1. 先别急着加高清修复，问题多半出在注意力分配上先说个不少人踩过的坑：用Stable Diffusion出图，总感觉边缘发虚、细节糊成一团，第一反应往往是把分辨率从512拉高到1024，或者直接开Hires. fix，结果要么显存爆了，要么图是“锐”了但结构崩了，人物五官跟手部完全不在一个空间。我刚开始接触扩散模型那阵子也是这样，直到有一次无意中把提示词里的权重重新分配了一遍，才发现原来困扰我很久的“糊”根本不是像素不够，而是模型在生成时根本不知道该怎么“看”画面里的关键区域。这里说的“注意力机制”，是Stable Diffusion里U-Net架构的核心部件——自注意力（Self-Attention）和交叉注意力（Cross-Attention）。简单打个比方：扩散模型的去噪过程就像是画师在一点点把草稿细化。普通画师会用眼睛在画布上扫一圈，确定哪里该精修、哪里该放松；自注意力就是在干这件事，它让不同区域的像素互相交换信息，决定哪些细节值得保留、哪些要服从整体风格。而交叉注意力相当于画师在看“文字需求单”，它负责把提示词里的每一个词和画面里的每个区域建立关联。如果注意力分配不均匀或者权重失衡，画出来的图自然会出现“该清楚的地方模糊，该模糊的地方又过于抢镜”的奇怪效果。这篇文章不是什么理论手册，而是围绕“如何调教注意力机制让SD出图更清晰”这个目标，把我实际跑图、调参、看热图、换采样器、调CFG、修VAE过程中总结的经验和踩过的坑整理一遍。适合刚被“糊图”折磨的新手，也适合已经会基本操作但总在细节上翻车的老玩家。2. 搞清楚“糊”从哪来：注意力机制如何影响出图清晰度2.1 扩散模型里的注意力到底在做哪些事Stable Diffusion不是一个直接从文字生成位图的魔法盒，它先是在一个低维潜空间（Latent Space）里做去噪，再用VAE解码成像素图。这个潜空间的分辨率通常是64×64或者更低（对应512分辨率图像），信息本身就被压缩了。如果模型在潜空间里去噪时没能恢复出应有的局部结构，最终解码出来的图就会显得发虚。这个“恢复结构”的过程，很大程度依赖于U-Net内部的注意力模块。当去噪进行到中后期，自注意力层会在整个特征图上计算任意两个位置之间的相似度，从而让同一个物体的不同部位“互相呼应”。举个例子，生成一个穿红色衣服的人时，衣服的轮廓、衣领和袖口应该在风格上保持一致，这就需要自注意力把远处和近处的像素关联起来。如果自注意力作用范围太窄或者权重太低，各部分就容易“各画各的”，衣服边缘模糊、纹理断裂。交叉注意力则负责把提示词中的每个token映射到图像的不同空间位置。这就是为什么提示词顺序、权重、负面提示词都会影响出图效果。你可以把交叉注意力层理解为一张“对齐表”：某个词应该激活图像左上角的区域，另一个词应该激活中央区域。如果这张表激活得不够精确，比如“cat”这个词同时激活了背景和主体，那猫咪的边缘就会被背景元素“污染”，看起来又毛又糊。2.2 分辨率、步数与注意力精度的关系很多人误以为把分辨率调高就能解决模糊，实际恰恰相反。在显存有限的前提下，直接跑1024×1024会有两个问题：一是潜空间尺寸变大，注意力计算范围随之增大，显存占用飙升；二是在相同步数下，更大的画面需要更多去噪迭代才能让细节稳定，否则中期的注意力分布还没收敛就匆匆解码了，结果就是大尺寸但更糊。步数本身也很关键。注意力模块的权重是随去噪进度变化的。早期阶段，模型更关注整体构图；后期阶段，注意力应该越来越集中在局部细节。如果步数太少，后期那种“精雕细琢”的过程被截断，自注意力还没来得及细化边缘就出图了。我以前用20步生成512图，总感觉皮肤像磨皮过度，后来刻意把步数加到30，同时配合合适的调度器，纹理细节就明显回来了。CFG（Classifier-Free Guidance）更是直接影响注意力分布的放大器。通俗地说，CFG是在“无条件生成”和“有条件生成”之间做插值时放大条件的影响力。CFG越高，提示词对图像的约束越强，但与此同时，注意力图会出现过饱和、局部过曝的情况。