Upscaling in Stable Diffusion bezeichnet die Methoden zur Skalierung KI-generierter Bilder auf höhere Auflösungen, von einfachem ESRGAN-Upscaling bis hin zu SD-basiertem Tile-Upscaling, das gleichzeitig fehlende Details generiert.
Rubrik: GenAI & Content Creation · Unterrubrik: Stable Diffusion · Niveau: Fortgeschritten
Was ist Upscaling in Stable Diffusion?
Stable-Diffusion-Modelle generieren Bilder in ihrer trainierten Auflösung (512×512 bei SD 1.5, 1024×1024 bei SDXL). Für professionelle Anwendungen, Printmedien, großformatige Displays, hochwertige Webpräsentation, reicht das oft nicht aus. Upscaling-Methoden skalieren diese Bilder auf 2K, 4K oder höher.
Das Besondere an KI-basiertem Upscaling im Vergleich zu klassischer Interpolation (Bilinear, Bicubic): Es wird nicht nur vorhandene Information auf mehr Pixel verteilt, sondern aktiv neues Detail in die hochskalierte Version generiert. ESRGAN erlernt Texturen aus echten Fotos; SD-Tile-Upscaling generiert im Kontext des Gesamtbilds neue, kohärente Details.
Erklärung
Methode 1: Hires Fix (A1111)
Hires Fix ist eine zweistufige Methode, die direkt in AUTOMATIC1111 integriert ist:
- Niedrige Auflösung generieren: SD generiert zunächst bei 512×512 (oder Modell-Optimum), diese Phase bestimmt Komposition und Gesamtstruktur
- Hochskalieren: Das niedrigauflösende Bild wird via Upscaler (ESRGAN, Latent Upscale etc.) auf die Zielauflösung gebracht
- Denoising-Durchgang: Das hochskalierte Bild wird mit reduzierter Denoising Strength (0.4-0.6) erneut durch SD geleitet, das Modell fügt hochfrequente Details hinzu
- GenerierenKomposition bei 512×512 oder Modell-Optimum
- Hochskalierenper ESRGAN oder Latent Upscale auf Zielgröße
- Details ergänzenerneut durch SD mit reduzierter Denoising Strength
`` Hires Fix Einstellungen (A1111): ☑ Enable Hires. fix Upscaler: R-ESRGAN 4x+ (für Fotos) oder 4x-UltraSharp (für Illustration) Hires steps: 15-25 Denoising strength: 0.45 Upscale by: 2x (512→1024) oder 1.5x (SDXL 1024→1536) ``
Methode 2: Klassische Upscaler (ESRGAN-Familie)
ESRGAN (Enhanced Super-Resolution GAN): Trainiert auf realen Bild-Paaren (niedrig-/hochauflösend). Lernt, fehlende Details zu halluzinieren. Besonders gut bei Fotos.
Wichtige Upscaler im A1111-Extras-Tab (weitere ESRGAN-Modelle als .pth in den Ordner models/ESRGAN):
| Modell | Optimiert für |
|---|---|
| ESRGAN 4x | Allgemein |
| R-ESRGAN 4x+ | Fotorealismus |
| R-ESRGAN 4x+ Anime6B | Anime/Illustration |
| SwinIR 4x | Detail-Erhalt (in A1111 als eingebaute Erweiterung) |
| ScuNET | Rauschunterdrückung (eingebaute Erweiterung) |
| LDSR | Latent Diffusion Super Resolution (eingebaute Erweiterung, langsam) |
| 4x-UltraSharp | Community-ESRGAN-Modell für scharfe Kanten, separat herunterladen (Ordner models/ESRGAN) |
Methode 3: Ultimate SD Upscale (Extension)
Ultimate SD Upscale ist eine Erweiterung für AUTOMATIC1111 (und als Node-Paket für ComfyUI verfügbar) und eine der verbreitetsten Methoden für sehr hohe Auflösungen. Das Bild wird zunächst mit einem klassischen Upscaler vergrößert, dann in Tiles (Kacheln) aufgeteilt; jede Kachel wird separat per img2img durch SD geleitet. Padding, Maskenweichzeichnung und Seam Fix sorgen für möglichst unsichtbare Übergänge. A1111 bringt mit „SD upscale“ ein einfacheres eingebautes Skript nach demselben Prinzip mit.
