统课程，然后这个课程里面给大家整理了很多很多实用的小技巧，那么本期视频就到此为止。好，拜拜。

最近 ai 在速度上不断的有技术突破，清华大学这边刚刚推出了四部就能出图的 lcm， 而 cbd 飞损官方转头就发布了一部就能出图的 sd turbo 模型，两者都具备实时出图的能力，到底哪一个速度更快一些呢？今天我们就来对比测试一下。嗨，大家好，我是李晨，欢迎来到 cg 迷。 sdxl 特补模型使用一种全新的对抗扩散蒸馏技术，简称 add， 这种技术能够在保持图像质量的同时大大降低采样步数。从开发文档可以看到， sdxl 特补模型只需要一步采样就能获得接近 sdxl 模型五十步采样的效果了， 非常的厉害。我们可以到 stable division 官方的 click job 平台体验一下 xdxl turbo 的速度。作为一个男孩，红色头发在学校里面可以看到我的提示时，还没输入完毕， 窗口就已经给到我对应每个题词的反馈画面了。继续输入特写镜头微笑。这里由于我测试次数已经用完了，但是需要升级会员，大家可以自行来感受一下不同题词下 ai 的实时反馈效果。 在哈根 face 页面，我们可以下载 x d x l turbo 模型，原版容量大小已经来到了恐怖的十三点九 g b 大小了， 而这个带 fp 四六的是一个经典版本，容量也达到了六点九个 gb。 这里我就下载这个经典版本，把它放到 stabledifiction 大模型的目录里面即可。 我们进入 stable diffusion， 先来用一个普通模型开开刀题词，输入一只猫，采样步数改成一，点击生成。在一不采样设置下，相信没有哪个模型能够生成出能用的画面，这时候我们来切换成 sdxl turbo 模型，等待模型加载完毕，迭代步数依然是一。这里采 产量器一定要选择支持最好的 ula， 或者上一节课给大家讲解的 lcm 产量器。分辨率五幺二乘五幺二， cfg 值跟 lcm 模型一样，也要改成二以下。 ok 点击生成， 可以看到 sdxl turbo 真的就能在一步生成出可用的画面效果了。我的显卡是四零六零太，这时候看到生成一张图片，用时是四秒钟。目前 sdxltube 模型最理想的出头大小是五幺二乘五幺二二左右， 叫做 sdxl 啊，但目前这个模型分辨率还不能去到一零二四级别，加大这个图片的比例后，很容易出现多头多手的情况。 sdxl turbo 一步就能生成出相当可观的画面了。 继续增加采样值，画面细节和清晰度会有所增加，但超过五步采样就没有必要了，不但增加了渲染时间，而且步数越多，过渡礼盒的情况 就会越发严重。下面我们来进入测试对比环节。 s d x l turbo 在一步采样下生成一张六五零乘五幺二分辨率的图片，用时是四点一秒。 接着我们换到 sdxl 官方模型，这里采样就不能是一了，改成十五， cfg 值改成七。点击生成，可以看到 sdxl 官方模型，用时是十秒钟。接着我们来测试一下 lcm 的速度， lcm 采样要比 sdxltobo 多一些，设置成五， cfg 值改回一， 还需要添加 lcm lower 进来。 ok 点击生成，可以看到生成速度仅仅只有二点二秒，五部的速度比一部的 sdxl turbo 还要快。 不过这样的对比略显对 s d x l turbo 有些不公平，毕竟人家也是 s d x l 模型，所以这里我把 l c m 也换成 s d x l 模型来对比一下。这是五步的 s d x l l c m， 用时是六点九秒，比普通的 s d x l 模型要快上百分之三十左右。所以综合来说，目前还是一点五版本的 l c m 技术更适合 stable differencevip ui 平台， s d x l turbo 或许在 coco ui 平台上会更有优势，这个我回头再来测试一下，有测试过的同学也可以给我留言一下。 现在市场开始陆续有模型作者推出基于 s d x l turbo 和 s d x l l c m 一体叠加融合的模型了。 效果来说， turbo 加 lcm 双融合会比 turbo 或 lcm 单融合更好一些。不过这种双融合的模型会丢失 turbo 的功效，至少需要五步以上的产量才能 能出好的效果。不过他解决了 sdxl turbo 分辨率不足的问题，可以生成出一零二四分辨率以上的图片，也不失是一种折中的模型方法。 sd xl turbo 他并没有大家吹的那么厉害，出来的效果也不算太好。不过 sd xl turbo 还在测试阶段，相信等他在迭代净化一下，更好的版本很快就会到来。好了，以上就是本期视频的全部内容了，感谢大家的观看，我们下期再见，拜拜！

