【comfyUI教程】更多的氛围感?给图片打光——IC-Light

目录

前言:

插件节点介绍:

使用方式一览:

一、光效laten融合:

二、背景图融合:

使用技巧和注意点:

一、光效模型有三个:

二、文字提示不能影响光效,但是可以影响其他元素:


前言:

图片的光效的好坏会影响图片的氛围感。之前这一块在AI生成图片领域还比较缺失。

而最近刚出的IC-Light光效模型弥补了这一点,不得不感叹技术的迭代速度。让我们快速看看他在comfyUI上是如何使用的吧。

插件节点介绍:

插件名称:ComfyUI-IC-Light

插件节点如下:

IC_Light Conditioning

输入:

foreground: 需要改善光效的图片,或者称之为前景图

opt_background:用于参考光效的背景图

Multiplier: 数值越大前景图和光效融合时候的前景图的融合比重越高。会导致感觉上光更弱,默认0.182。

使用方式一览:

一、光效laten融合:

将渐变图片作为图生图的原始噪声

二、背景图融合:

注意:如果原图有背景会导致背景杂糅到一起,效果一般不好,所以使用之前最好把图扣干净。

当然这两种方式可以一起使用。

使用技巧和注意点:

一、光效模型有三个:

  • iclight_sd15_fc.safetensors 默认的照明模型,以文本和前景图为条件。

  • iclight_sd15_fcon.safetensors 与“iclight_sd15_fc.safetensors”相同,使用偏移噪声进行训练。默认的“iclight_sd15_fc.safetensors”稍微优于此模型。

  • iclight_sd15_fbc.safetensors 以文本、前景图和背景图为条件的重新照明模型。

总结:fc和fcon功能一样(没有背景图时使用)但fc更好,fbc(有背景图时使用)。使用不对的会报错!

二、文字提示不能影响光效,但是可以影响其他元素:

当没有背景图和光效laten时,文字描述任何光效基本都是无用的:

但是描述头发是红色可以调整由于灯光导致的色彩偏移:

基础用法就是这样,下一篇我会进阶说明如何在动画中使用光效,可以关注我,我将持续更新!

查看我的公众号,还有更多教程和资讯分享!本文所有工作流也放到了上面,回复“光效”即可获得!

——因为热爱的AI漫谈社

PS:这里有光源图!:

我还收集了一些常用人工光源图,需要的可以来我的公众号,回复“光效”即可获得!

以下是一个简单的PSO-lightGBM代码示例: ```python import lightgbm as lgb import numpy as np from pyswarm import pso # 数据准备 train_data = lgb.Dataset(X_train, label=y_train) test_data = lgb.Dataset(X_test, label=y_test) # PSO模型参数空间 def pso_parameter_space(): space = [(100, 1000), # num_iterations (0.01, 0.5), # learning_rate (1, 20), # num_leaves (10, 100), # min_data_in_leaf (0.1, 0.9), # feature_fraction (0.1, 0.9), # bagging_fraction (0, 10), # bagging_freq (0.1, 0.9), # lambda_l1 (0.1, 0.9), # lambda_l2 (0.1, 0.9), # min_gain_to_split (10, 100)] # max_depth return space # 定义PSO目标函数 def pso_objective_function(x): params = {'objective': 'binary', 'metric': 'binary_logloss', 'num_iterations': int(x[0]), 'learning_rate': x[1], 'num_leaves': int(x[2]), 'min_data_in_leaf': int(x[3]), 'feature_fraction': x[4], 'bagging_fraction': x[5], 'bagging_freq': int(x[6]), 'lambda_l1': x[7], 'lambda_l2': x[8], 'min_gain_to_split': x[9], 'max_depth': int(x[10])} model = lgb.train(params, train_data) y_pred = model.predict(X_test) loss = np.mean((y_pred - y_test) ** 2) return loss # PSO优化 lb = np.array([s[0] for s in pso_parameter_space()]) ub = np.array([s[1] for s in pso_parameter_space()]) x_opt, f_opt = pso(pso_objective_function, lb, ub, swarmsize=50, maxiter=100) # 输出最佳参数 print('Best parameters:', x_opt) ``` 该代码定义了一个PSO模型参数空间,将目标函数设置为LightGBM模型的均方误差,然后使用pyswarm库中的pso函数进行PSO优化。最终输出最佳参数。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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