很多人以为“模糊=提示词不够强”，于是猛拉CFG到12、15，结果细节不仅没回来，反而出现了发硬的塑料感，高频纹理被彻底抹掉，视觉上就是“糊”。3. 注意力权重怎么调：从提示词语法到采样器选择3.1 用基础权重语法直接干预交叉注意力最容易上手、见效最快的注意力调教方式是：给提示词里的关键名词加上权重。在WebUI等工具里，用(关键词:1.2)这种标准语法，相当于把交叉注意力中该token的激活强度乘以1.2倍，模型会把更多注意力放在这个物体上，从而提升它的轮廓和细节。类似的，[关键词]或(关键词:0.8)可以削弱某个干扰词的注意力。实际操作时，我的习惯是主体描述权重1.3～1.5，环境描述保持1.0左右，容易抢镜的修饰词压在0.8。这里有个常见的误区：不是所有词都加权就好。如果画面里同时出现人、房子、树，你给它们全加到1.4，等于没加，而且会让交叉注意力图变得“抢食”，反而造成构图混乱。调权重的本质是分主次，让模型知道当前场景里谁是主角，谁应该被弱化。以生成“一只毛发细节丰富的橘猫坐在窗台上”为例，最简单的写法是：(masterpiece:1.2), (a detailed orange cat:1.4), sitting on the windowsill, (soft fur texture:1.2), window light, 8k, highly detailed这里把“橘猫”和“毛发纹理”给到相对高的权重，模型会把交叉注意力更多地分配到猫身上，细节自然会更清晰。3.2 负面提示词的注意力抑制：模糊与伪影的源头图像模糊不仅来自正向注意力分配不足，很多时候是负向注意力没控制好。在去噪过程中，模型会同时参考无条件的生成方向（你可以理解为“画得随意”）和有条件的生成方向（严格按提示词画）。CFG放大的正是两者差异。负面提示词的作用则是告诉模型“不要出现什么”。如果负面提示词里的词条过多或者权重过高，模型可能为了规避某个词，反而把相关区域全部抹掉，导致细节“不敢画”。比如你写了blurry, low quality, deformed没问题，但如果还写了detailed或者sharp lines（有些人喜欢把正面词塞进负面），模型不知道该不该画边缘，就会采取保守策略，把线条细节压制掉。我在实际测试中发现，过度使用负面词压制单独某个部位（比如bad hands, extra fingers）如果权重过高，可能让整只手都变成一团皮肤色块，细看比原来还糊。正确做法是负面提示词保持简短、远离正向细节词，重点屏蔽“构图级”的坏结果，而不是微观特征。3.3 采样器、调度器对注意力收敛的影响很多人忽视采样器和调度器对出图清晰度的影响，其实它们直接决定去噪曲线的形状，也就是注意力模块在哪个阶段投入多少精力去细化。以我常用的几组为例：采样器特性适合场景DPM++ 2M Karras收敛快，细节中等通用，快速出图DPM++ SDE Karras细节丰富，耗时较长想要高清纹理时Euler a风格化强，容易过锐插画、二次元UniPC步数少时效果好短步数快速迭代如果你追求更高清晰度，尤其是有真实感纹理的场景，DPM++ SDE Karras在40步左右的表现通常比默认的20～25步扎实很多。它的SDE噪声注入能让注意力在后期多次“校正”边缘，减少模糊感。代价是速度慢，但相比无脑开高分辨率修复，这种“让模型多看几眼再去噪”的方式对显存更友好，也更不容易改变构图。调度器方面，Karras调度器在低步数区间会分配更多去噪步骤在中期，正好是注意力从宏观转向局部的阶段，所以对细节有帮助。如果出图总是“糊一层雾”，先试试把采样器换成DPM++ SDE Karras，步数拉到40再看对比。4. 进阶调教：让注意力“看清”该看的区域4.1 注意力热图怎么看：定位问题区域光靠盲调参数，效率太低。WebUI生态里有不少插件能可视化注意力，比如在生成时把交叉注意力热图输出，直观看到每个token到底激活了图像哪里。