最近一款名为 lcn 的模型可谓风靡全球，在过往，不管我们用 stable difficult 还是 midrening， 生成一张图片起码得等上个十秒。而现在有了 lcm 技术的加持，我们已经可以做到一秒出图，甚至是实时出图。 因此市面上衍生出很多基于 lcm 技术的 ai 应用，我们只需要简单画上几笔线稿，移动一下画面上的形状，就能实时看到最终画面的变化了，非常的厉害。今天就来给大家讲解一下如何在 stable defection 里面使用 lcm 模型。 嗨，大家好，我是李晨，欢迎来到 c 居民。 l c m 是由清华大学星系科技技术研究院研发的大模型。 l c m 全称 latest consistent models， 浅空间一致性模型，它最大的特点就是速度超级的快，能够在二至四步就能生成出质量不错的图片了。最新版的空腹 ui 已经加入了对 l c m 的支 词，而我们常用的 stable division web ui 版怎么才能用上 lcm 模型呢？我们来到哈根 face lcm 社区首页，点击进入 lcm lora 模型页面，在这里可以下载 lcm 针对 s d s l 模型的 lora 和对应 s d 一点五模型的 lora， 这两个 lower 都是需要下载下来的，然后旁边的模型处下拉到最下面。看到这个 lcm dream ship 模型，这个是目前唯一能够支持 stable devision web ui 的 lcm 模型，他仅需四步采样就可以生成这样的图片效果， 一至二步采样，图片的大致轮廓图形就基本构建好了。点击这里的 flows 就可以把这个模型下载下来。本教程涉及的所有模型代码素材我都会打包好提供 给大家，大家直接评论区自取即可。某运营同学私信一下我备注 l c m， 我会一一把下载链接回复给大家。不过需要注意的是，这个 dream ship l c 模型是不能直接使用的，那必须在 sable defician web ui 里面安装这个 sd web ui lcn 插电才能使用。安装好后，在 sable defiction 顶部菜单栏就会有 lcn 专门的项目界面， 我们也可以直接在哈根贝斯的页面体验一下 lcm ship 的效果。在这里输入提示词下方可以调整总值数，图片宽度和高度。 cfg 值。现在采用步数，仅仅设置成四步，点击生成，可以看到大约五秒钟时间就生成了四张质量相当不错的人像图片， 平均一张只需要一秒多一点点的时间，速度非常的快。点击展开大图，可以看到小女孩脸部、眉毛、嘴唇处都有不错的细节表现。由于 l c m ging ship 必须在插件界面才能使用，这样就导致他不能和 ctrl 等常用的插件来配套使用了。不过我们通过 l c m 提供的 lora， 再利用一些简单的 代码小技巧，就可以让 stable division 里面的所有模型获得 lcm 加速的能力。下面来给大家讲解一下方法。在我的 stable difference 采样器里面，很神奇的多出了一个 lcm 采样器， 要得到这个采样器，我们必须进入 slab dv 选文件夹里面找到 modules， 在里面可以看到 s d samples extra 和 s d sample k diffusion 两个 python 文件，接下来我们要修改它，在修改它们之前，切记把这两个文件备份一下， 找一个文件夹保存起来，以免修改出错后还可以还原回来。我们先修改 kdfacen 这个文件，右键用记事本方式打开。