你的主要需求是什么？
├── 免费且效果好 → Real-ESRGAN
├── 最高画质且愿意付费 → Topaz Gigapixel AI
├── 与Stable Diffusion集成 → SD Extras/Upscaler
├── 批量处理且免费 → Real-ESRGAN + 脚本
├── 动漫专用 → Waifu2x 或 Real-ESRGAN-anime
└── 快速简单 → 即梦AI内置放大

# 安装依赖
pip install realesrgan
pip install basicsr facexlib

# 基本使用
python inference_realesrgan.py -i input.jpg -o output.png -n RealESRGAN_x4plus_anime_6B

# 批量处理
python inference_realesrgan.py -i input_folder/ -o output_folder/ -n RealESRGAN_x4plus_anime_6B

import torch
from basicsr.archs.rrdbnet_arch import RRDBNet
from realesrgan import RealESRGANer
from PIL import Image
import os

# 初始化模型
model = RRDBNet(num_in_ch=3, num_out_ch=3, num_feat=64,
                num_block=6, num_grow_ch=32, scale=4)
upsampler = RealESRGANer(
    scale=4,
    model_path='weights/RealESRGAN_x4plus_anime_6B.pth',
    model=model,
    tile=400,  # 分块处理大小，显存不足时降低
    tile_pad=10,
    pre_pad=0,
    half=True  # 使用半精度，节省显存
)

def upscale_image(input_path, output_path):
    """放大单张图片"""
    img = Image.open(input_path)
    if img.mode != 'RGB':
        img = img.convert('RGB')
    output, _ = upsampler.enhance(img, outscale=4)
    output.save(output_path, quality=95)
    print(f"已放大: {input_path} -> {output_path}")

def batch_upscale(input_folder, output_folder):
    """批量放大"""
    os.makedirs(output_folder, exist_ok=True)
    for filename in os.listdir(input_folder):
        if filename.lower().endswith(('.png', '.jpg', '.jpeg', '.webp')):
            input_path = os.path.join(input_folder, filename)
            output_path = os.path.join(output_folder, filename)
            upscale_image(input_path, output_path)

# 使用示例
batch_upscale('./raw_images/', './upscaled_images/')

# 显存优化（低显存GPU）
tile=200        # 减小分块大小（默认400）
half=True       # 使用FP16半精度

# 质量优化（高显存GPU）
tile=0          # 不分块处理（需要大显存）
half=False      # 使用FP32全精度

# 速度优化
gpu_id=0        # 指定GPU

1. 打开Topaz Gigapixel AI
2. 导入需要放大的图片（支持批量导入）
3. 选择目标分辨率或放大倍数
4. 选择AI模型：
   - Standard：通用场景
   - High Quality：高质量场景
   - Low Resolution：低分辨率原图
   - Art & CG：艺术和CG图像（推荐AI漫剧使用）
5. 调整参数：
   - Noise Suppression：降噪强度（0-100）
   - Blur Removal：去模糊强度（0-100）
   - Face Recovery：面部恢复（0-100）
   - Compression Removal：去压缩伪影（0-100）
6. 点击"Start"开始处理
7. 查看结果并导出

设置方法：
1. 在txt2img页面勾选"Hires. fix"
2. 设置放大倍数（Upscale by）：1.5x-2x
3. 选择放大算法：
   - Latent：在潜空间放大（速度快，质量一般）
   - ESRGAN：使用ESRGAN模型放大（推荐）
4. 设置Hires步数（Denoising strength）：0.3-0.5
5. 选择Upscaler：
   - R-ESRGAN 4x+ Anime6B（推荐动漫）
   - R-ESRGAN 4x+（通用）

# 安装方法
在WebUI的Extensions标签页搜索"Ultimate SD Upscale"并安装

# 使用方法
1. 生成基础图像（512x768或768x512）
2. 切换到img2img页面
3. 上传基础图像
4. 在Script中选择"Ultimate SD Upscale"
5. 设置目标尺寸（如2048x1152）
6. 设置分块大小和重叠区域
7. 点击生成

# 特点
- 支持多种分块策略
- 可以在放大过程中进行Inpainting
- 支持ControlNet辅助
- 适合超大分辨率（8K+）的生成

1. 基础生成（Stable Diffusion）
   - 分辨率：512x768 或 768x512
   - 模型：选择的动漫模型
   - 步数：25-30

2. 第一轮放大（Real-ESRGAN）
   - 模型：RealESRGAN_x4plus_anime_6B
   - 倍数：2x
   - 结果：1024x1536 或 1536x1024

3. 细节修复（Stable Diffusion Inpainting）
   - 对面部、手部等关键区域进行Inpainting
   - Denoising：0.3-0.4

4. 第二轮放大（Real-ESRGAN 或 Topaz）
   - 倍数：2x
   - 结果：2048x3072 或 3072x2048

5. 最终调整（Photoshop 或 Topaz Photo AI）
   - 锐化
   - 色调微调
   - 去除微小瑕疵

import os
import subprocess
from PIL import Image

def batch_upscale_workflow(input_dir, output_dir, target_width=2048):
    """完整的批量放大工作流"""
    os.makedirs(output_dir, exist_ok=True)

    for filename in sorted(os.listdir(input_dir)):
        if not filename.lower().endswith(('.png', '.jpg', '.jpeg')):
            continue

        input_path = os.path.join(input_dir, filename)
        output_path = os.path.join(output_dir, filename)

        # 步骤1：使用Real-ESRGAN进行4倍放大
        print(f"正在放大: {filename}")
        subprocess.run([
            'python', 'inference_realesrgan.py',
            '-i', input_path,
            '-o', output_path,
            '-n', 'RealESRGAN_x4plus_anime_6B',
            '-s', '4',
            '--tile', '400'
        ])

        # 步骤2：检查输出尺寸
        with Image.open(output_path) as img:
            width, height = img.size
            print(f"  原始尺寸: {width}x{height}")
            print(f"  放大后尺寸: {img.size}")

    print(f"批量放大完成！共处理 {len(os.listdir(input_dir))} 张图片")