Как улучшить качество изображения, созданного нейросетью

Быстрый ответ: 10 шагов для мгновенного улучшения

Нужен результат прямо сейчас? Мгновенно улучшить фото нейросетью позволяет связка правильного разрешения, латентного масштабирования и точечного восстановления лиц. Единого ГОСТа здесь пока нет, поэтому алгоритм ниже собран на базе технических рекомендаций Stability AI, NVIDIA и Adobe. Кажется сложным? На деле это занимает буквально пять минут.

1. Базовое разрешение. Повторите генерацию с более высоким разрешением и правильным соотношением сторон. Например, 1024×1536 для портретов. Не пытайтесь вытянуть квадрат в вертикаль на этапе апскейла.
2. Сэмплирование. Увеличьте шаги (до 30–40 для SDXL/SD3). Используйте сэмплер DPM++ 2M Karras. Параметр CFG держите в коридоре 5–7. Важно: CFG выше 10 выжжет цвета и сломает геометрию кадра.
3. Очистка промпта. Проверьте negative prompt. Уберите мусор, оставив базу: blurry, jpeg artifacts, extra fingers, text.
4. Латентный апскейл. Включите Highres. fix (Latent upscaler). Масштаб 1.5–2×, denoise strength 0.25–0.4. Это добавит микродетали, но не перерисует изначальную сцену.
5. Внешнее супер-разрешение. Запустите внешний апскейл изображения в 2–4×. Для фото берите Real-ESRGAN или SwinIR, для аниме — 4x-Anime6B.
6. Анатомия лица. Восстановите лица. Оптимальный вес CodeFormer — 0.3–0.6. Если нужен более сильный косметический эффект, сравните результат с GFPGAN.
7. Локальная ретушь. Подкрасьте проблемные зоны (руки, глаза, поехавший текст) через Inpainting. Denoise на уровне 0.35–0.5.
8. Микроконтраст. Уберите цифровой шум и верните резкость. Сначала Denoise, затем Unsharp Mask или High Pass (5–10 px) в фоторедакторе.
9. Цветокоррекция. Сведите цвет и тон. Мягкая S-кривая в Curves или Levels. Обязательно сверьте скин-тоны через HSL.
10. Финальный экспорт. Сохраняйте под задачу. Для веба: sRGB, JPEG (85–90%), 2048 px по длинной стороне. Для печати: Adobe RGB, 16-bit TIFF, 300 PPI и ICC-профиль вашей типографии.

Улучшение качества на этапе генерации: промпт, модель и параметры

Выбор модели и чекпоинта

Выбор модели всегда зависит от задачи.

Для фотореалистичных изображений лучше использовать SDXL, SD3 или SD4 в сочетании с подходящим VAE. Если же приоритетом являются стилизация, иллюстрации или аниме, хорошим выбором остается Stable Diffusion 1.5 с подходящей LoRA.

У каждой модели есть свои сильные стороны:

Разрешение, Highres Fix и латентный апскейл

По возможности сразу генерируйте изображение в нужном соотношении сторон. Например, для вертикальных изображений подойдет формат 896×1152.

Для большинства задач рекомендуется использовать Highres Fix со следующими настройками:

• масштаб (Scale) — 1,5–2×;
• Denoise Strength — 0,25–0,4.

Эти параметры позволяют увеличить детализацию без существенного изменения композиции.

Для пейзажей значение Denoise можно немного повысить, однако при работе с портретами делать этого не стоит: модель начнет дорисовывать новые детали, изменяя мимику и черты лица.

Сэмплер, количество шагов, CFG и Seed

Для большинства современных моделей одним из наиболее стабильных вариантов остается DPM++ 2M Karras.

Рекомендуемые параметры для SDXL:

• 25–40 шагов генерации;
• CFG Scale — 5–7.

Не стоит без необходимости увеличивать значение CFG. При слишком высоких значениях модель начинает чрезмерно следовать текстовому описанию, что часто приводит к нарушению композиции, появлению артефактов и перенасыщенным цветам.

Если вы сравниваете разные настройки или проводите A/B-тестирование, обязательно фиксируйте Seed. Это позволит объективно оценить влияние каждого изменения.

Negative Prompt и стили

Negative Prompt помогает избавиться от типичных дефектов генерации. Однако здесь действует простое правило: чем точнее список ограничений, тем лучше результат.

Для большинства задач достаточно базового набора:

blurry, lowres, jpeg artifacts, extra fingers, deformed hands, watermark, text, logo, worst quality

Если вы генерируете большое количество изображений, например карточки товаров или маркетинговые материалы, ручная настройка становится слишком трудоемкой. В таких случаях имеет смысл использовать инструменты автоматизации, которые помогают формировать запросы и поддерживать единый стиль генерации.

ControlNet, LoRA, VAE и Tiling

Дополнительные модули позволяют значительно повысить качество генерации изображения и сделать результат более предсказуемым.

• ControlNet фиксирует геометрию, позы и композицию (режимы pose, depth, canny).
• LoRA отвечает за стиль или конкретные художественные особенности.
• VAE улучшает цветопередачу и передачу мелких текстур.
• Tiling используется при создании бесшовных текстур, паттернов и фоновых изображений.

Комбинируя эти инструменты, можно добиться значительно более стабильного результата по сравнению с генерацией только по текстовому запросу.

Настройки качества в Midjourney и DALL·E

В закрытых экосистемах пользователь управляет качеством не через технические параметры модели, а с помощью встроенных команд.

Для Midjourney v7 рекомендуется использовать:

• --quality 1–2;
• --stylize 50–200.

