技术与管理的平衡木-

在很多场景中，我们可能需要多个不同的ControlNet 来进行交叉定义来定制图片的状况。这里我们通过四个不同的预处理器看到的结果。第一个预处理器输出的内容需要和第二个预处理器进行串联，串联后基于第二个预处理器的数据进行输入，最终关联后输出。相比单独的ControlNet，通过两个ControlNet 进行数据处理的结果会更加精细。我们针对第一个ControlNet 预处理器进行数据提取和内容输出。

本文介绍了ControlNet在图像处理中的应用流程。首先通过加载器节点加载ControlNet，然后选择合适的预处理器（如姿态预处理器）获取图像特征数据。预处理后的结果以图像形式输入ControlNet，并选择与预处理器匹配的处理模型。最后结合ComfyUI节点和标准生成方法，可以输出基于原始图像的相关衍生图像。该流程展示了如何利用ControlNet进行图像特征提取和再生成。

ControlNet 使得用户可以通过输入边缘图、深度图、骨架等来精确控制生成的图像，从而在多种生成任务中取得优异效果。ControlNet 的主要目标是增强生成模型的可控性，使其能够生成与特定输入条件紧密相关的结果。灵活的多模态控制：ControlNet 可以通过不同的控制条件生成图像，这使得它在多模态生成任务中具有优势，比如根据草图生成高质量的图像，或者根据深度图生成三维感知的图像。提高生成质量：ControlNet 通过提供更多的控制信息，可以提高生成模型的输出质量，使生成的图像更加符合预期。

摘要：本文探讨了Lora训练中多角度场景生成的难点及解决方案。由于需要多张照片进行训练，研究者采用互联网模板进行图像生成，并通过姿态调整与空间定位技术实现不同区域的精准定位。该方法能够有效控制生成图像的最终效果，为多角度训练提供了可行的技术路径。（99字）

我们可以直接下载CheatSheet表格，他的应用方式是下载后直接解压后点击index.html文件获取当前的风格定义。同时也提供了图片的元数据查询，我们的图片如果如果包含了图片生成信息，则会完全显示出来。在多重场景下，如果生成的内容与我们期望的风格类似，则代表模型中有我们当前的特定风格。CheatSheet 是Stable Diffusion 成图风格定义表格。点击Index.html后可以查看到当前的风格的定义效果。在当前的每个风格中，都会有风格对应的提示词定义。

文章介绍了使用LayDiffusion节点生成带灰度效果的图片的过程。最初生成的图片背景为灰色，且不包含其他对象。通过添加Alpha效果，可以实现透明背景。随后，灰色背景被移除，使得图片能够与任何背景无缝融合。最终，通过将生成的图片与宇宙背景结合，展示了融合后的效果。这一过程展示了图像处理中背景替换和融合的技术应用。

文章介绍了如何批量去除图片水印的方法。首先，将需要处理的图片文件夹路径和相关参数加载到批次对象中，作为数据输入到局部重绘节点。接着，在工作流中执行去除水印的操作。根据图片数量设置执行批次，例如三张图片则执行三次。这种方法避免了逐个处理的繁琐，提高了效率。

本文探讨了如何去除图片中的水印，并介绍了基于Segment语义分割技术的方法。通过语义分割，可以有效地将水印与图片内容分离，从而实现水印的去除。这种方法不仅操作简单，而且效果显著，为处理带有水印的图片提供了一种高效的解决方案。

在当前的内容中，我们需要加载Load Image Batch 节点来进行批量的方式进行批量执行。节点的Image 作为图像覆盖中输入节点，这里是特别需要注意的地方，我们需要加载批量的图像才能得到文件夹的效果。前面我们提到可以在一个图片中添加水印效果，这些效果已经完美实现。当前目录下有不同的分辨率的图片多张，我们是否可以针对这些对象每个添加不同的水印吗？我们当前一共10张图片，我们这里执行10次用于当前图片全部添加水印。我们当前可以看到每张图片都会有随机出现的水印，不再是固定在一个位置。

