ComfyUI进阶篇：ComfyUI核心节点(四）

ComfyUI进阶篇：ComfyUI核心节点(四）

ComfyUI核心节点（四）

前言：

学习ComfyUI是一场持久战。当你掌握了ComfyUI的安装和运行之后，会发现大量五花八门的节点。面对各种各样的工作流和复杂的节点种类，可能会让人感到不知所措。在这篇文章中，我们将用通俗易懂的语言对ComfyUI的核心节点进行系统梳理，并详细解释每个参数。希望大家在学习过程中培养自我思考的能力，真正掌握和理解各个节点的用法与功能。在实践中不断提升自己的技术水平。只有通过不断的探索和总结，才能在面对复杂的工作流时游刃有余。祝大家学习顺利，早日成为ComfyUI的高手！

目录

• Upscale Latent节点
• LatentCompositeMasked节点
• Latent Composite节点
• Set Latent Noise Mask节点
• Load LoRA节点
• LoRA示例工作流

Upscale Latent节点

该节点用于在图像生成过程中放大潜在空间的图像。这是一个常见的操作，用于提高生成图像的分辨率，保持细节并减少失真。

输入：

• Samples → 传入的原始潜空间图像

输出：

• LATENT → 输出尺寸调整之后的潜空间图像

参数:

• upscale_method → 选择像素填充的方法
• width → 调整后潜空间图像的宽度
• height → 调整后潜空间图像的高度
• crop → 选择是否对图像进行裁剪

注意：使用潜空间图像的方法并不能完美融合图像，通过VAE解码后可能会损坏图像。正确的做法是使用KSampler采样器进行二次采样，以获得更美观的图像。

应用场景

• 细节增强：在图像生成和编辑过程中，提高图像的分辨率以增强细节。
• 质量提升：用于低分辨率图像的放大，提高整体图像质量。
• 优化生成过程：在生成高分辨率图像时，通过放大潜在空间，减少直接生成高分辨率图像带来的计算负担。

通过使用Upscale Latent节点，可以有效提高生成图像的分辨率和质量，是图像生成和处理过程中的重要工具。

LatentCompositeMasked节点

该节点用于在图像生成过程中，通过掩码在潜空间中合成多个潜在图像，这一节点在需要将不同来源的图像元素组合在一起时非常有用。

输入：

• destination → 底层潜空间图像
• source → 上层潜空间图像
• mask → 使用mask对上层潜空间图像进行分割

输出：

• LATENT → 输出图层叠加后的潜空间图像，和前面latent使用同一VAE解码

参数：

• x → 表示粘贴区域的x坐标（ComfyUI坐标原点位于左上角）
• y → 表示粘贴区域的y坐标（ComfyUI坐标原点位于左上角）
• resize_source → 表示是否对蒙版区域进行分辨率调整

应用场景

• 图像修复：通过合成不同来源的图像部分来修复图像中的缺陷。
• 风格迁移：在保持整体风格一致的情况下，合成不同风格的图像元素。
• 复杂合成：在潜空间中实现复杂的图像合成，以避免图像空间合成带来的边缘和融合问题。

通过使用LatentCompositeMasked节点，可以实现更为复杂和精细的图像合成，尤其是在需要保留细节和风格的一致性时。

Latent Composite节点

该节点用于在潜空间中合成多个潜在图像，帮助在生成图像时灵活地组合不同来源的图像元素。

输入：

• samples_to → 接收叠加的潜空间图层之一（该参数传入的图片为图层底层）
• samples_from → 接收叠加的潜空间图层之一（该参数传入的图片为图层上层）

输出：

• LATENT → 输出图层叠加后的潜空间图像

参数：

• x → 上层图层叠加位置的的x坐标（ComfyUI中坐标原点为左上角）
• y → 上层图层叠加位置的的y坐标（ComfyUI中坐标原点为左上角）
• feather → 调整边缘的羽化程度

上图示例设置feather为256可以看到上层图层的边缘有羽化，设置y坐标为336，粘贴位置向下偏移。

应用场景

• 图像混合：将多个图像的特征进行混合，创造出具有多种风格或元素的图像。
• 风格迁移：在保持整体图像内容一致的情况下，合成不同风格的潜在图像。
• 细节增强：通过合成多个潜在图像，增强图像的细节和质感。

通过使用Latent Composite节点，可以在潜空间中灵活地合成图像，保持图像的高质量和细节，适用于各种图像生成和编辑任务。

Set Latent Noise Mask节点

该节点用于在潜空间图像生成过程中设置噪声掩码，以便对图像的特定区域施加不同程度的噪声。这可以用于控制生成图像中的细节和随机性，特别适用于需要对图像的某些部分进行精细控制的情况。

输入：

• samples → 接收传入的潜空间图像
• mask → 接收传入的蒙版信息

输出：

• LATENT → 输出带有蒙版信息的潜空间图像

Tips：上图中的火焰与原图的融合度还不是很高，如果再加上高清放大的节点看起来会更加的自然。

应用场景

• 图像修复：在图像的特定区域施加噪声，以修复图像中的缺陷或不一致。
• 细节增强：通过噪声掩码控制细节的生成，提高图像的整体质量。
• 风格特化：在保持整体风格一致的情况下，对图像的不同部分进行特化处理。

通过使用Set Latent Noise Mask节点，可以在潜空间中灵活地控制图像的噪声分布，提高图像的质量和细节，适用于各种图像生成和编辑任务。

Load LoRA节点

该节点用于加载预训练的LoRA模型，并将其应用到潜在空间图像生成过程中。LoRA模型是一种轻量级的、适用于微调的模型，可以在不改变基础模型参数的情况下，增强生成模型的特定功能或风格。

输入：

• model → 加载一个基础生成模型的大模型（lora的训练会使用一个大模型底模，对应的底模效果最好）
• clip → 输入与生成图像相关的文本描述或其他信息

输出：

• MODEL → 输出修正后的大模型
• CLIP → 输出修正后的CLIP模型

参数：

• lora_name → 需要使用到的lora模型（配置好路径文件，模型可以自行选择）
• strength_model → 设置LoRA模型对生成图像的影响强度（数值越高，LoRA模型对生成图像的影响越大，可以设置为负值）
• strength_clip → 设置LoRA模型对与文本描述相关信息的影响强度（数值越高，LoRA模型对文本描述相关部分的影响越大，可以设置为负值）

应用场景

• 风格迁移：通过加载不同风格的LoRA模型，将特定风格应用到生成图像中。
• 功能增强：利用LoRA模型增强基础生成模型的特定功能，如细节增强、特定对象生成等。
• 模型微调：在保持基础模型稳定性的情况下，通过LoRA模型进行微调，实现更为精细的图像生成。

通过使用Load LoRA节点，可以灵活地在图像生成过程中应用预训练的LoRA模型，增强生成效果，丰富图像生成的多样性和质量。

LoRA示例工作流

熟练使用以上节点，你就可以搭建有关Lora的工作流了。

这里使用SD1.5的大模型，使用黑晶对应的lora，设置潜空间图片为1024*215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：

孜孜以求，方能超越自我。坚持不懈，乃是成功关键。