- Vergrößernmit einem klassischen Upscaler
- Kachelndas Bild in Tiles aufteilen
- Nachrechnenjede Kachel per img2img durch SD
- Übergänge glättenPadding, Maskenweichzeichnung, Seam Fix
``` Vorteile:
- Beliebige Ausgabegröße (4K, 8K+)
- Geringer VRAM-Bedarf, weil nur eine Kachel gleichzeitig verarbeitet wird (laut Projektseite auf jeder Grafikkarte mit 512er-Kacheln nutzbar)
- Kohärente Details über das gesamte Bild
Einstellungen: Target Size: 2048×2048 oder 4096×4096 Tile width/height: 512 (SD 1.5) oder 1024 (SDXL) Tile overlap: 32-64 px (verhindert sichtbare Tile-Grenzen) Padding: 32 px Seam Fix: Half tile offset (empfohlen) Denoising strength: 0.25-0.4 (Projektseite: bis 0.5 möglich; zu hoch = Kompositionsverlust) ```
Methode 4: Latent Upscale (img2img intern)
Innerhalb von img2img: „Resize mode: Just resize (latent upscale)" skaliert das Latent selbst, bevor es durch den Decoder geleitet wird. Schnell, aber weniger detailreich als ESRGAN + Hires Fix.
ControlNet Tile für Upscaling
Das ControlNet-Tile-Modell hält das Ergebnis eng am Ausgangsbild und verhindert, dass beim kachelweisen Nachrechnen fremde Inhalte in einzelne Kacheln „halluziniert“ werden. Das A1111-Wiki empfiehlt kachelbasiertes SD-Upscaling ausdrücklich in Kombination mit ControlNet Tile; so lassen sich höhere Denoising-Werte nutzen.
Schritt-für-Schritt / Einrichtung
Workflow: 512px → 4K via Ultimate SD Upscale
```
- Bild bei 512×512 generieren (Komposition und Gesamtbild optimieren)
- In img2img laden
- Script: "Ultimate SD Upscale" auswählen
- Einstellungen:
- Custom size: 4096 × 4096 (oder 3840×2160 für 4K UHD) - Upscaler: R-ESRGAN 4x+ - Tile size: 512 (SD 1.5) oder 1024 (SDXL) - Tile overlap: 48 - Seam fix: Half tile offset
- Denoising strength: 0.3
- Steps: 20, CFG: 7
- Gleicher oder angepasster Prompt wie Original
```
Hires Fix in txt2img (einfachste Methode)
```
- txt2img
- Normalen Prompt und Parameter einstellen
- Hires Fix aktivieren:
- Upscaler: R-ESRGAN 4x+ Anime6B (Illustration) oder R-ESRGAN 4x+ (Foto) - Hires steps: 20 - Denoising: 0.45 - Upscale by: 2.0 (512→1024)
- Generieren, ein Schritt liefert direkt das hochaufgelöste Bild
```
Beispiele (5 konkrete Anwendungsfälle)
- Druckfertige Illustration: Ein Buchillustrator generiert zunächst schnell bei 512×512, iteriert Komposition und Stil, und skaliert das finale Bild via Ultimate SD Upscale auf 4096×4096 für Druckqualität (300 DPI bei 35×35 cm).
- Hintergrundbilder für Webangebote: Social-Media-Agenturen generieren 512er-Bilder für schnelles Briefing und skalieren finale Kandidaten auf 3840×2160 (4K UHD) für professionelle Ausgabe.
- Poster-Produktion: Eventveranstalter generieren Motiv-Entwürfe in 512px, wählen den besten aus und skalieren ihn auf DIN-A0-Druckauflösung, mit generierten Details, die weit besser als reine Interpolation sind.