本文介绍了如何在图片中添加多个水印，以增强图片的防盗用能力。文章首先回顾了单水印的添加方法，然后详细讲解了如何通过扩展工作流来实现多水印的随机位置添加。重点强调了在操作过程中需要注意的参数输入节点，并建议创建额外的节点以满足需求。文章还提醒读者关注节点中的细节，特别是几个关键节点，以确保水印添加的准确性和效果。通过这种方法，可以有效防止图片被盗用，保护版权。

我们在当前可以看到水印生成在右下角中。这时候就需要获取尺寸后进行偏移。这时候我们就需要使用到运算节点来实现这个功能，那么究竟如何来实现这个功能呢？这个时候就需要在节点中的X和Y节点进行计算才能得到需要的结果。那现在我们来玩一点不太一样的，在成图的内容中，我们随机选择出现的位置，这时候就需要调用随机数的节点来生成不一样数据，结合计算节点就可以生成每次都会随机出现在图片的任何位置的结果。我们通过直接添加OverLayer的方法可以为图片添加水印层，但是当前添加的水印效果不是太好。

当前应用节点可以在Manager 节点中进行安装。但是当前这个节点会与其他节点冲突，因此在使用过程中需要注意，最好独立开来。这里的遮罩面积增加是一个非常重要的节点，遮罩增加之后，可以羽化的空间将会增加。和Segment一样，我们可以使用当前节点来进行对象提取，也可以提取成遮罩。在这边选择Inpaint 节点进行对象抹除，这里就是抹除之后的效果。

如果单独将遮罩的东西P不见了，整个画面将会显得非常生硬。这里我们使用扩展遮罩方式将遮罩放大，放大之后能够以相对柔和的方式将图片中不需要的内容提取出来。这里需要同时理解前面两节课程中的内容才能更好的生成相应的内容。其实这个需求简单归纳下就是：把不需要的东西给P 没有了。我们有时候会经常有些这样的需求。

BrushNet 模型是腾讯发布的开源模型。载入文生图节点中的文字控制生成背景效果，例如当前我们使用的是Sea in the background 关键字。在当前生图工作流中，我们结合了BrushNet 节点和Segement节点进行内容组合，生成无限更换背景的图片。在实际应用中，我们很可能需要更换我们的背景，而人物不用进行任何变更的场景。在BrushNet 前面加载BrushNet的加载器，加载当前的模型。在当前的节点中添加BrushNet 节点，节点位于采样器和模型之间。

很多时候，我们希望将图片中的对象提取出来，在Stable Diffusion WebUI 是一个相对比较简单的事情，但是在ComfyUI 中相比复杂一点点。加载相应的模型获取我们的目标对象，不同的模型获取的准确性略有不同。在当前情况下，我们同样可以实现遮罩的反转来实现需要反转的遮罩功能。载入图片之后，设置提示词并且设置相应的阈值来获取我们需要的对象。在这里我们载入核心的语义分割节点来分割我们需要的内容。当前我们将遮罩转换为图片，最终可以图片方式保存下来。

希望针对用户的照片进行微修改，微修改不涉及到非常大的动作，而且希望修改的操作相对比较简单。这个需求可以做到吗？我们必须安装迁移表情节点来实现表情迁移功能，安装节点后重启ComfyUI 实现节点导入。当前内容中可以修改的表情参数非常多，可以按照自己需要来修改相应的参数完成最终表情的修改。相比其他的表情，我们直接使用这样的节点直接针对当前的图片进行修改，方式将会简单很多。

引导大小是代表我们开始进行介入时候的开始步骤，最大尺寸是结束后的最大尺寸大小。Bbox 阈值也需要特别注意下，如果当前的设置为1，则不会进行任何的修改。在使用ComfyUI中使用FaceDetailed 节点进行修复后的结果，我们会发现人脸已经修复.当前的节点都是Impact-pack自定义节点中的一个节点，通过这个节点我们可以完成脸部的修复。在当前节点中的Sam 模型可以选择当前的Impact-Pack Model中的加载器。在使用ComfyUI的时候，我们在生成多人的情况下出现脸崩的概率非常高。

我们需要计算出当前图片的分辨率，将当前图片的分辨率修改为768X768。我们需要在当前节点中使用模型来实现局部重绘来达成我们扩图的效果，这里的遮罩来源于画板遮罩。我们需要在当前节点中使用模型来实现局部重绘来达成我们扩图的效果，这里的遮罩来源于画板遮罩。给到我们当前的一张图片，你希望基于当前的图片实现扩图效果。为了最大程度的反馈到当前的图片内容的提示词，我们这里使用了WD14 Tagger 来实现提示词反推结果作为输入内容。扩图之前，我们可以看到有灰色的边，扩图之后能够很好的荣誉到当前的图片中了.

