Easy Super Resolution LoRA

你是否曾感到，即使应用了Hires.Fix或Adetailer后，图像仍然显得不够清晰？

这是一个旨在实现超分辨率的LoRA模型。由于已具备高分辨率数据，理论上应能进行超分辨率处理。

该方法的实际效果取决于模型和图像本身。由于该方法使用AI，图像越接近训练数据，效果就越显著。此处我准备了eSRR-Human，主要针对人像面部进行优化。可以同时使用多个模型，但若总应用强度过大，即使单个模型足够强劲，也会导致图像崩溃。此外，该模型不适合从一开始就产生高细节图像的模型，更适合那些曾学习过大量业余拍摄模糊照片的较旧模型。近期的模型已通过LoRA固化了面部特征，因此该方法的效果较弱。

本质上，这是一个锐化处理过程。请记住，它并非总能产生理想效果。

该模型经过训练，以将清晰图像与模糊图像相匹配，因此对本身已清晰的图像效果不佳。若强度过高，它几乎对所有图像都有效，但副作用也过于强烈。对于eSRR-Human，建议仅在Adetailer的面部区域提示中使用较高强度。

当然，为已有足够细节的图像增加更多细节是可行的，但这并不一定生成更佳图像。过度锐化会使锯齿边缘更加明显。事实上，若反向使用该LoRA（即降低锐度）以生成带有抗锯齿的柔和图像，反而可能提升视觉分辨率。

+方向：增强清晰感，增加细节

-方向：使纹理更柔和，降低清晰感

请根据各自特性合理使用。

请注意，增加细节并非像AddDetail或MoreDetail那样添加全新元素，而是恢复图像中本应存在却被压缩丢失的细节。

最佳使用强度因模型而异。部分模型可调至约10，但对于包含大量元素的模型，0.4可能已接近极限。强度越低，效果越弱。若使用方式未破坏原始图像，你将很难察觉明显变化。

建议尝试将其应用于略显模糊的图像。

此外，由于区块权重尚未优化，使用LBW可能更有效。

事实上，我还创建了eSRR-Env，适用于背景等非人像用途，但考虑到其优缺点明显，最终决定不公开。毕竟，让背景更清晰的用途可能本就不多。

(epiCRealistic naturalSin，未使用Hires.Fix的输出接近特写)