本文是一篇关于AI图像放大的科普与建议文章，发布于2023年6月27日，预计阅读时间2分钟。文章核心论点是：在AI工作流中放大图像看似是额外步骤，却能对最终效果产生显著影响。
用途：文章旨在解释为什么应该对图像进行放大处理，尤其是在使用图像到图像（img2img）工作流时。
主要能力/原理：文章解释了扩散模型（diffusion model）的工作机制——模型先向图像添加噪声直到完全无法识别，再试图从噪声中还原图像。它通过大量参考图像和多次尝试来学习噪声模式。关键点在于，当向图像添加噪声时，图像的细节越清晰，AI在还原时就越准确。因此，参考图像的分辨率在img2img工作流中扮演重要角色。
使用方式/示例：作者给出一个示例：基础分辨率为896×1344，分别以200×300和3584×5376的分辨率通过Stable Diffusion中的ControlNET（canny模型）展示AI读取的细节差异。在相同提示词和相同种子下，低分辨率参考图与放大后参考图生成的“Air Djinn”结果不同。
工具选项：文章列举了几个放大工具：
- ImgUpscaler：免费，基于浏览器，每天5积分。
- TopazLabs：专业级工作流，功能多，对某些人可能较贵（联盟链接）。
- Upscale Media：另一个免费替代品，选项不多但能用。 另外，也可以直接在Stable Diffusion中进行放大，但分辨率越高，对GPU的压力越大。
适用场景：适合使用Midjourney或Stable Diffusion进行图像到图像创作的用户，尤其是需要提升参考图质量以改善最终生成效果的场景。
限制：文章指出放大耗时很短；直接在Stable Diffusion中放大时高分辨率对GPU要求高。TopazLabs可能较贵。其他未提及的功能、价格、平台、效果等暂未提供。
附加信息：文末提到作者更新了Midjourney风格模板（免费下载，可自愿付费支持），新增了Watercolor Manga、Magic University、Mythology（仅v5）等风格，并提到其Brainstorming指南中的技巧。