我习惯先生成一张512图，然后打开热图检查：如果“cat”这个词的热图覆盖了主体区，但还延伸到背景，说明交叉注意力不够集中，可以给cat加权。如果“fur texture”的热图几乎空白，说明这个token没有被模型理解，可能词不达意，换成更直白的“fluffy fur”也许更有效。如果整张热图都很密、均匀分布，说明提示词过于复杂，模型每个词都只分到一点注意力，这时要精简提示词，给核心词让出空间。这种可视化方法比靠肉眼猜参数强太多。你可以直接看到是哪一层注意力在捣乱，而不是反复调全局CFG。我从热图中发现，很多看似“细节不够”的图，其实是修饰词反而抢占了主体注意力。4.2 用ControlNet“约束注意力”来补细节当纯提示词调教遇到瓶颈，比如想要精确的物体轮廓或者特定构图，ControlNet会是更可靠的手段。它的原理不是直接改交叉注意力权重，而是通过额外输入（线稿、深度图、语义分割图等）给U-Net注入空间约束，等价于强制让某些区域的注意力只能落在指定形状范围内。这样即使提示词很乱，主体轮廓也不容易糊。以想要“清晰的建筑线稿风格”为例，可以用Canny预处理器提取原图的边缘，然后以Canny模型作为引导，同时提示词写architecture sketch, sharp edges。Canny的线条信息会让模型在去噪时不断“对答案”，边缘处的注意力就会锁定在真实线稿的位置。我实测下来，同类设定下，不用ControlNet的图很多边缘都在抖动，用了Canny之后几乎每条线都干净利落。需要注意ControlNet的权重（Conditioning Scale）不宜太高。我通常设0.7～0.9。如果设到1.0以上，模型会被约束得过于机械，画面失去自然光影，反而出现不和谐的硬边。这个效果在低分辨率下尤其明显，放大后会有一种“抠图感”。4.3 Hires. Fix不是“万能高清”，而是二段注意力修正Hires. Fix的本质是先在小图上完成构图，再在放大阶段把潜空间尺寸扩大，进行一次“重绘”式的补充细节。这个过程会重新运行注意力模块，让模型在新分辨率下去精修边缘。正确使用Hires. Fix能有效改善模糊，但很多人的参数设置不对。我推荐的流程是：先用520×780小尺寸（保持2:3构图）跑2张草稿，选一张满意的，然后开启Hires. Fix，放大倍率1.5～2.0（例如放大到832×1248），重绘幅度（Denoising Strength）控制在0.4～0.6之间，采样器沿用之前的DPM++ SDE Karras，步数再补20步以上。重绘幅度如果超过0.7，等于把原图大部分结构推翻重画，可能生成一个跟原图构图不同、但同样模糊的东西；低于0.3又不足以让注意力在新尺度上重新细化，放大后只是把像素拉大而已。我自己常用的参数是：原图512×768，Hires. Fix 2倍，重绘幅度0.5，附加步数20。实测下来，在人物毛发、布料纹理这类高频区域，放大之后的细节密度比直接用1024×1536一步生成要高得多，而且显存占用更平稳。4.4 被忽略的VAE与Tiled VAE有时候图像模糊跟注意力完全无关，是VAE解码阶段的锅。Stable Diffusion的VAE负责把潜空间张量解码为像素图，如果VAE本身精度不足、量化误差大，或者解码时显存不够导致切块错误，也会输出“油画感”模糊图。遇到这种情况，换一个微调训练的VAE文件通常立竿见影。很多模型发布页会同时提供配套VAE，务必一起下载同名文件并加载。显存不足时，建议开启Tiled VAE，它不是把整个潜空间一次性解码，而是按小块分别解码后再拼接。这能大幅降低显存峰值，同时避免“爆显存后强制降精度”造成的全图模糊。我试过在8G显存上直接解码1024×1536大图，不开Tiled VAE偶尔会黑屏或糊图，开启后稳定出图，细节也没有明显损伤。5. 