SDXL算法概述
SDXL（Stable Diffusion XL）是Stable Diffusion公司发布的一款图像生成大模型。在以往的模型基础上，SDXL进行了极大的升级，其base模型参数数量达到了35亿，refiner模型参数数量达到了66亿。SDXL与之前的版本最大的不同之处在于它由base基础模型和refiner优化模型两个模型构成，使得用户可以在base模型的基础上再利用优化模型进行绘画，从而更有针对性地优化图像质量。
在这里，第一个模型被称为基础模型（base model）。而第二个模型则是细化模型，它在基础模型生成的图像基础上进一步细化图像的细节。细化模型与基础模型采用相同的VAE潜在扩散模型，但在训练时仅使用较低的噪声水平。在推断时，仅使用细化模型的图像生成能力。对于一个提示，首先使用基础模型生成潜在表示，然后给这个潜在表示添加一定的噪声（通过扩散过程），并使用细化模型进行去噪。通过这种重新添加和去除噪声的过程，图像的局部细节会有所提升。
级联细化模型实际上相当于一种模型集成策略，这种策略在文本生成图像领域已经得到了应用。例如，NVIDIA在《eDiff-I: Text-to-Image Diffusion Models with an Ensemble of Expert Denoisers》中提出了集成不同的扩散模型来提升生成质量。另外，利用潜在扩散的图像生成来提升质量也已经得到了应用，例如Stable Diffusion web UI中的high res fix就是基于图像生成来实现的（结合超分辨率模型）。
细化模型和基础模型在结构上有一定的不同，其UNet结构如下图所示，细化模型采用4个阶段，第一个阶段同样采用没有注意力的DownBlock2D，网络的特征维度为384，而基础模型为320。此外，细化模型的注意力模块中的transformer block数量均设置为4。细化模型的参数量为2.3B，略小于基础模型。
另外，细化模型的文本编码器仅使用了OpenCLIP ViT-bigG，同样提取倒数第二层特征和池化文本嵌入。与基础模型相同，细化模型也使用了大小和裁剪条件，此外还增加了图像的艺术评分（aesthetic-score）作为条件，处理方式与之前相同。细化模型可能没有采用多尺度微调，因此没有引入目标尺寸作为条件（细化模型仅用于图像生成，可以直接适应各种尺度）。
SDXL的优缺点
优点
- 更大的体积和分辨率：SDXL的容量相比之前版本大幅增加，支持基于1024*1024的高清图片进行训练，这使得生成的图像更加清晰、细节更加丰富。
- 更智能的文字和语言识别：SDXL可以直接生成带有文字的图片，用户可以使用特定的句式来生成带有文字的图片。
- 同时，SDXL对自然语言的识别能力也得到了提升，不再需要加入大量质量关键词，只需很少的语句就能生成高质量的图片。
- 更好的人体结构：SDXL在人体结构方面有了更精细的控制，一定程度上解决了面部变形和多余肢体等问题。
- 更多的绘画风格：SDXL支持在同一个模型中绘制各种风格的图像，包括照片风格、动漫风格、数字艺术风格、漫画书风格、折纸风格、线条风格、工艺黏土风格、3D模型风格、像素风格等等。
缺点
内存需求更大，对显卡显存的需求也随之增加。SDXL要求至少8GB的显存才能运行，要想流畅使用则需要超过12GB，相比之下，之前的SD1.5对显存的需求较低，最低要求仅为4GB。这也解释了为什么对于一些用户来说，使用SDXL需要配置较高的电脑硬件，而高端显卡的价格也相对较高。
SDXL的ComfyUI工作流搭建
模型与工作流下载
链接：https://pan.baidu.com/s/1gb6iybzyq71XGumTrguj8w
提取码：byyk
感兴趣可加入：566929147 企鹅群一起学习讨论