导图社区 SD入门必看
为大家提供了一个全面而详细的SD入门指南，适合SD初学者的一份入门指南，详细解释了各节点的作用。帮助大家更好地理解和运用SD及其关键组件。
ComfyUI 是一个模块化的 AI 工作流工具，支持多种模型格式。每种格式通常与特定的节点和任务相关联。对常见的模型文件格式及其适用的节点和任务进行了整理。
在 ComfyUI 中，生成图像的工作流通常需要经过一系列功能节点的处理。以下是 ComfyUI 中一般出图的工作顺序及其关键节点的详细说明。
详细介绍贴图的各种存储格式，通过选择合适的类型，可以有效地存储和使用纹理贴图，从而提升渲染效果和项目效率。
社区模板帮助中心，点此进入>>
互联网9大思维
组织架构-单商户商城webAPP 思维导图。
域控上线
python思维导图
七夕活动策划
南北粽子
css
CSS
计算机操作系统思维导图
计算机组成原理
SD入门必看
基本参数
model
用于生成或修改图像的 AI 模型
通常是预训练的扩散模型
positive
正面提示词
描述您希望在生成的图像中看到的内容
例如:“一只坐在草地上的橙色猫咪,阳光明媚”
negative
负面提示词
描述您不希望在生成的图像中看到的内容
例如:“模糊,低质量,扭曲的特征”
latent image
潜在图像
一种中间表示,不是直接可视的图像,而是编码形式
可能来自之前的处理步骤或随机初始化
seed
种子值
用于初始化随机数生成器
使用相同的种子值可以重现相同的结果
control after generate
允许在生成后对结果进行额外的控制或修改
具体功能可能因 ComfyUI 的版本而异（通常是对seed值进行修改）
steps
采样步骤数
决定扩散过程的迭代次数
更多步骤通常会产生更精细的细节,但会增加计算时间
cfg
无分类器指导尺度
控制生成过程对提示词的遵从程度
较高的值会使结果更接近提示词,但可能降低创意性
sampler name
采样器名称
指定用于从噪声中生成图像的算法
常见的包括 Euler, Euler a, DDIM 等
scheduler
调度器
决定在采样过程中如何调整噪声水平
不同的调度器可能会影响生成速度和质量
denoise
去噪强度
控制对输入潜在图像的修改程度
值为 1 时完全重新生成,值越小则保留越多原始图像的特征
LATENT
指输出的潜在空间表示
是图像的一种编码形式,可用于进一步处理或转换为可视图像
LATENT输出连接选项
处理节点
LatentUpscale
在潜在空间中放大图像
用于增加图像分辨率
LatentComposite
在潜在空间中组合多个图像
用于图像拼接或局部编辑
LatentRotate
在潜在空间中旋转图像
用于调整图像方向
LatentFlip
在潜在空间中翻转图像
可以水平或垂直翻转
LatentCrop
在潜在空间中裁剪图像
用于聚焦图像的特定区域
输出节点
VAEDecode
将潜在空间表示解码为可视图像
用于最终输出或预览
Savelmage
保存解码后的图像到文件
通常需要先经过 VAEDecode
高级外理节点
LatentMixRepeat
混合和重复潜在图像
用于创建复杂的图案或纹理
ControlNetApply
将 ControlNet 效果应用到潜在图像
用于精确控制图像生成过程
LatentBlend
在潜在空间中混合两个图像
用于创建过渡效果或合成图像
latent image输入源
“latent image” 是 KSampler 节点的一个关键输入,它代表了图像在潜在空间中的表示。这个选项对生成过程有重大影响,可以连接多种不同的节点作为输入源。
常见输入源
EmptyLatentlmage
创建一个空白的潜在图像
用途：从头开始生成新图像
特点：完全依赖于提示词和其他参数来生成内容
VAEEncode
将普通图像编码为潜在空间表示
用途：基于现有图像进行修改或生成
特点：保留原始图像的某些特征,适合图像编辑和风格转换