常见问题与排查技巧实录5.1 模糊问题排查清单当你再次遇到糊图，按以下顺序排查，效率最高：现象可能原因解决手段全图朦胧、缺少边缘锐度CFG过高或过低CFG先试7，再向5～9之间微调主体边缘发虚，背景清晰注意力权重分配不均主体关键token加权，背景词降权毛发/布料纹理像糊了一团步数太少或采样器不合适步数拉到30～40，换DPM++ SDE Karras放大后细节没增加重绘幅度过高或过低保持Denoising Strength在0.4～0.6特定区域出现色块状模糊VAE未加载或显存不足正确加载VAE，开启Tiled VAE手部、五官细节崩坏交叉注意力无法聚焦小区域使用面部/手部修复ADetailer，或局部重绘提示词热图显示关键词无响应词汇过于抽象换成更具体、常见的描述词5.2 我在调参中踩过的三个坑第一个坑是“CFG越高越清晰”的误解。曾经我为了追求清晰，把CFG拉到13，结果人脸皮肤像蜡像，所有高频细节被磨平，最后才发现当CFG超过10时，无条件与有条件的差异被过度放大，注意力图在局部区域会产生振荡，本质上是梯度冲突，导致平坦区域被过度强调。现在我的习惯是优先在5～8之间试，除非风格特殊，否则不轻易上10。第二个坑是“加一堆masterpiece, best quality, ultra-detailed”等于没加。这些词在模型训练时出现频率过高，注意力已经饱和了，它们不会让细节变清晰，反而占据了交叉注意力通道，让真正描述物体的token获得的注意力减少。我现在会把这类泛化词放在末尾，甚至删掉，换成“sharp focus, intricate textures, fine details”这种具体描述。第三个坑是局部重绘时重绘幅度太小。面部细节糊了，我直接在局部重绘里把Denoising Strength设为0.2，结果重绘区域只是轻微变化，依然糊。后来明白，太小的重绘幅度，相当于不让模型重新“看”这块区域，注意力根本来不及修正；而0.5以上又容易出现色差。所以当局部糊时，要先检查原图的整体分辨率是否够用，再配合ADetailer自动检测面部并重绘，效果远比手动框选局部稳定。5.3 一组实战对比：同样提示词，不同注意力调整带来的变化我做过一组简单测试，提示词固定为“一位戴着草帽的老人肖像，绿色田野背景，胶片质感，阳光”。第一张直接默认参数（Step 20，CFG 7，Euler a），出图整体偏柔，胡子边缘模糊，皮肤纹理几乎为零。第二张把采样器换成DPM++ SDE Karras，步数加到40，提示词里给“老人肖像”加权1.3、“胡须纹理”加权1.2，同时负面词加入“watercolor, smooth skin, plastic”。这次胡须每根都看得出走向，皮肤上的毛孔和皱纹清晰，背景也保持了足够的虚化感。第三张再叠加ControlNet的线稿约束，轮廓锐度进一步提升，但光影略生硬，所以我最终采用的是第二张的参数，第三张方案用在需要精确边缘的工程图场景更合适。6. 个人经验：调注意力机制比无脑堆高清参数划算得多经过这一轮折腾，我最大的体会是：Stable Diffusion出图清晰度是个系统工程，注意力机制贯穿始终，而很多人习惯性加分辨率、加CFG、开Hires. Fix，都是“头痛医头”。真正花时间把提示词权重、采样器和步数组合、注意力热图、ControlNet约束理一遍，往往在不显著增加计算负担的情况下，就能看到质的提升。我现在的新流程固定为：先用一个较快的配置（DPM++ 2M Karras，Step 25，CFG 7）出小图草稿，确认构图；然后换DPM++ SDE Karras，Step 40，给核心主体加权；在需要精确轮廓时开ControlNet Canny或Lineart；最后用Hires. Fix放大，重绘幅度0.5，附加步数30。整套流程跑下来，一张高清图几乎不需要反复返工。另外想提醒一句：注意力调教不是越复杂越好。有时候减少提示词数量、删掉几个抢注意力的装饰词，比疯狂加权更有效。如果你现在还在和糊图较劲，不妨先下载一个注意力可视化插件，观察一下你的关键词到底激活了哪些区域。很多时候答案就藏在那张热图里。根据我个人的测试，用对注意力机制，最后的成品质量甚至能逼近某些重绘型的超分模型，而显存压力却小得多。
1. 先别急着加高清修复，问题多半出在注意力分配上先说个不少人踩过的坑：用Stable Diffusion出图，总感觉边缘发虚、细节糊成一团，第一反应往往是把分辨率从512拉高到1024，或者直接开Hires. fix，结果要么显存爆了，要么图是“锐”了但结构崩了，人物五官跟手部完全不在一个空间。我刚开始接触扩散模型那阵子也是这样，直到有一次无意中把提示词里的权重重新分配了一遍，才发现原来困扰我很久的“糊”根本不是像素不够，而是模型在生成时根本不知道该怎么“看”画面里的关键区域。这里说的“注意力机制”，是Stable Diffusion里U-Net架构的核心部件——自注意力（Self-Attention）和交叉注意力（Cross-Attention）。简单打个比方：扩散模型的去噪过程就像是画师在一点点把草稿细化。普通画师会用眼睛在画布上扫一圈，确定哪里该精修、哪里该放松；自注意力就是在干这件事，它让不同区域的像素互相交换信息，决定哪些细节值得保留、哪些要服从整体风格。而交叉注意力相当于画师在看“文字需求单”，它负责把提示词里的每一个词和画面里的每个区域建立关联。如果注意力分配不均匀或者权重失衡，画出来的图自然会出现“该清楚的地方模糊，该模糊的地方又过于抢镜”的奇怪效果。这篇文章不是什么理论手册，而是围绕“如何调教注意力机制让SD出图更清晰”这个目标，把我实际跑图、调参、看热图、换采样器、调CFG、修VAE过程中总结的经验和踩过的坑整理一遍。适合刚被“糊图”折磨的新手，也适合已经会基本操作但总在细节上翻车的老玩家。2. 搞清楚“糊”从哪来：注意力机制如何影响出图清晰度2.1 扩散模型里的注意力到底在做哪些事Stable Diffusion不是一个直接从文字生成位图的魔法盒，它先是在一个低维潜空间（Latent Space）里做去噪，再用VAE解码成像素图。这个潜空间的分辨率通常是64×64或者更低（对应512分辨率图像），信息本身就被压缩了。如果模型在潜空间里去噪时没能恢复出应有的局部结构，最终解码出来的图就会显得发虚。这个“恢复结构”的过程，很大程度依赖于U-Net内部的注意力模块。当去噪进行到中后期，自注意力层会在整个特征图上计算任意两个位置之间的相似度，从而让同一个物体的不同部位“互相呼应”。举个例子，生成一个穿红色衣服的人时，衣服的轮廓、衣领和袖口应该在风格上保持一致，这就需要自注意力把远处和近处的像素关联起来。如果自注意力作用范围太窄或者权重太低，各部分就容易“各画各的”，衣服边缘模糊、纹理断裂。交叉注意力则负责把提示词中的每个token映射到图像的不同空间位置。这就是为什么提示词顺序、权重、负面提示词都会影响出图效果。你可以把交叉注意力层理解为一张“对齐表”：某个词应该激活图像左上角的区域，另一个词应该激活中央区域。如果这张表激活得不够精确，比如“cat”这个词同时激活了背景和主体，那猫咪的边缘就会被背景元素“污染”，看起来又毛又糊。2.2 分辨率、步数与注意力精度的关系很多人误以为把分辨率调高就能解决模糊，实际恰恰相反。在显存有限的前提下，直接跑1024×1024会有两个问题：一是潜空间尺寸变大，注意力计算范围随之增大，显存占用飙升；二是在相同步数下，更大的画面需要更多去噪迭代才能让细节稳定，否则中期的注意力分布还没收敛就匆匆解码了，结果就是大尺寸但更糊。步数本身也很关键。注意力模块的权重是随去噪进度变化的。早期阶段，模型更关注整体构图；后期阶段，注意力应该越来越集中在局部细节。如果步数太少，后期那种“精雕细琢”的过程被截断，自注意力还没来得及细化边缘就出图了。我以前用20步生成512图，总感觉皮肤像磨皮过度，后来刻意把步数加到30，同时配合合适的调度器，纹理细节就明显回来了。CFG（Classifier-Free Guidance）更是直接影响注意力分布的放大器。通俗地说，CFG是在“无条件生成”和“有条件生成”之间做插值时放大条件的影响力。CFG越高，提示词对图像的约束越强，但与此同时，注意力图会出现过饱和、局部过曝的情况。很多人以为“模糊=提示词不够强”，于是猛拉CFG到12、15，结果细节不仅没回来，反而出现了发硬的塑料感，高频纹理被彻底抹掉，视觉上就是“糊”。3. 注意力权重怎么调：从提示词语法到采样器选择3.1 用基础权重语法直接干预交叉注意力最容易上手、见效最快的注意力调教方式是：给提示词里的关键名词加上权重。在WebUI等工具里，用(关键词:1.2)这种标准语法，相当于把交叉注意力中该token的激活强度乘以1.2倍，模型会把更多注意力放在这个物体上，从而提升它的轮廓和细节。类似的，[关键词]或(关键词:0.8)可以削弱某个干扰词的注意力。实际操作时，我的习惯是主体描述权重1.3～1.5，环境描述保持1.0左右，容易抢镜的修饰词压在0.8。这里有个常见的误区：不是所有词都加权就好。如果画面里同时出现人、房子、树，你给它们全加到1.4，等于没加，而且会让交叉注意力图变得“抢食”，反而造成构图混乱。调权重的本质是分主次，让模型知道当前场景里谁是主角，谁应该被弱化。以生成“一只毛发细节丰富的橘猫坐在窗台上”为例，最简单的写法是：(masterpiece:1.2), (a detailed orange cat:1.4), sitting on the windowsill, (soft fur texture:1.2), window light, 8k, highly detailed这里把“橘猫”和“毛发纹理”给到相对高的权重，模型会把交叉注意力更多地分配到猫身上，细节自然会更清晰。3.2 负面提示词的注意力抑制：模糊与伪影的源头图像模糊不仅来自正向注意力分配不足，很多时候是负向注意力没控制好。在去噪过程中，模型会同时参考无条件的生成方向（你可以理解为“画得随意”）和有条件的生成方向（严格按提示词画）。CFG放大的正是两者差异。负面提示词的作用则是告诉模型“不要出现什么”。如果负面提示词里的词条过多或者权重过高，模型可能为了规避某个词，反而把相关区域全部抹掉，导致细节“不敢画”。比如你写了blurry, low quality, deformed没问题，但如果还写了detailed或者sharp lines（有些人喜欢把正面词塞进负面），模型不知道该不该画边缘，就会采取保守策略，把线条细节压制掉。我在实际测试中发现，过度使用负面词压制单独某个部位（比如bad hands, extra fingers）如果权重过高，可能让整只手都变成一团皮肤色块，细看比原来还糊。正确做法是负面提示词保持简短、远离正向细节词，重点屏蔽“构图级”的坏结果，而不是微观特征。3.3 采样器、调度器对注意力收敛的影响很多人忽视采样器和调度器对出图清晰度的影响，其实它们直接决定去噪曲线的形状，也就是注意力模块在哪个阶段投入多少精力去细化。以我常用的几组为例：采样器特性适合场景DPM++ 2M Karras收敛快，细节中等通用，快速出图DPM++ SDE Karras细节丰富，耗时较长想要高清纹理时Euler a风格化强，容易过锐插画、二次元UniPC步数少时效果好短步数快速迭代如果你追求更高清晰度，尤其是有真实感纹理的场景，DPM++ SDE Karras在40步左右的表现通常比默认的20～25步扎实很多。它的SDE噪声注入能让注意力在后期多次“校正”边缘，减少模糊感。代价是速度慢，但相比无脑开高分辨率修复，这种“让模型多看几眼再去噪”的方式对显存更友好，也更不容易改变构图。调度器方面，Karras调度器在低步数区间会分配更多去噪步骤在中期，正好是注意力从宏观转向局部的阶段，所以对细节有帮助。如果出图总是“糊一层雾”，先试试把采样器换成DPM++ SDE Karras，步数拉到40再看对比。4. 进阶调教：让注意力“看清”该看的区域4.1 注意力热图怎么看：定位问题区域光靠盲调参数，效率太低。WebUI生态里有不少插件能可视化注意力，比如在生成时把交叉注意力热图输出，直观看到每个token到底激活了图像哪里。我习惯先生成一张512图，然后打开热图检查：如果“cat”这个词的热图覆盖了主体区，但还延伸到背景，说明交叉注意力不够集中，可以给cat加权。如果“fur texture”的热图几乎空白，说明这个token没有被模型理解，可能词不达意，换成更直白的“fluffy fur”也许更有效。如果整张热图都很密、均匀分布，说明提示词过于复杂，模型每个词都只分到一点注意力，这时要精简提示词，给核心词让出空间。这种可视化方法比靠肉眼猜参数强太多。你可以直接看到是哪一层注意力在捣乱，而不是反复调全局CFG。我从热图中发现，很多看似“细节不够”的图，其实是修饰词反而抢占了主体注意力。4.2 用ControlNet“约束注意力”来补细节当纯提示词调教遇到瓶颈，比如想要精确的物体轮廓或者特定构图，ControlNet会是更可靠的手段。它的原理不是直接改交叉注意力权重，而是通过额外输入（线稿、深度图、语义分割图等）给U-Net注入空间约束，等价于强制让某些区域的注意力只能落在指定形状范围内。这样即使提示词很乱，主体轮廓也不容易糊。以想要“清晰的建筑线稿风格”为例，可以用Canny预处理器提取原图的边缘，然后以Canny模型作为引导，同时提示词写architecture sketch, sharp edges。Canny的线条信息会让模型在去噪时不断“对答案”，边缘处的注意力就会锁定在真实线稿的位置。我实测下来，同类设定下，不用ControlNet的图很多边缘都在抖动，用了Canny之后几乎每条线都干净利落。需要注意ControlNet的权重（Conditioning Scale）不宜太高。我通常设0.7～0.9。如果设到1.0以上，模型会被约束得过于机械，画面失去自然光影，反而出现不和谐的硬边。这个效果在低分辨率下尤其明显，放大后会有一种“抠图感”。4.3 Hires. Fix不是“万能高清”，而是二段注意力修正Hires. Fix的本质是先在小图上完成构图，再在放大阶段把潜空间尺寸扩大，进行一次“重绘”式的补充细节。这个过程会重新运行注意力模块，让模型在新分辨率下去精修边缘。正确使用Hires. Fix能有效改善模糊，但很多人的参数设置不对。我推荐的流程是：先用520×780小尺寸（保持2:3构图）跑2张草稿，选一张满意的，然后开启Hires. Fix，放大倍率1.5～2.0（例如放大到832×1248），重绘幅度（Denoising Strength）控制在0.4～0.6之间，采样器沿用之前的DPM++ SDE Karras，步数再补20步以上。重绘幅度如果超过0.7，等于把原图大部分结构推翻重画，可能生成一个跟原图构图不同、但同样模糊的东西；低于0.3又不足以让注意力在新尺度上重新细化，放大后只是把像素拉大而已。我自己常用的参数是：原图512×768，Hires. Fix 2倍，重绘幅度0.5，附加步数20。实测下来，在人物毛发、布料纹理这类高频区域，放大之后的细节密度比直接用1024×1536一步生成要高得多，而且显存占用更平稳。4.4 被忽略的VAE与Tiled VAE有时候图像模糊跟注意力完全无关，是VAE解码阶段的锅。Stable Diffusion的VAE负责把潜空间张量解码为像素图，如果VAE本身精度不足、量化误差大，或者解码时显存不够导致切块错误，也会输出“油画感”模糊图。遇到这种情况，换一个微调训练的VAE文件通常立竿见影。很多模型发布页会同时提供配套VAE，务必一起下载同名文件并加载。显存不足时，建议开启Tiled VAE，它不是把整个潜空间一次性解码，而是按小块分别解码后再拼接。这能大幅降低显存峰值，同时避免“爆显存后强制降精度”造成的全图模糊。我试过在8G显存上直接解码1024×1536大图，不开Tiled VAE偶尔会黑屏或糊图，开启后稳定出图，细节也没有明显损伤。5. 