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:
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:
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:
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:
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:
输出:
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:
参数:
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:
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:
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:
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:
参数:
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。