在过往，不管使用 SD 还是 MJ，生成一张图片起码要等上10秒。
而现在，有了 LCM 技术的加持，已经能做到秒出图，甚至是实时出图。
LCM(潜空间一致性模型) 是由 清华大学信息科学技术研究院 研发的大模型，它最大的特点就是生成图片速度超级快，能在2-4步生成质量不错的图片。
安装部署
LoRA下载
Latent Consistency Model (LCM) LoRA: SDXL 下载链接：
https://huggingface.co/latent-consistency/lcm-lora-sdxl/tree/main
Latent Consistency Model (LCM) LoRA: SDv1-5 下载链接：
https://huggingface.co/latent-consistency/lcm-lora-sdv1-5/tree/main
以上两个模型下载后，放置位置：SD安装目录\models\Lora\lcm
模型下载
目前唯一支持 SD webui 的LCM模型：LCM_Dreamshaper_v7
下载链接：https://huggingface.co/SimianLuo/LCM_Dreamshaper_v7/tree/main
模型下载后，放置在：SD安装目录\models\Stable-diffusion
sd-webui-lcm 插件
PS：LCM_Dreamshaper_v7 模型不能直接使用，需要搭配 sd-webui-lcm插件 使用。
下载链接：https://github.com/0xbitches/sd-webui-lcm
插件下载解压后，放置在：SD安装目录\extensions
修改代码
在 SD安装目录\modules 中找到 sd_samplers_extra.py 与 sd_samplers_kdiffusion.py 两个文件。
在修改之前，切记要把这两个文件进行复制备份，以免改坏了还能还原回来。
sd_samplers_kdiffusion.py 修改：
在对应位置添加代码后保存：('LCM', sd_samplers_extra.sample_lcm, ['k_lcm'], {}),
sd_samplers_extra.py 修改：
在如下位置添加代码后保存：
@torch.no_grad()
def sample_lcm(model, x, sigmas, extra_args=None, callback=None, disable=None, noise_sampler=None):extra_args = {} if extra_args is None else extra_argsnoise_sampler = k_diffusion.sampling.default_noise_sampler(x) if noise_sampler is None else noise_samplers_in = x.new_ones([x.shape[0]])for i in tqdm.auto.trange(len(sigmas) - 1, disable=disable):denoised = model(x, sigmas[i] * s_in, **extra_args)if callback is not None:callback({"x": x, "i": i, "sigma": sigmas[i], "sigma_hat": sigmas[i], "denoised": denoised})x = denoisedif sigmas[i+1] > 0:x += sigmas[i+1] * noise_sampler(sigmas[i], sigmas[i+1])return x
LCM 速度测试
输入一段提示词，把 LoRA 添加进来：
按照下图修改配置参数：
用时 3.6s 就能出图：
不同采样器出图效果对比：
再来看看，不同迭代步数的出图效果对比：
当 迭代步数 达到4步时，图片已达到基本可用的程度，
在 5步 之后，每增加 1步，画面会更加锐利，
增加到 第9步 之后，继续增加迭代步数，画质提升不太明显。
LCM 技术的加入，确实能提高出图效率，
尽管生成图片的质量不算太高，但在该技术的帮助下，我们完全可以使用较低的步数，快速的大批量出图，
然后再挑选满意的图片进行高清放大处理，有效避免了不断重复抽卡的烦恼。
今天先分享到这里~
开启实践：SD绘画 | 为你所做的学习过滤