【ComfyUI插件】ComfyUI核心节点(四)

最新推荐文章于 2025-02-21 18:38:15 发布

啦啦啦的小黄瓜

最新推荐文章于 2025-02-21 18:38:15 发布

阅读量2.3k

点赞数 18

分类专栏： [ComfyUI节点库]CR_Comfyroll节点详解文章标签： stable diffusion AIGC ai绘画

本文链接：https://blog.csdn.net/My_Weakness/article/details/136852216

版权

[ComfyUI节点库]CR_Comfyroll节点详解专栏收录该内容

7 篇文章 ¥59.90 ¥99.00

订阅专栏

本文详细介绍了ComfyUI中的几个核心节点，包括Latent Composite、LatentCompositeMasked、Upscale Latent、Set Latent Noise Mask和Load LoRA节点，讲解了它们的功能、输入参数和输出效果，帮助用户理解并掌握这些节点在图像处理中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

知识星球已更新150+节点，每个节点详解讲解并且给出示例工作流，现阶段门票只需50元，欢迎大家加入很向我提问！！！！！！

知识星球ID：71297236

前言：

ComfyUI的学习是一场持久战，当你掌握ComfyUI的安装和运行之后，会出现琳琅满目的节点，当各种各样的工作流映入眼帘，往往难以接受纷繁复杂的节点种类，本篇文章将以通俗易懂的语言，对ComfyUI的各种核心节点进行系统的梳理和参数的详解，祝愿大家在学习的过程中掌握自我思考的能力，并且切实的掌握和理解各个节点的用法与功能。

目录：

一、Latent Composite节点

二、LatentCompositeMasked节点

三、Upscale Latent节点

四、Set Latent Noise Mask节点

五、Load LoRA节点

LoRA示例工作流

一、Latent Composite节点

节点功能：该节点类似于图层叠加结点，区别在于这个在潜空间对图像进行叠加。

输入：

samples_to       ->     接收叠加的潜空间图层之一     **该参数传入的图片为图层底层**
samples_from     ->     接收叠加的潜空间图层之一     **该参数传入的图片为图层上层**

注意：我们传入的是latent参数，传入后预览需要使用VAE解码，而且保证前后使用的VAE相同！

参数：

x  ->     上层图层叠加位置的的x坐标          **ComfyUI中坐标原点为左上角**
y  ->     上层图层叠加位置的的y坐标          **ComfyUI中坐标原点为左上角**
feather         ->          表示边缘的羽化程度

注意：下图示例设置feather为216可以看到上层图层的边缘有羽化，设置y坐标为24，粘贴位置向下偏移。

输出：

LATENT      ->      输出图层叠加后的潜空间图像         **和前面latent使用同一VAE解码**

二、LatentCompositeMasked节点

节点功能：该节点将latent图像进行叠加，但是上层图像可以通过蒙版进行选择性粘贴。

输入：

destination  ->     底层潜空间图像
source       ->     上层潜空间图像
mask         ->     使用mask对上层潜空间图像进行分割

注意：如下图所示，在source图像中给出蒙版信息，传入LatentCompositeMasked节点，用来限制粘贴区域，后续经过VAE解码得到图像，仅粘贴了蒙版区域。

参数：

x           ->     表示粘贴区域的x坐标              **ComfyUI坐标原点位于左上角**
y           ->     表示粘贴区域的y坐标              **ComfyUI坐标原点位于左上角**
resize_source             ->             表示是否对蒙版区域进行分辨率调整

输出：

LATENT      ->     输出图层叠加后的潜空间图像         **和前面latent使用同一VAE解码**

三、Upscale Latent节点

节点功能：该节点对潜空间图像进行分辨率调整，仅使用数学方式进行像素填充。

输入：

samples          ->       传入的原始潜空间图像

参数:

upscale_method      ->        表示像素填充的方法
width               ->        调整后潜空间图像的宽度
height              ->        调整后潜空间图像的高度
crop                ->        表示是否对图像进行裁剪

注意：潜空间图像的方法并不会很完美的融合图像，通过VAE解码后会出现毁坏的情况，！！！正确的做法是使用KSampler采样器进行二次采样，从而使得图像更加的美观！！！

输出：

LATENT      ->     输出尺寸调整之后的潜空间图像

四、Set Latent Noise Mask节点

节点功能：该节点对潜空间图像增加蒙版，从而控制扩散区域

输入：

samples    ->     接收传入的潜空间图像
mask       ->     接收传入的蒙版信息

注意：因为该设置传入的蒙版并没有羽化的操作，所以会导致蒙版区域的扩散和原始图的融合度很低，不建议使用。

输出：

LATENT     ->    输出带有蒙版信息的潜空间图像

五、Load LoRA节点

节点功能：该节点加载Lora模型，并且设置lora模型的权重。

输入：

model       ->     加载扩散使用的大模型    **lora的训练会使用一个大模型底模，对应的底模效果最好**    
clip        ->     加载使用的CLIP模型

参数：

lora_name     ->    需要使用到的lora模型   **配置好路径文件，模型可以自行选择**
strength_model     ->       修改大模型的扩散强度      **可以设置为负值**
strength_clip      ->       修改CLIP模型的强度        **可以设置为负值**

输出：

MODEL         ->    修正后的大模型作为输出
CLIP          ->    修正后的CLIP模型作为输出

注意：如图所示，使用一个“水晶”类型的lora进行模型的扩散，最终得到的图像就会受到lora的影响。

lora训练时常会使用一个统一的标签，所以在提示词输入框，需要输入lora的引导词作为指导。

lora示例工作流：

学习完以上节点，您就可以搭建“lora示例”工作流了

这里使用SDXL的大模型，使用“流体”对应的lora，设置潜空间图片为XL适用的1024*1024进行扩散，提示词中加入Lora模型对应的引导词，从而获得最终图像：

孜孜不倦,方能登峰造极。坚持不懈,乃是成功关键。