放大扩散模型的输出通常涉及增强图像分辨率同时保留或添加细节的技术。三种常见的方法包括基于扩散的超分辨率、传统放大与细化相结合以及多阶段管道。每种方法都平衡了计算成本、输出质量和实施复杂性，使其适合不同的开发者需求。
基于扩散的超分辨率直接使用扩散模型来提高分辨率。这包括在高分辨率图像上训练辅助扩散模型，该模型将低分辨率输出作为输入，并迭代地对其进行去噪以获得更高的分辨率。例如，Stable Diffusion 的放大工具通常采用潜在扩散方法，其中模型在压缩的潜在空间中运行以减少计算需求。该过程通常包括以较低分辨率生成基本图像，然后应用超分辨率模型来细化细节。这种方法保留了与原始图像的一致性，但需要大量的 GPU 资源。开发人员可以使用 Diffusers 等库或通过在高分辨率数据集上微调现有模型来实现此目的。
传统放大与细化相结合将双三次插值或 Lanczos 重采样等算法与后处理步骤相结合。例如，可以使用 ESRGAN（一种基于 GAN 的超分辨率模型）放大来自扩散模型的低分辨率图像，然后使用轻量级扩散步骤进行细化以减少伪影。Real-ESRGAN 或 SwinIR 等工具通常为此目的集成到管道中。虽然比完全基于扩散的超分辨率更快，但这种混合方法取决于初始放大器的质量。开发人员可以使用 OpenCV 进行基本插值，或者通过 Hugging Face 的 Transformers 等 API 利用预训练的 GAN。权衡在于速度和细节保留之间，因为 GAN 可能会引入不真实的纹理。
多阶段管道将放大分解为更小的增量。例如，可以使用一个模型将 512x512 图像放大到 1024x1024，然后使用另一个模型放大到 2048x2048。这可以通过允许中间细化步骤来减少错误。Automatic1111 的 Stable Diffusion WebUI 中的 SD Upscale 等工具使用此方法，通常使用文本引导的修复来修复每个阶段的不一致之处。潜在空间放大（其中扩散过程发生在压缩表示中）是另一种优化方法。开发人员可以使用 PyTorch 或 TensorFlow 等框架链接多个推理步骤，从而平衡内存使用和质量。这种方法资源密集，但对于大规模输出有效，尤其是在与注意力机制配对时，注意力机制专注于每个放大步骤中的精细细节。