人工智能 - 超腾开源博客 - 第6页 | 了解网站最新动态，分享最新技术

sd-dynamic-thresholding是一款专为Stable Diffusion系列WebUI设计的扩展插件，核心解决高CFG Scale参数下图像出现的过饱和、颜色失真和对比度异常问题。通过动态阈值技术，在采样过程中对潜在表征进行智能钳位，保留高文本引导效果的同时抑制视觉瑕疵。支持AUTOMATIC1111、ComfyUI和SwarmUI三大平台，提供可配置参数，允许用户使用10-20+的CFG Scale值而无需担心画质损失，显著提升高细节生成场景的图像质量。

multidiffusion-upscaler-for-automatic1111是Stable Diffusion WebUI的一个扩展，旨在解决有限显存下生成或放大超高分辨率图像的难题。它通过分块技术将大图像分割为小方块处理后再拼接，大幅降低显存需求，支持6GB或更低显存的显卡。核心功能包括Tiled Diffusion（模拟高分辨率生成）、Tiled VAE（减少编码解码显存占用）、Regional Prompt Control（不同区域使用不同提示词）和Tiled Noise Inversion（保持图像结构）。兼容ControlNet、StableSR、SDXL等。应用场景涵盖文生图超大全景、图生图超高倍率放大及多主题构图。该扩展让中低端显卡用户也能生成商业级高清图像。

ADetailer是专为Stable Diffusion WebUI设计的智能扩展插件，通过自动检测图像中的人脸、手部等关键区域，并针对这些区域进行精细化重绘，有效解决AI绘画中常见的细节模糊问题。插件支持多种预训练模型，可与ControlNet集成，提供高度可配置的检测参数和遮罩处理功能。本文全面介绍ADetailer的核心功能、安装方法、工作流程及使用技巧，帮助用户快速掌握这一提升AI绘画质量的关键工具。

全连接神经网络(FCN)是深度学习中最基础且经典的网络结构，本文系统性地介绍了FCN的核心概念、网络组成和工作原理。详细解析了输入层、隐藏层和输出层的功能特点，深入探讨了前向传播的计算过程和反向传播的学习机制。文章客观分析了FCN在函数逼近能力方面的优势，同时也指出了其在参数量大和忽略空间结构方面的局限性。最后结合实际应用场景，说明了FCN在现代深度学习中的持续价值，特别是在处理表格数据、作为CNN/RNN末端分类器等方面的重要作用，为初学者提供了全面的技术指导。

卷积神经网络(CNN)是专门处理网格状拓扑数据（如图像、音频）的深度学习模型。本文系统介绍了CNN的核心思想：通过局部感受野保留空间结构，利用参数共享大幅减少模型参数，结合池化层实现特征降维。详细解析了卷积层、激活函数层、池化层和全连接层的工作原理，并以图像分类为例展示了CNN的完整工作流程。同时涵盖了LeNet、AlexNet、VGGNet等经典网络架构，以及在图像分类、目标检测、人脸识别等领域的实际应用场景，为理解和应用CNN提供全面指导。