KSampler(前一个)
使用之前 KSampler 节点的输出
用途：多阶段生成或逐步细化图像
特点：可以在每个阶段调整参数,实现更精细的控制
用途：创建复杂的合成图像或局部编辑
特点：允许在潜在空间中进行高级图像操作
用途：增加图像分辨率后进行进一步处理
特点：可以生成更高分辨率的细节
高级输入源
用途：精确控制图像生成过程
特点：可以基于参考图像或特定条件引导生成
LatentRotate/LatentFlip
在潜在空间中旋转或翻转图像
用途：调整图像方向后进行进一步处理
特点：可以改变图像构图而不损失质量
用途：创建过渡效果或合成图像
特点：可以实现平滑的图像融合
使用注意事项
尺寸一致性：确保输入的 latent image 尺寸与 KSampler 的其他设置（如模型）兼容
去噪强度：当使用非空的 latent image 时，调整去噪强度可以控制保留原始图像特征的程度
批处理：某些节点可以输出批量的 latent images，适用于生成多个变体
Sampler算法
Euler
简单而有效的基准采样器，速度较快
细节可能不如更复杂的采样器
Euler a
Euler Ancestral
Euler的改进版本
在保持速度的同时，通常能生成更丰富的细节
DDIM
Denoising Diffusion Implicit Models
确定性采样器
产生稳定和一致的结果
通常比其他采样器更快，同时保持图像质量
DPM++系列
包括DPM++ 2M和DPM++ SDE等变体
通常能产生高质量结果，特别是在处理复杂细节时
LCM
Latent Consistency Model
较新的采样器，专为快速推理设计
在较少的采样步骤中产生高质量图像
特别适合实时或接近实时的应用
UniPC
高效采样器
在较少步骤中产生高质量结果
在速度和质量之间取得良好平衡
DDPM
扩散模型的基础采样器之一
可能不如一些更新的采样器快
通常能产生稳定和高质量的结果
Sampleri选择建议
新手入门：从Euler或Euler a开始。这些采样器简单易用，能快速生成结果，有助于理解基本概念。
追求速度：考虑使用LCM或UniPC。这些采样器在保持较好图像质量的同时，能显著减少处理时间。
高质量输出：尝试DPM++系列或DDIM。这些采样器通常能产生更细致、更高质量的图像，特别适合需要精细细节的项目。
平衡速度和质量：UniPC或DDIM可能是不错的选择，它们在效率和输出质量之间取得了很好的平衡。
特定风格或主题：某些采样器可能在特定类型的图像生成中表现更佳。例如，对于需要丰富细节的风景图，DPM++可能会有出色表现。
ComfyUI KSampler Scheduler 选项
在ComfyUI中，KSampler是一个强大的节点，用于AI艺术生成。其中，scheduler（调度器）是一个关键参数，它决定了在生成过程中如何管理噪声减少的步骤。不同的scheduler可能会对生成速度和最终结果产生显著影响。
Normal
描述：标准调度器，适用于大多数情况。
特点：在整个采样过程中保持一致的噪声减少率。
适用场景：一般用途，适合大多数模型和生成任务。
Karras
描述：基于Karras等人的研究优化的调度器。
特点：在采样过程的不同阶段动态调整噪声减少率，通常能产生更高质量的结果。
适用场景：当追求更高质量输出时，特别是在高分辨率或细节丰富的图像生成中。
Exponential
描述：使用指数函数来调度噪声减少。
特点：在早期步骤中减少更多噪声，后期步骤中减少较少。
适用场景：当您希望在生成过程的早期阶段快速建立图像结构时。
Simple
描述：一种简化的调度方法。
特点：线性减少噪声，计算负担较轻。
适用场景：当需要快速生成或在计算资源有限的情况下。
DDIM Uniform
描述：基于去噪扩散隐式模型（DDIM）的均匀采样。
特点：提供更一致的采样过程，可能导致更稳定的结果。
适用场景：当需要更可预测和一致的生成结果时。