从生成图像的整体工作流来看，与标准生图工作流差别不大，只是这里生图工作流中需要进行VAE 内补操作。这里同时需要注意的是Denoise 的降噪设置，必须设置为0.7以下，太高会与原图差别大而生成错误的内容。在当前环境中，我们如果需要实现图片的内外值插补，需要使用VAE 内补编码器来实现。当前我们希望使用遮罩效果来替换需要进行替换部分，可以按照要求绘制相应的遮罩部分。这里如果需要添加相应的遮罩，我们需要在界面中选择在遮罩编辑器中打开遮罩内容。同样的姿势，不同的脸部，穿一样的裙子会有什么效果呢？

当前图片中的放大节点Supir 也收录在默认的Manager 节点中，我们直接点击安装即可完成相应节点的安装。Supir 在进行放大操作中对于显存和显卡设备要求非常高，如果低于16GB 生成的最高不超过1024，否则生成速度非常慢，在放大效果中我们同样可以将模糊的照片变得清晰。使用Supir 进行图片的模型缩放，当前节点为相应的和核心节点，通过节点缩放功能，完成相关的设置就可以实现相应的节点缩放功能。这里我们需要下载Supir 模型来放大当前的图片，当前的模型大约10G 左右。

Supir 在进行放大操作中对于显存和显卡设备要求非常高，如果低于16GB 生成的最高不超过1024，否则生成速度非常慢，在放大效果中我们同样可以将模糊的照片变得清晰。使用Supir 进行图片的模型缩放，当前节点为相应的和核心节点，通过节点缩放功能，完成相关的设置就可以实现相应的节点缩放功能。当前图片中的放大节点Supir 也收录在默认的Manager 节点中，我们直接点击安装即可完成相应节点的安装。这里我们需要下载Supir 模型来放大当前的图片，当前的模型大约10G 左右。

另外一种就是按照初始分辨率生成的图片之后，再重新设置宽度和高端，同时如果分辨率不符合要求的同时将会进行自动裁剪来满足生成图片的要求。潜空间放大就是在图片被VAE解码前再回到潜空间中使用算法再进行分块重新绘制，再生产而出，这和我们前面提到的放大模式会有所不同。在进行前空间放大过程中，我们同样也需要注意Desnoise系数问题，如果讲值设置为1，会产生如图像一样不可预知的效果。这里有两个不同的方式进行图片放大，第一个就是按照初始分辨率结合系数来生成相应的大图片或者缩小的图片。否则出来的结果基本上效果都不好。

我们需要卸载Torch 2.6 和Torchvision、torchAudio、Xformers组件，然后再安装。若使用 PyTorch 2.6 及以上版本，虽然新版本特性吸引人，但升级后可能出现节点启动失败的问题，请注意兼容性风险。接下来执行如下命令进行Torch 及其他组件安装。

我们需要安装一些测试节点，但在操作过程中系统提示存在安全级别问题。当尝试修改Config.ini文件以调整安全设置时，却发现该文件不存在。这通常是一个常见问题，由于ComfyUI版本迭代较快，更新后文件位置可能会发生变化。

玩ComfyUI最让人崩溃的是什么？装个节点就可能让整个系统崩掉！推荐使用 Python 3.10.6，这是目前 PyTorch 兼容性最佳的版本。PyTorch 对 Python 3.12+ 的支持尚不完善，建议暂缓升级。我们当然需要多环境兼容方案，确保每个运行环境都拥有完全独立的目录结构。这种架构设计具有以下优势：环境隔离 - 不同项目/版本的依赖完全独立，避免冲突一键部署 - 每个环境都可快速部署且互不干扰灵活迁移 - 单个环境可轻松复制或转移到其他平台。