这个文件是用来记载 stabledefeasion 里面的各种不同产量器的。 我们在 lms 采样器下面直接增加这一段代码，把 lcm 采样器增加进来，然后保存一下。接着我们用同样的方法打开 x 这个文件，把这段代码粘贴进来保存一下。 接着把 lcm 两个 low 模型放置到 stabledivision 文件夹的 models lower 文件夹里面，这时候重启一下， stabledivisionlcm 产量器就成功添加进去了。接下来我们就来测试一下 lcm rowla 和 lcm 产量器的效果。 简单输入一段题词，使用 ula 采样器采样步数二十步生成了这样的一张图片，用时是十五点四秒。这时候我们切换到 lcm 采样器，所有参数保持一致， 点击生成。现在这个新生成出来的图片，用时同样是十五秒左右，所以 lcm 采样器并不能加坏我们对图片的渲染速度，这一点是需要注意的。我们切换回 una 采样器， 之所以选择优乐 a， 是因为经过一系列测试后，我发现优乐 a 是所有默认产量器里面对 lcm 支持最好的一个，所以这里选择优乐 a 来作为对比对象。 lcm 之所以快，是因为他能够用很少的产 采用步数生成出不错的效果，所以这里把采用步数从二十直接降到五。还有一个很重要的设置，必须把 cfg 值改成二以下，这里就直接改成一点击生成。可以看到啊， ula 在采用步数降到五后，生成出来的图像就完全不能看了， 说我们点击一下贴词，然后加入 lcm 一点五的罗瓦进来，其他参数不用变，采样波数依然是五。点击生成可以看到，在添加了 lcmlow 后， ula 就很神奇的生成出了清晰的图像了，这就是 lcmlow 的厉害之处。这时候我们把 ula 采样器换成 lcm 采样，点击生成， 同样可以生成出清晰的图像，用时从原来的十五点七秒降到四点七秒，速度提升了将近四位。我们来对比一下不同模型用了 a 和 lcn 排行器的效果区别，他们生成的速度是基本一样 样的。同样的参数下， ula 会比 lcm 多出一些细节，而 lcm 背景虚化会更多一些。二次元模型里面， lcm 的画面会更唯美一些，而且人物轮廓边缘线条更平滑， ula 则出现较为明显的锯子状线条。 这组图片对比背景和地面细节依然是 unia 更多一些，而汽车主体上的表现，个人认为 lcm 会更好一些。 另外， lcmlower 搭配 lcm 产量器，在放大效果方面兼容性要比 stable 自带的产量器更好一些。同样的参数下，采用高分辨率放大两倍， lcm 细节表现有显著的提升，而 una 放大的画面已经开始有过渡礼盒的 情况了，而平常用的很多的 d p m 加加 r m 卡瓦采样器，放大效果更是不能看。我们再来看看 l c m 采样器在不同采样步数下的表现， l c m 在四步的时候画面 基本达到可用的效果，在五步之后，每增加一步画面会更加的锐利。不过在增加到第七、第八步之后，继续增加采用步数，画质提升已经不太明显了， 我们完全没有必要把采用步数加高，白白浪费了 lcm 低步数就能出好效果的优势。 lcm 技术的加入确实让我们出头效率提高了不少。点击一下就生成一张图片，我的显卡并不算太好，生成一张图片也只需两秒的时间。 虽然 lcm 生存出来的图片质量并不算太高啊，但在 lcm 技术帮助下，我们完全可以用较低的采样值，高效率的大批量出图， 然后从中挑选一些满意的图片，再来进行高清放大处理，这样就可以有效避免了不断重复抽卡的烦恼。此外，要先快速出图的技术，对需要一次生成几百真动画的 madef 来说，效率提升是非常巨大。 想了解 animate def 的使用方法的同学可以看一下我这一期教程。另外，我准备了很长时间的一套 stabledifshion 系统课程即将跟大家见面了，目前这套课程已经更新了将近五十节课时，感兴趣的同学可以继续关注 cg 名。 好了，本期教程到这里就结束了，感谢大家的观看，如果觉得教程还不错的话，请不要吝啬你们的小爱心，记得点赞收藏一下了。感谢大家的三连，我们下期再见，拜拜！