ComfyUI：GLIGEN（文本定位图像生成）工作流

GLIGEN（Grounded Language-to-Image Generation）工作流是一种基于文本 + 空间信息的图像生成流程。

它允许你用基础提示词描述整张画面的整体语义，同时使用 GLIGENTextBoxApply 节点，通过文字 + 坐标精确控制某个物体出现在画面的什么位置和尺寸，最后整体生成图像，指定的物体将“定点”融合入场景之中。

这能更有目的地引导图像结构布局，在复杂构图、广告图、产品图、设计草图等场景中极具价值。

① Load Checkpoint

Checkpoint 加载器（简易）

Load Checkpoint 节点用于加载一个基础模型（如  SD1.5 的 pruned 版本），内部一般都包含三个核心组件：

MODEL：图像生成模型CLIP：用于解析文字提示的语言编码器VAE：用于潜空间图像与可视图像之间的转换

基础模型负责大部分图像风格与生图能力。

② GLIGENLoader

GLIGEN 加载器

GLIGENLoader 节点用于加载 GLIGEN 专用模型，用于处理“指定位置”生成任务。

比如：

gligen_sd14_textbox_pruned.safetensors

要注意的是，GLIGEN 模型必须与基础模型兼容，通常使用 SD1.4 或 SD1.5。

③ CLIP Text Encode (Prompt)

CLIP 文本编码

正向（Positive）提示词的 CLIP Text Encode 节点用于提供整体画面的描述，作为 Base Prompt（基础提示词）。

比如：

A scene of a snowy day. There are snow-capped mountains in the distance. The sun shines directly from behind the snow-capped mountains. There is a delicate little red umbrella on the snow.

这段文字设定整个图像场景的主题、环境、风格，是全图的“语义基础”。

④ GLIGENTextBoxApply

GLIGEN 文本框应用

GLIGENTextBoxApply 节点用于将文本所描述的对象与具体空间位置绑定。

可以串联多个 GLIGENTextBoxApply 节点，每个节点控制一个元素的生成位置，它们都会基于基础提示词和 GLIGEN 模型进行“定向增强”。

文本框中输入的对象提示词，应该是基础提示词中所描述的对象之一。

⑤ CLIP Text Encode (Prompt)

CLIP 文本编码

反向（Negative）提示词的 CLIP Text Encode 节点用于输入一些不希望在图像中出现的内容。

比如：

text, watermark

其作用是让模型尽量避免生成文字、水印或其它不需要的元素。

⑥ Empty Latent Image

空 Latent 图像

Empty Latent Image 节点生成一个空的潜空间图像。

它并不直接可见，但为后续的采样器提供了一个指定尺寸的画布。

⑦ KSampler

K 采样器

KSampler 节点用于执行扩散生成过程，融合基础提示、位置控制与负面提示进行图像采样。

加载的模型（MODEL）正向提示（positive conditioning）反向提示（negative conditioning）潜空间图像（latent image）

模型在这个阶段根据提示词在噪声图中“逐步绘图”，生成潜空间图像，为后续图像解码做准备。 

⑧ VAE Decode

VAE 解码

VAE Decode 节点通过 VAE 将其解码为 RGB 图像格式，使图像内容可以被视觉识别与保存。

⑨ Save Image / Preview Image

保存图像 / 预览图像

使用 Preview Image 或 Save Image 节点来查看或保存最终输出结果。

在结果图中，可看到生成的图像，符合基础提示词中的描述，并在指定的位置生成相应的图像元素。

“点赞行美意，赞赏是鼓励”