本插件通过以下三种技术实现了在有限的显存中进行大型图像绘制：

两种 SOTA diffusion tiling 算法：Mixture of Diffusers 和 MultiDiffusion

mixture：Mixture of Diffusers（扩散体混合）是一种图像生成方法，它包含了多个不同的扩散过程，共同合作生成一张图像。每个扩散体专注于图像中的特定区域，并考虑边界效应以促进平滑混合。这种方法的目标是通过并行使用多个扩散过程，每个过程使用特定的提示和设置，并专注于图像的特定区域，从而提供更好的图像组合工具。通过这种方式，可以更精确地控制图像中对象的位置，并实现特定的构图。这种方法还可以防止生成图像中出现“接缝”效应。Mixture of Diffusers引入了高斯平滑的处理,接缝可以设置小一些。
MultiDiffusion是一种用于控制图像生成的方法。它利用一个预先训练的文本到图像模型，无需额外的训练或微调，能够生成高质量且多样化的图像。MultiDiffusion的核心是一个基于优化任务的新型生成过程，它将多个扩散生成过程以及一组共享的参数或约束绑定在一起。通过这种方式，可以轻松实现用户所需的图像控制，如期望的长宽比和空间引导信号。MultiDiffusion还可以应用于生成全景图、基于准确分割掩码或粗糙掩码的区域性生成。它生成的图像具有高质量、无缝连接，并且能够合理组合场景、场景效果和物体的相对大小。
区别：MultiDiffusion和混合模型（mixture model）在图像生成方面有一些不同之处。首先，MultiDiffusion是基于扩散路径的方法，而混合模型是一种基于概率分布的方法。MultiDiffusion通过在每一步生成过程中绑定多个扩散生成路径来生成图像，这些生成路径具有共享的参数或约束。它的生成过程更加灵活，可以根据用户提供的控制信号生成具备所需属性的图像，如长宽比和空间引导信号。相比之下，混合模型通过将多个概率分布加权组合来生成图像，这些分布可以是不同类型的分布，如高斯混合模型。混合模型的生成过程是根据每个分布的权重和参数进行的，而不具备用户控制的灵活性。其次，MultiDiffusion不需要额外的训练或微调，它利用了一个预训练的文本到图像扩散模型。相反，混合模型通常需要通过训练来估计分布的参数和权重。这意味着在使用MultiDiffusion时，我们可以直接应用预训练模型来生成图像，而在使用混合模型时，需要在生成图像之前进行模型的训练过程。

综上所述，MultiDiffusion是一种灵活、可控且无需额外训练的图像生成方法，而混合模型是一种基于概率分布的生成方法，其生成过程更依赖于估计的分布参数和权重。

使用Mixture of Diffusers还具有在生成非常大的图像时的实际优势，因为GPU内存需求与生成单个瓷砖大小的图像相似。

原创的 Tiled VAE 算法。

原创混合放大算法生成超高清图像

结合 ControlNet v1.1 tile模型

高质量图像放大，产生清晰且整洁的细节。

本插件的 Tiled Noise Inversion 功能可以与 ControlNet v1.1 Tile模型 (简称 CN Tile) 协同工作，产出细节合适的高质量大图。
高重绘幅度下(>= 0.4)CN Tile 倾向于产生过多的细节，使图像看起来脏乱。
MultiDiffusion Noise Inversion 倾向于产生整洁但过度磨皮的图像，缺乏足够的细节。然而把这两个功能结合，就能同时消除两者的缺陷。
能产生整洁清晰的线条、边缘和颜色能产生适当和合理的细节，不显得怪异或凌乱。
推荐的设置:
- 重绘幅度 >= 0.75，采样步数25步
- Method = Mixture of Diffusers，overlap = 8
- Noise Inversion Steps >= 30
- Renoise strength = 0
- CN Tile 预处理器 = tile_resample，下采样率 = 2
如果您的结果模糊:
- 尝试增加 Noise Inversion Steps
- 尝试降低重绘幅度
- 尝试换一个模型
与纯 CN Tile 对比，画面更加整洁:
- 比较1，50 NI 步数，重绘幅度 = 0.75
- 比较2，200 NI 步数，重绘幅度 = 1
高重绘幅度下画面颜色会变，这是CN Tile的已知bug，我们无法修复