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_args
    noise_sampler = k_diffusion.sampling.default_noise_sampler(x) if noise_sampler is None else noise_sampler
    s_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 = denoised
        if 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