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。

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
    • LatentComposite
      • 在潜在空间中组合多个图像
      • 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
    • LatentUpscale
      • 在潜在空间中放大图像
      • 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
    • ControlNetApply
      • 将 ControlNet 效果应用到潜在图像
      • 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
    • LatentBlend
      • 在潜在空间中混合两个图像
      • 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。