我们将图片的降噪调整到0.7，你会发现他根本就不是放大了，而是自己生成的各种图像，因此在这种情况下我们不建议直接放大。相比原图我们能够看的到整体效果已经润色的非常不错了。Ultimate SD Upscale 通过分块处理算法，支持高分辨率图像的无损放大。Ultimate SD Upscale 节点已收录，直接搜索并安装即可使用。建议降噪参数保持低于0.3，过高的数值会导致放大之后的图片与原图相差过大。SD Upscaler 节点参数较多，按需配置即可。

直接放大可能导致图像模糊或锯齿，因缺少超分辨率算法或细节修复处理。最终的节点能够非常简单的完成图像的缩放和裁剪功能。：在不添加其他辅助节点的情况下，插件，否则该功能无法启用。若需直接放大图片，可使用。仅会按比例扩大图片尺寸，功能前，需确保已安装。

在使用ComfyUI 进行缩放模型的配置和WebUI 会略有不同，他会将模型统一的放在一个文件夹内，可以通过extra_Model_paths进行设置。如果需要放大的图片按照需求放大，默认情况放大四倍，我们可以在这里添加一个节点，将图片缩小为1024*1024.这里注意不能按比例缩放，否则会是4*X倍放大。我们放大图像步骤通常再VAE解码步骤之后，通过解码的方式选择通过模型放大。在这里我们需要选择放大模型，输入的图片来自于VAE，模型来自于模型加载器。完成图片放大之后，会发现当前的图片会直接放大4倍。

当我们使用Stable Diffusion 1.5生成一张2048x2048分辨率的图片时，细节可能不如低分辨率图片精细，容易出现伪影或不自然的部分。就如下面这张图生成的结果可能会吓到你。生成一张3072x1080的风景照片确实会面临一些挑战，尤其是使用Stable Diffusion 1.5这样的模型时，下面这张图中会不会觉得哪里有问题呢？而这个节点目前已经在Manager 内直接安装，大家可以通过搜索查看到这个节点。只需在模型和采样器节点之间添加一个。，就能轻松实现高质量图片生成。

此处的Clip融合指的是将两个Clip模型的输出特征或权重按照一定的策略或比例进行结合，以增强模型对文本和图像之间关联的理解能力，从而提升生成图像的质量和相关性。在某些场景中，单一模型可能无法满足生成图片的需求。此时，我们需要融合两个不同的模型来实现目标，这就涉及到双模型的加载与使用。在模型融合过程中，我们设计了一个融合节点，用于将两个模型的输出按特定比例结合，以实现优势互补，满足更复杂的图像生成需求。我们在实际的成图过程中来看下成图的对比情况，我们就能够非常清楚的了解模型混合后带来哪些改变。

通常情况下，我们首先通过基础模型（Base Model）进行初步的模型加载与图像生成，随后利用优化模型（Refiner Model）对生成结果进行精细化处理与提升。当ComfyUI的生成模型升级至SDXL版本后，图像生成流程被划分为两个阶段：首先由基础的SDXL模型生成初始图像，随后通过Refiner模型对图像细节进行优化。在参数调整得当的情况下，生成的结果会在基础模型的基础上得到显著提升，这正是Refiner模型所带来的优化效果，能够进一步增强图像的细节与质感。因此，务必谨慎调整参数以确保输出质量。

当前的图片的分辨率是868X1146,而对于我们的生图图片多数情况下都是512X 512，在这种场景下我们需要扩图后再裁切。这张图片是一个非常优雅的跳舞的图片，但是这里面有些额外的内容，我们最好能够利用图片处理工具进行以下抹除，保留最完整的美图。在成图过程中我们可以看得出来，当前的图片影响了光影的角度，这也是我们在使用ComfyUI 进行成图过程中比较有意思的地方。最佳的生成手绘图是仅仅保留相应的细节图，不会保留额外多余的元素，否则将会影响到图片的生成。步数 大约30步以上。

