StableSR

用扩散先验把模糊老图变清晰，细节真实不糊弄

StableSR 是一个基于扩散先验的真实世界图像超分辨率项目，由腾讯 ARC 实验室开发，发表于 IJCV 2024。它针对传统超分模型在真实退化图像上效果不佳的问题，利用预训练 Stable Diffusion 模型强大的生成先验，通过引入时间感知编码器和可控特征融合模块，在保持图像真实感的同时实现高质量重建。核心能力包括：支持 4x/8x 超分、处理未知复杂退化（模糊、噪声、压缩伪影）、保持内容一致性和纹理细节，并提供权重调制机制以平衡感知质量和保真度。项目提供完整训练和推理代码，支持用户自定义退化模型，适合研究和使用。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 2669

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队IceClear

所属国家

官网地址https://iceclear.github.io/projects/stablesr

GitHubhttps://github.com/IceClear/StableSR

定价模式free

价格说明开源项目，提供在线演示页面，可免费使用，无付费版本。

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型stable-diffusion,stablesr,super-resolution

GitHub 星标★ 2669

30天Star增速

HF 下载量

上线时间2023-04-02 00:00:00

最近更新2026-09-23 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

难度：进阶约 30 分钟部署方式：本地安装 6 步

环境要求

Python 环境（README 未指定具体 Python 版本）
PyTorch == 1.12.1
CUDA == 11.7（需 NVIDIA GPU）
pytorch-lightning == 1.4.2
xformers == 0.0.16（可选）

安装与启动步骤

1克隆项目仓库

从 GitHub 拉取 StableSR 源码到本地，后续安装都在该目录内进行。
```
git clone https://github.com/IceClear/StableSR.git
cd StableSR
```
2创建依赖环境

README 说明其余依赖都在 environment.yaml 中，用它创建 conda 环境可一次性装齐。
```
conda env create -f environment.yaml
```
3安装 xformers

xformers 在 README 中标注为 Optional，装上可加速并降低显存占用，不装也能运行。
```
conda install xformers -c xformers/label/dev
```

4安装 taming 与 CLIP

这两个依赖需从 GitHub 源码安装，README 给出了对应的 pip -e 命令。

pip install -e git+https://github.com/CompVis/taming-transformers.git@master#egg=taming-transformers
pip install -e git+https://github.com/openai/CLIP.git@main#egg=clip

5安装项目本体

在仓库根目录执行可编辑安装，注册本项目包及其依赖。
```
pip install -e .
```
6准备模型权重与推理

README 未给出具体推理命令，需按仓库内说明下载预训练权重后运行示例脚本。

如何确认成功

按 README 的 Running Examples 章节运行推理脚本，能对低分图输出 4x 超分结果即成功。

常见问题

Q：必须使用 NVIDIA 显卡吗？

A：README 要求 CUDA 11.7 与 PyTorch 1.12.1，说明面向 NVIDIA GPU；否则建议改用官方在线 Demo。

Q：xformers 一定要装吗？

A：不必须。README 明确标注 xformers == 0.0.16 为 Optional，只影响速度与显存占用。

Q：不想本地部署怎么办？

A：

Q：PyTorch 版本可以换成更高的吗？

A：README 指定 Pytorch == 1.12.1、CUDA == 11.7，建议严格对齐以避免依赖冲突。

注意事项

环境版本需与 README 对齐：PyTorch 1.12.1 + CUDA 11.7 + pytorch-lightning 1.4.2。
README 未给出模型权重下载地址与推理脚本参数，需自行查阅仓库内文件。
建议使用 conda 独立环境，避免与已有 PyTorch 环境冲突。
WebUI 与 ComfyUI 为第三方独立仓库，安装方式不同。

核心亮点

基于 Stable Diffusion 先验，对真实复杂退化（模糊、噪声）重建效果显著优于传统方法
引入时间感知编码器，避免扩散模型带来的内容漂移和身份改变
提供可控权重调制，用户可在感知质量和保真度之间灵活调节

不足之处

推理速度较慢，依赖扩散模型，单张图像处理耗时较长
显存占用较高，低端 GPU 上难以实用
文档/社区待观察

适用场景

老照片修复，提升历史影像清晰度
监控或手机拍摄的低质量图像增强
图像超分研究和扩散先验应用实验

替代项目

Real-ESRGAN、BSRGAN、SwinIR

项目介绍

StableSR 是图像领域的开源项目，由 IceClear 开发，2023 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（2,669）位列前 30%，在图像分类的 837 个项目里位列前 8%。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-23。提供在线演示页面，可免费使用，无付费版本。从国内网络环境看，可直接访问。

它主要面向的使用场景是：老照片修复，提升历史影像清晰度。同类可对比的替代方案包括 Real-ESRGAN、BSRGAN、SwinIR。

上一篇：sd-webui-deforum

下一篇：img2img-turbo