常见问题与排查技巧实录5.1 模糊问题排查清单当你再次遇到糊图，按以下顺序排查，效率最高：现象可能原因解决手段全图朦胧、缺少边缘锐度CFG过高或过低CFG先试7，再向5～9之间微调主体边缘发虚，背景清晰注意力权重分配不均主体关键token加权，背景词降权毛发/布料纹理像糊了一团步数太少或采样器不合适步数拉到30～40，换DPM++ SDE Karras放大后细节没增加重绘幅度过高或过低保持Denoising Strength在0.4～0.6特定区域出现色块状模糊VAE未加载或显存不足正确加载VAE，开启Tiled VAE手部、五官细节崩坏交叉注意力无法聚焦小区域使用面部/手部修复ADetailer，或局部重绘提示词热图显示关键词无响应词汇过于抽象换成更具体、常见的描述词5.2 我在调参中踩过的三个坑第一个坑是“CFG越高越清晰”的误解。曾经我为了追求清晰，把CFG拉到13，结果人脸皮肤像蜡像，所有高频细节被磨平，最后才发现当CFG超过10时，无条件与有条件的差异被过度放大，注意力图在局部区域会产生振荡，本质上是梯度冲突，导致平坦区域被过度强调。现在我的习惯是优先在5～8之间试，除非风格特殊，否则不轻易上10。第二个坑是“加一堆masterpiece, best quality, ultra-detailed”等于没加。这些词在模型训练时出现频率过高，注意力已经饱和了，它们不会让细节变清晰，反而占据了交叉注意力通道，让真正描述物体的token获得的注意力减少。我现在会把这类泛化词放在末尾，甚至删掉，换成“sharp focus, intricate textures, fine details”这种具体描述。第三个坑是局部重绘时重绘幅度太小。面部细节糊了，我直接在局部重绘里把Denoising Strength设为0.2，结果重绘区域只是轻微变化，依然糊。后来明白，太小的重绘幅度，相当于不让模型重新“看”这块区域，注意力根本来不及修正；而0.5以上又容易出现色差。所以当局部糊时，要先检查原图的整体分辨率是否够用，再配合ADetailer自动检测面部并重绘，效果远比手动框选局部稳定。5.3 一组实战对比：同样提示词，不同注意力调整带来的变化我做过一组简单测试，提示词固定为“一位戴着草帽的老人肖像，绿色田野背景，胶片质感，阳光”。第一张直接默认参数（Step 20，CFG 7，Euler a），出图整体偏柔，胡子边缘模糊，皮肤纹理几乎为零。第二张把采样器换成DPM++ SDE Karras，步数加到40，提示词里给“老人肖像”加权1.3、“胡须纹理”加权1.2，同时负面词加入“watercolor, smooth skin, plastic”。这次胡须每根都看得出走向，皮肤上的毛孔和皱纹清晰，背景也保持了足够的虚化感。第三张再叠加ControlNet的线稿约束，轮廓锐度进一步提升，但光影略生硬，所以我最终采用的是第二张的参数，第三张方案用在需要精确边缘的工程图场景更合适。6. 个人经验：调注意力机制比无脑堆高清参数划算得多经过这一轮折腾，我最大的体会是：Stable Diffusion出图清晰度是个系统工程，注意力机制贯穿始终，而很多人习惯性加分辨率、加CFG、开Hires. Fix，都是“头痛医头”。真正花时间把提示词权重、采样器和步数组合、注意力热图、ControlNet约束理一遍，往往在不显著增加计算负担的情况下，就能看到质的提升。我现在的新流程固定为：先用一个较快的配置（DPM++ 2M Karras，Step 25，CFG 7）出小图草稿，确认构图；然后换DPM++ SDE Karras，Step 40，给核心主体加权；在需要精确轮廓时开ControlNet Canny或Lineart；最后用Hires. Fix放大，重绘幅度0.5，附加步数30。整套流程跑下来，一张高清图几乎不需要反复返工。另外想提醒一句：注意力调教不是越复杂越好。有时候减少提示词数量、删掉几个抢注意力的装饰词，比疯狂加权更有效。如果你现在还在和糊图较劲，不妨先下载一个注意力可视化插件，观察一下你的关键词到底激活了哪些区域。很多时候答案就藏在那张热图里。根据我个人的测试，用对注意力机制，最后的成品质量甚至能逼近某些重绘型的超分模型，而显存压力却小得多。