- Upscaling älterer SD-Bilder: Ein Nutzer hat eine Bibliothek älterer 512×512-Generierungen und möchte diese für neue Verwendungszwecke aufwerten. Batch-Upscaling via A1111-API und Ultimate SD Upscale verarbeitet hunderte Bilder automatisch.
- Video-Frame-Upscaling: AnimateDiff-generierte Frames (512×512) werden per Batch-Skript frame-weise durch ESRGAN hochskaliert und dann zu einem HD-Video zusammengefügt.
In der Praxis
Welche Methode wann?
| Situation | Empfohlene Methode |
|---|---|
| Schneller Workflow, direktes HD | Hires Fix (in txt2img) |
| Maximale Auflösung, 4K+ | Ultimate SD Upscale |
| Nur Upscaling ohne SD (schnell) | ESRGAN im Extras-Tab |
| Detail-Kohärenz wichtig | ControlNet Tile + img2img |
| Batch-Verarbeitung | A1111 API + Ultimate SD Upscale |
Denoising Strength beim Upscaling
Zu hohe Denoising Strength bei Upscaling-Durchgängen verändert Komposition und Charakter des Originalbilds ungewollt:
0.2-0.3: Minimale Details, erhält Original fast vollständig0.35-0.45: Empfohlener Standard, gute Details bei Kompositionserhalt0.5-0.6: Spürbare Veränderungen, nur für bewusste Überarbeitung
Vergleich & Abgrenzung
| Methode | Qualität | Speed | VRAM | Max. Auflösung |
|---|---|---|---|---|
| ESRGAN (Extras) | Gut | Sehr schnell | Gering | Faktor des Modells (meist 4×) |
| Hires Fix | Sehr gut | Mittel | Mittel bis hoch | begrenzt durch VRAM |
| Ultimate SD Upscale | Sehr gut | Langsam | Gering (Kacheln) | sehr hoch |
| LDSR | Gut | Sehr langsam | Mittel | 4× Original |
| Topaz Gigapixel (kommerziell) | Sehr gut | Mittel | lokal je nach Hardware | sehr hoch |
Häufige Fragen (FAQ)
Warum erscheinen neue Objekte oder Personen nach dem Upscaling? Bei zu hoher Denoising Strength im zweiten Generierungsdurchgang „halluziniert" das Modell neue Inhalte in große, texturarme Flächen (klarer Himmel, einfarbige Wände). Lösung: Denoising auf 0.3-0.4 reduzieren. Alternativ ControlNet Tile nutzen, das lokale Kohärenz erzwingt.
Welcher ESRGAN-Upscaler ist der beste? Es gibt keinen universellen Besten. R-ESRGAN 4x+ ist für Fotoaufnahmen exzellent. R-ESRGAN 4x+ Anime6B funktioniert besser für Illustrationen. 4x-UltraSharp (Community-Modell) bevorzugt, wenn maximale Kantenschärfe wichtig ist (z. B. Logos, Grafiken). Am besten: In A1111 Extras alle relevanten Upscaler auf einem Testbild vergleichen.
Wie viele Pixel brauche ich für den Druck? Bei 300 dpi entspricht jede 1.000 Pixel rund 8,5 Zentimetern. Ein Bild mit 4096 Pixel Kantenlänge reicht also für knapp 35 Zentimeter, für DIN A4 (21 × 29,7 cm) braucht es rund 2480 × 3508 Pixel. Native SD-Auflösungen müssen dafür deutlich hochskaliert werden.
Verwandte Einträge
- AUTOMATIC1111, Hires Fix und Extras-Tab-Upscaling in A1111
- ComfyUI Workflows, Ultimate SD Upscale in ComfyUI-Workflows
- AnimateDiff, Upscaling für animierte Video-Frames
Weiterführend
- Wang, X. et al. (2018). ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks. ECCVW.
- Ultimate SD Upscale GitHub:
- Civitai Upscaler-Übersicht:
- AUTOMATIC1111 Extras:
