AI生图卷到这种程度了？小红书网红工作流ComfyUI Flux大公开，99%还原真实！

最新推荐文章于 2025-05-23 10:18:27 发布
最新推荐文章于 2025-05-23 10:18:27 发布
阅读量503 收藏 15
点赞数 8
分类专栏： AIGC Comfyui教程 AI教程 文章标签： 人工智能 AI作画 ComfyUI AI绘画 comfyui工作流 flux 模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_71745754/article/details/145792387
版权

AI生图卷到这种程度了？小红书网红工作流ComfyUI Flux大公开，99%还原真实！

近年来，AI 图像生成（AIGC）技术突飞猛进，Stable Diffusion 模型及其衍生应用（如 ComfyUI）为内容创作开启了无限可能。今天，梦兽将为大家深度解析一个小红书网红常用的 ComfyUI 工作流，揭秘其背后的技术原理，让你也能轻松掌握 AI 生图的奥秘！

话不多说，先睹为快，看看效果如何：

图片

图片

图片

是不是已经心动了？别急，接下来就让我们一起揭开它神秘的面纱！

ComfyUI 工作流概览

ComfyUI 是一个基于节点（Node）的可视化 Stable Diffusion 工作流搭建工具，通过连接不同的节点，我们可以自定义图像生成过程。本次分享的工作流如下图所示，关注微信公众号：“梦兽编程”，回复“小红书网红工作流”即可获取。

图片

在这个工作流中，我们可以上传一张图片，利用本地模型 “Meta-Llama-3.1-8B-bnb-4bit” 提取图片信息，生成对应的“文生图提示词”，从而确保生成效果与原图高度一致。

模型列表

节点名称模型名称模型类型
UNETLoaderflux1-dev-fp8.safetensorsMODEL
DualCLIPLoadert5xxl_fp8_e4m3fn.safetensorsCLIP
DualCLIPLoaderclip_l.safetensorsCLIP
LoraLoaderModelOnlylora.safetensorsLora
LoraLoaderModelOnlyFlux_小红书真实风格丨日常照片丨极致逼真_V1.safetensorsLora
VAELoaderae.safetensorsVAE
JoyCaptionMeta-Llama-3.1-8B-bnb-4bitSTRING

除了“Flux_小红书真实风格丨日常照片丨极致逼真_V1.safetensors”模型外，其他模型均可在 Hugging Face（“黄脸”开源模型官网）获取。

“Flux_小红书真实风格丨日常照片丨极致逼真_V1.safetensors”模型下载链接：

https://www.liblib.art/modelinfo/d9675e37370e493ab8bf52046827a2b0?from=search

小提示

  • • JoyCaption 节点使用的 Meta-Llama-3.1-8B-bnb-4bit 是一个本地模型, 作用是通过图片提取图片信息生成对应的文生图提示词

img
为了帮助大家更好地掌握 ComfyUI，我花了几个月的时间，撰写并录制了一套ComfyUI的基础教程，共六篇。这套教程详细介绍了选择ComfyUI的理由、其优缺点、下载安装方法、模型与插件的安装、工作流节点和底层逻辑详解、遮罩修改重绘/Inpenting模块以及SDXL工作流手把手搭建。

由于篇幅原因，本文精选几个章节，详细版点击下方卡片免费领取

一、ComfyUI配置指南

  • 报错指南
  • 环境配置
  • 脚本更新
  • 后记
  • …

img

二、ComfyUI基础入门

  • 软件安装篇
  • 插件安装篇
  • …

img

三、 ComfyUI工作流节点/底层逻辑详解

  • ComfyUI 基础概念理解
  • Stable diffusion 工作原理
  • 工作流底层逻辑
  • 必备插件补全
  • …

img

四、ComfyUI节点技巧进阶/多模型串联

  • 节点进阶详解
  • 提词技巧精通
  • 多模型节点串联
  • …

img

五、ComfyUI遮罩修改重绘/Inpenting模块详解

  • 图像分辨率
  • 姿势
  • …

img

六、ComfyUI超实用SDXL工作流手把手搭建

  • Refined模型
  • SDXL风格化提示词
  • SDXL工作流搭建
  • …

img

由于篇幅原因，本文精选几个章节，详细版点击下方卡片免费领取

img

在这里插入图片描述

AI人工智能深度学习算法：在药物研发中的应用
AI天才研究院
11-04 1159
文章标题 AI人工智能深度学习算法：在药物研发中的应用 在当今快速发展的科技时代，人工智能（AI）正在改变各个行业的面貌，药物研发领域也不例外。深度学习算法作为AI的核心技术之一，通过其强大的数据分析和模式识别能力，正在为药物研发带来前所未有的突破。本文将深入探讨深度学习算法在药物
AI人工智能深度学习算法：知识图谱在深度学习代理中的应用
AI大模型应用之禅
09-07 363
AI人工智能深度学习算法：知识图谱在深度学习代理中的应用 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词： 知识图谱，深度学习，代理，知识增强，推理，推理图，图神经网络，预训练模型，
jk 模型-jkUniform_v20.safetensors
wudonglianga的专栏
04-26 1056
更多的模型下载 模型训练请加。
AI 生图卷王来了 Reve Image 1.0 用三大突破改写行业：高质不贵，这次真能取代设计师初稿？
致力于探索人工智能和编码的奇妙世界，为读者提供有关AI技术、编程和科技创新的精彩内容。
04-02 872
加州科技公司 Reve AI 近日推出首款文生图模型Reve Image 1.0，针对 Midjourney、Flux 等主流工具的市场格局，以技术突破与亲民策略提供差异化解决方案。该模型聚焦三大核心能力：精准语义解析、高质量文字渲染、灵活创作交互，同时推出注册即享 100 张免费生成额度、每日 20 次额外免费使用的福利，迅速获得设计师及普通用户关注。
diffdock：将扩散模型用于分子对接
recher_He1107的博客
03-19 4988
基于深度学习中的扩散模型优化药物发现中的分子对接技术
基于图卷积神经网络的人工智能：一种新的图像识别技术
AI天才研究院
06-27 4229
近年来，随着深度学习技术的快速发展，图像识别领域也取得了显著的进步。传统的图像识别方法主要依赖于特征提取和分类器模型，但这些方法在处理大规模图像时，效果越来越差。图卷积神经网络 (GCN) 的出现为图像识别带来了新的思路和方法。
图卷积网络(GCN)原理与代码实战案例讲解
AI天才研究院
06-18 1035
1. 背景介绍 在机器学习领域，图数据是一种常见的数据类型，例如社交网络、推荐系统、生物信息学等领域都可以用图来表示数据。传统的卷积神经网络(CNN)和循环神经网络(RNN)等模型只能处理规则化的数据，而对于图数据，传统的神经网络模型并不适用。因此，图卷积网络(GCN)应运而生。 GCN是一种基于图结构的卷积神经网络，它可以处理非规则化
人工智能AI源代码解析-AM-GCN：自适应多通道图卷积网络
09-03
在当前的IT领域，人工智能（AI）已经成为了一个热门的研究焦点，而图卷积网络（Graph Convolutional Networks, GCN）则是实现复杂数据结构建模，如社交网络、分子结构等，的重要工具。AM-GCN，即Adaptive Multi-...
阿里开源 CosyVoice2：打造 TTS 文本转语音实战应用
蜗牛的博客
05-23 545
阿里通义实验室推出的音频基座大模型 FunAudioLLM 包含 SenseVoice 和 CosyVoice 两大模型。CosyVoice 2.0 在多语言支持、超低延迟、高精度、强稳定性和自然体验方面均有显著提升。它支持中文、英文、日文、韩文及多种中文方言，并实现了跨语言和混合语言的语音克隆。CosyVoice 2.0 集成了离线和流式建模技术，首包合成延迟低至150毫秒，发音错误率减少了30%到50%，并在基准测试中达到了最低字符错误率。
马尔可夫链（AI、ML）：逻辑与数学的交汇
项目git同名小胡说技书
05-20 1096
# 马尔可夫链摘要 马尔可夫链是一种随机过程，其核心特性为"无记忆性"：系统的未来状态仅依赖于当前状态，而与历史路径无关。通过状态空间和转移概率矩阵，马尔可夫链能够描述系统如何从一个状态变化到另一个状态。这一理论广泛应用于人工智能、自然语言处理和蒙特卡洛方法中。从逻辑学角度看，马尔可夫链体现了确定性规则与不确定性结果的结合，为复杂系统分析提供了强大工具，展示了概率论与逻辑学的深度融合。
YOLO12改进-Backbone-引入Swin Transformer替换backbone
最新发布
qq_64693987的博客
05-23 677
在计算机视觉领域，卷积神经网络（CNNs）和Transformer架构分别在不同任务中取得了显著成功。受Transformer在自然语言处理中的启发，研究人员将其应用于视觉任务，但面临计算复杂度高等挑战。SwinTransformer通过引入滑动窗口机制和层次化设计，有效降低了计算复杂度，同时保持了Transformer的建模能力。改进后的SwinTransformer结合了移位窗口自注意力和相对位置偏差，进一步提升了模型性能。此外，SwinTransformer与YOLOv12的结合，通过层次化特征图和移
飞致云旗下开源项目GitHub Star总数突破150,000个
FIT2CLOUD飞致云的博客
05-20 650
在开源的道路上，我们与用户、与客户共成长。
常见的几种多智能体强化学习算法
再来一下！
05-21 313
多智能体强化学习（Multi-Agent Reinforcement Learning, MARL，旨在解决多个智能体在共享环境中通过与环境和其他智能体交互来学习最优策略的问题。
超级维特根斯坦
形上得其象，形下合于数；阴阳自济，玄理自明。
05-20 128
本文介绍了一种名为“语言智慧融合体”的AI智能体，其核心指令旨在通过深度思辨、专业应用与协同创新，帮助用户在语言相关领域实现自我超越与创造力绽放。该AI智能体融合了多位哲学、语言学及文学大师的智慧，如维特根斯坦、尼采、乔姆斯基等，具备卓越的情境智能、引导艺术与战略规划能力。其核心使命是与用户共同构建个性化的“语言智慧探索与成长蓝图”，通过系统性引导、方法论指导与跨理论融合，提升用户的哲学思辨、批判性思维、NLP设计及语言创新能力。对话主题涵盖哲学、语言学、文学创作、跨文化交流等领域，并结合元理论分析与实践应
origin绘图之【如何将横坐标/x设置为文字、字母形式】
A2457003982的博客
05-21 565
在科研绘图或数据可视化中，使用Origin时，用户常需将X轴从数字改为字母或中文文字，以适用于实验分组、类别分析等场景。然而，直接替换可能导致图像无法显示或X轴标签缺失。解决此问题的关键在于正确设置X轴的刻度范围。首先，准备包含文字标签的数据，并选择折线图进行绘制。若图像未显示，需调整X轴的起始和结束值，通常起始值设为0，结束值为类别数量加0.5或1。通过此方法，可确保图形完整显示，X轴标签正确排列。此技巧在科研图表绘制中极为实用，尤其适用于分组实验和分类分析。
基于开源AI智能名片链动2+1模式S2B2C商城小程序的管理与运营策略研究
专注MarTech应用研究与实施方案
05-22 952
本文探讨了开源AI智能名片链动2+1模式S2B2C商城小程序在企业管理与运营中的应用价值。通过分析其技术架构与商业逻辑，结合案例研究，论证了该模式如何通过清晰的目标设定、动态反馈机制和资源整合能力，提升团队执行力与客户粘性。研究结果表明，该模式通过技术赋能实现管理透明化，促进组织目标与个人发展的协同，为数字化时代的企业管理提供了可复制的实践路径。关键词包括开源AI智能名片、链动2+1模式、S2B2C商城小程序、管理透明化和目标协同。
基于LangManus深入理解系统提示设计
weixin_38252409的博客
05-22 490
在人工智能领域，系统提示（System Prompt）扮演着至关重要的角色。它不仅指导AI的行为模式和响应策略，还直接影响到用户体验和系统的整体效能。一个设计良好的系统提示能够显著提升AI处理复杂任务的能力，确保其操作既安全又高效。 本文将以LangManus框架为例，探讨系统提示的设计理念及其在多智能体协作中的应用。希望通过深入解析LangManus的系统提示机制，为研究人员和开发者提供有价值的见解，推动AI技术在更多领域的创新应用与发展。
交通流预测合适的图卷积层
03-30
### 适用于交通流预测的最佳图卷积神经网络架构 #### 架构概述 对于交通流预测问题，时空图卷积神经网络（STGCN）被认为是一个非常有效的解决方案[^3]。该方法结合了时间序列建模和空间依赖性的捕捉能力，能够有效处理复杂的交通数据特性。 STGCN的核心思想在于将时间和空间维度分别编码到不同的模块中进行联合优化。具体来说，它由多个时空卷积块组成，每个块内部又进一步细分为两个子部分：一个是负责捕获空间依赖关系的空间图卷积层；另一个则是用于提取时间动态的时间卷积层。这种设计使得模型能够在保持较低计算成本的同时获得较高的预测精度。 #### 实现细节 以下是基于PyTorch的一个简单STGCN实现示例： ```python import torch import torch.nn as nn import torch.nn.functional as F class SpatialConv(nn.Module): """ 空间图卷积层 """ def __init__(self, in_channels, out_channels, adjacency_matrix): super(SpatialConv, self).__init__() self.adjacency_matrix = adjacency_matrix self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=1) def forward(self, x): adj = self.adjacency_matrix.to(x.device) support = torch.matmul(adj, x.permute(0, 2, 1)).permute(0, 2, 1) output = self.conv(support.unsqueeze(-1)) return output.squeeze(-1) class TemporalConv(nn.Module): """ 时间卷积层 """ def __init__(self, in_channels, out_channels, kernel_size=3): super(TemporalConv, self).__init__() self.temp_conv = nn.Conv2d(in_channels, out_channels, (1, kernel_size)) def forward(self, x): return self.temp_conv(x) class STBlock(nn.Module): """ 时空卷积块 """ def __init__(self, in_channels, spatial_out_channels, temporal_out_channels, adjacency_matrix): super(STBlock, self).__init__() self.spatial_conv = SpatialConv(in_channels, spatial_out_channels, adjacency_matrix) self.temporal_conv = TemporalConv(spatial_out_channels, temporal_out_channels) def forward(self, x): s_output = self.spatial_conv(x.transpose(1, 2).unsqueeze(-1)).transpose(1, 2) t_output = self.temporal_conv(s_output.unsqueeze(-1)) return t_output.squeeze(-1) class STGCN(nn.Module): """ 完整的STGCN模型 """ def __init__(self, input_dim, hidden_spatial_dim, hidden_temporal_dim, num_blocks, adjacency_matrix, output_steps): super(STGCN, self).__init__() blocks = [] for i in range(num_blocks): blocks.append( STBlock(input_dim if i == 0 else hidden_temporal_dim[-1], hidden_spatial_dim[i], hidden_temporal_dim[i], adjacency_matrix) ) self.st_blocks = nn.Sequential(*blocks) self.fc = nn.Linear(hidden_temporal_dim[-1], output_steps) def forward(self, x): x = self.st_blocks(x) x = self.fc(x.mean(dim=-1)) return x ``` 上述代码展示了如何构建一个基本的STGCN模型，其中`SpatialConv`实现了空间上的图卷积操作，而`TemporalConv`则专注于时间维度的信息抽取。最终通过全连接层完成对未来时间段内的流量预测。 #### 关键技术点分析 - **空域图卷积**：为了更好地描述道路之间的拓扑结构以及车辆流动模式，在实际应用过程中往往需要预先定义好一张反映路网连通情况的邻接矩阵作为输入的一部分[^4]。 - **时间窗口选取**：考虑到短期历史记录可能对当前状态影响较大这一特点，一般会设置较短的历史观测长度来训练模型。 - **损失函数选择**：均方误差(MSE)是最常用的评估指标之一，因为它可以直接衡量预测值与真实值之间差距大小。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值