原文章链接：https://res-adapter.github.io/
项目代码：https://github.com/bytedance/res-adapter
仓库链接：https://github.com/bytedance/res-adapter.git
文本到图像模型（例如稳定扩散）和相应的个性化技术（例如 DreamBooth 和 LoRA）的最新进展使个人能够生成高质量且富有想象力的图像。然而，在生成分辨率超出训练范围的图像时，它们经常受到限制。为了克服这一限制，我们提出了分辨率适配器（ResAdapter），这是一种专为扩散模型（例如 SD 和个性化模型）设计的域一致适配器，用于生成具有不受限制的分辨率和长宽比的图像。
简单来说，AI生成图片时用到模型，模型在训练的时候会有一个图片分辨率的固定值，比如50张512X512分辨率的图，效果是最好的。但是模型到了我们这边使用时，想变成1080X960这种分辨率时，模型没有经历过这样的训练，数据库里也没有对应效果最好的扩散噪点位置。所以它就只能通过把一张1080X960的画布平均拆成两半，然后在这两边里面都用提示词生成一次图片。这样就会导致本来关键词只有“1个女孩”，画面会出现两个头两个人的情况出现。
Stable Diffusion专区：
https://heehel.com/topic/stablediffusion-toppic
ComfyUI专区：
https://heehel.com/topic/comfy-ui
与其他通过后处理处理静态分辨率图像的多分辨率生成方法不同，ResAdapter 直接生成动态分辨率图像。这种视角可以实现高效的推理，无需重复的去噪步骤和复杂的后处理操作，从而消除了额外的推理时间。通过广泛的分辨率先验增强，无需来自训练域的任何风格信息，具有 0.5M 的 ResAdapter 可以为个性化扩散模型生成具有域外分辨率的图像，同时保留其风格域。
综合实验证明了 ResAdapter 与扩散模型在分辨率插值和导出方面的有效性。更多扩展实验表明，ResAdapter 与其他模块（例如 ControlNet、IP-Adapter 和 LCM-LoRA）兼容，可提供灵活分辨率的图像，并且可以集成到其他多分辨率模型（例如 ElasticDiffusion）中，以有效生成更高的分辨率。分辨率图像。
