Stable Diffusion 本地出图迭代链（候选—约束—修正—放大）
这是一种什么做法
把"生成一张图"拆成四个相邻、可独立迭代的环节：先在低成本分辨率下生成候选，再用结构约束控制变化，再用局部重绘修正常见错误，最后做高清放大。本方法来源于 SRC-VISUAL-001 课程的工作流编排，是 Stable Diffusion 本地出图的核心可复用模式。
适用情境
操作过程
- 文生图候选
- 输入自然语言提示词、负面提示词，以及基础参数（采样器、步数、尺寸、随机种子）。
- 在可接受的分辨率下生成首批候选，确定画面主体、环境、风格、镜头方向。
- 结构约束（图生图 / ControlNet）
- 用参考图、姿态图、深度图、边缘图或 ControlNet 约束保持结构。
- 通过图生图与重绘幅度（Denoising strength）探索变化。
- 局部重绘
- 对人物脸部、手部、物体边缘、文字等高频错误区域做二次生成。
- 提示词与权重控制可用于精细调节局部内容。
- 高清放大与细节修复
- 通过 Hires Fix 或放大模型补足分辨率与细节。
- 再做一轮人工检查，作为最终交付前核验。
经验和失败点
- 把"出图"与"修正"分离可以避免在错误基础上反复生成，降低时间和算力成本。
- 候选阶段不宜追求高分辨率，应在低分辨率下先把构图与提示词方向跑通。
- 结构约束不是替代提示词，而是用更明确的几何信息减少候选之间的差异。
- 局部重绘对脸、手、文字、边缘的修复往往一次不彻底，需要多次迭代。
适合谁
- 刚开始接触 Stable Diffusion 或本地扩散模型，并希望理解完整工作流的初学者。
- 希望把"AI 抽卡"变成可重复、可解释流程的内容创作者。
关联任务、工具和方法
来源边界
- 本方法是基于 SRC-VISUAL-001（观察日期 2025-11-07）整理的作者工作流归纳，并非实验结论。
- 课程中提到的具体模型、采样器、ControlNet 子模型清单具有时效性，截至 2026-07-13 可能已变化。