当前案例中我们可以看到在相同的模型下生成的两张图片对比，我们可以通过图像对比的方式完成两个不同图像生成过程中的对比。在图像生成过程中，我们常常需要将当前节点生成的图像与参考图像节点生成的图像进行对比，以评估两者之间的差异。的节点中存在两个输入节点，这两个节点可以通过生成的图片输入到节点的输入，而输出节点就是图片的预览节点。当前案例中，我们对比了参考图和生成图的差别。图片可以在同一个界面中显示。

互联网上提供了丰富的超网络（Hypernetwork）资源，用户可以从Civital、LiblibAI或土司（Tooso）等平台轻松下载这些文件。目前，超网络（Hypernetwork）文件应放置在 ComfyUI 的 HyperNetwork 目录下，其使用方式与 Lora 相似。ComfyUI 可以和WebUI共享同样的一套Embedding，我们这里把Embedding 放在同一路径下，然后保存。在C站（Civitai）上，我们可以看到种类繁多的Embedding资源。

出现这个问题原因多半是与模型有关,如果模型属于SDXL 也就是2.0 以后的模型，多半情况下分辨率都是1024X1024.如果是1.5及以下的内容，多半分辨率是512X512。在图像生成过程中，常常会遇到一些意外情况，导致整个生成流程崩溃。下面这只老虎生成的结果会不会让你生成有些意外呢？https://tusiart.com/ 也可以在土司网站上查询到这些资料。我们在Civital的网站可以查询到相关的内容。

如果大家使用的是老版本的方式（或者是老的界面），我们都可以使用下面这种方式进行不断的图形生成。这个功能存在于当前的ComfyUI中的，我们可以通过点击更多选项中的自动执行就可以实现自动成图了。当然这里改变的方式可以从状态不变或者状态改变进行图片不断的生成。这里需要特别注意的一点是，我们如果在不调整参数的情况下，我们必须保证成图过程中的种子值必须部位Fixed。否则你会发现无法自动运行，因为你不调整其他参数的情况下，必须保证一个参数是动态的。原则上，你只要磁盘不满就可以一直执行下去。

在ComfyUI中，每次生成图片后，随机种子（Seed）会自动更新。在生成过程中，我们可以定义不同的种子数来定义不同的图片效果。我们在进行不同参数定义下希望生成相似风格的图片，我们就需要固定相应的种子数来测试其他参数和提示词对于图像生成的影响。种子数在设定增加或者减少的，都可以看到随机数生成的自动会+1或者-1 ，在种子数相近的情况下，风格总体上非常类似。固定：种子数在生成的同时固定为当前数字，当种子数固定了之后，所有参数不变将不会生成任何图片。减少：种子数随着初始值及图片生成的次数自动减1。

这里我们使用了数字比例来进行混合定义，这里我们还是能看出来细小差异，虽然差异不是非常大。当前我们同样可以在ComfyUI当中使用两种方式进行提示词融合来进行图片生成。这里我们使用直接的混合提示词，只是没有进行比例定义生成的结果。首先我们来看下在没有实现提示词混合的图像。

在绘制过程中，如果N的值大于1，A代表的是提示词。系数N来确定停止的步数，通常停止的步数必须小于生成的步数。下面四张图形分别在不同的系数下停止的效果。在绘制过程中，如果N的值小于1，A代表的是提示词。系数N来确定生成步数*N来确定停止的步数，下面四张图形分别在不同的系数下停止的效果。•如果N小于1，代表了N*迭代步数用于生成第一部分内容，其余的用于生成后面的内容。在当前场景中，A代表先绘制对象提示词，在N步骤后移除提示词，继续绘制。•如果N大于1，代表了前面内容步数生成A的内容。其余部分生成B内容。

但是我们除了采用采用比例进行计算之外，也可以使用实际步数来进行对象的生成，下面是我们的不同步数生成的效果。通常来说采用步数用于当前对象的绘制，这里指的是我们绘制的总步数。我们可以利用步数来确定生成内容的融合度。这里的第三位是N，也就是绘制步数比例，也就是我们在绘制过程中使用总步数*比例来进行第一个对象绘制。如果N小于1，代表了N*迭代步数用于生成第一部分内容，其余的用于生成后面的内容。如果N大于1，代表了前面内容步数生成A的内容。其余部分生成B内容。在当前场景中，A代表先绘制对象，B代表后绘制对象。