Первый параметр отвечает за детализацию, второй — за степень художественной интерпретации промпта.

В DALL·E 3.5 эффективной практикой остается поэтапная генерация: сложные участки изображения лучше создавать отдельно, а затем объединять. Такой подход позволяет добиться более высокой локальной детализации.

Image-to-Image, Inpainting и Outpainting: точечное улучшение изображения

Не всегда есть смысл полностью перегенерировать изображение. Если композиция удачна, а проблема заключается в отдельных деталях — например, асимметричных глазах, неестественной руке или мелких артефактах, — гораздо эффективнее воспользоваться инструментами локального редактирования.

Image-to-Image

Режим Image-to-Image (Img2Img) позволяет улучшить детализацию без существенного изменения исходной сцены.

Оптимальные параметры: Denoise Strength — 0,3–0,5. При таких настройках модель аккуратно дорабатывает текстуры и устраняет мелкие недостатки, сохраняя композицию изображения.

Inpainting

Inpainting предназначен для локального редактирования отдельных участков изображения.

Типовой сценарий работы выглядит так:

1. выделите проблемную область;
2. задайте уточняющий промпт;
3. установите Denoise около 0,5;
4. выполните повторную генерацию только выбранной зоны.

Такой подход особенно эффективен при исправлении рук, глаз, отдельных элементов одежды или нечитаемого текста.

Outpainting

Если объекту тесно в кадре или необходимо расширить композицию, используйте Outpainting. Этот режим позволяет дорисовать изображение за пределами исходного холста, сохраняя общий стиль и перспективу.

Практический пример

В одном из коммерческих проектов конверсия рекламных баннеров снизилась почти на 40% из-за неестественной асимметрии лиц.

Проблему удалось решить локальным Inpainting области глаз с использованием 100%-ной маски и значения Denoise 0,5. После исправления лица стали выглядеть естественно, а показатели кампании вернулись к прежнему уровню.

Апскейл и восстановление деталей

После завершения генерации начинается следующий этап — повышение разрешения изображения. Современный апскейл не ограничивается обычным масштабированием: алгоритмы восстанавливают мелкие детали, повышают локальную резкость и уменьшают количество артефактов.

Выбор модели суперразрешения

Для фотореалистичных изображений наиболее эффективны современные ИИ-апскейлеры, включая Topaz Gigapixel AI, а среди открытых решений — Real-ESRGAN и SwinIR.

Для аниме и иллюстраций лучше использовать специализированную модель 4x-Anime6B, которая лучше сохраняет характер линий и стилизацию.

Восстановление лиц и текстур

Лица — один из самых сложных элементов для генеративных моделей.

CodeFormer хорошо сохраняет геометрию лица при рекомендуемом весе 0,3–0,6, тогда как GFPGAN обеспечивает более выраженный косметический эффект, но иногда делает кожу слишком гладкой.

Чтобы сохранить естественную фактуру, рекомендуется сочетать умеренное восстановление лица с легким шумоподавлением и последующим добавлением небольшого количества зерна.

Финальная постобработка

Даже качественно сгенерированное изображение обычно требует небольшой финальной обработки в графическом редакторе.

Повышение резкости

Для усиления микроконтраста можно использовать:

• Unsharp Mask (Amount 50–120, Radius 0,5–1,5);
• High Pass (радиус 5–10 px, режим наложения Soft Light).

Чтобы избежать появления светлых ореолов, рекомендуется применять резкость только через яркостную маску.

Удаление шума и артефактов

Обработку лучше выполнять поэтапно:

1. убрать шум в теневых участках;
2. выполнить общее шумоподавление;
3. при необходимости использовать фильтры Remove JPEG Artifacts или Reduce Banding.

Цветокоррекция

Финальный этап — настройка цветового баланса.

Обычно достаточно:

• мягкой S-кривой в Curves;
• проверки оттенков кожи через HSL;
• применения LUT-профилей с непрозрачностью 10–20%.

Рекомендуемый порядок слоев

Для недеструктивной обработки удобно использовать следующую структуру:

1. Смарт-объект.
2. Camera Raw (экспозиция, шум, свет и тени).
3. High Pass (резкость).
4. Curves / HSL (цветокоррекция).
5. Отдельный слой локальной ретуши (Healing Brush, Clone Stamp).

Экспорт для публикации и печати

Даже качественная обработка может потерять смысл, если изображение экспортировано с неправильными настройками.

Для веба

Рекомендуемые параметры:

• цветовое пространство sRGB;
• форматы PNG, JPEG или WebP;
• размер изображения — 1080–2048 px по длинной стороне.

Для печати

При подготовке к печати лучше использовать:

• Adobe RGB;
• 16-bit TIFF;
• 300 PPI;
• ICC-профиль типографии.

Перед отправкой файла рекомендуется выполнить Soft Proofing, чтобы заранее проверить цветопередачу.

Автоматизация обработки

Если вы регулярно обрабатываете большие объемы изображений, ручной подход быстро становится неэффективным. В таких случаях стоит использовать автоматизированные пайплайны в ComfyUI, AUTOMATIC1111 или через CLI.

Типовая последовательность обработки выглядит следующим образом:

generate → latent_upscale → face_restore → sr_upscale → denoise → sharpen → color → export

Проверка качества результата

После завершения обработки рекомендуется провести финальную проверку изображения.

Для объективной оценки качества используются несколько распространенных метрик:

Частые проблемы и способы их устранения

Даже при правильно настроенном пайплайне генеративные модели иногда допускают ошибки. Большинство из них можно исправить локальной обработкой.