이미지를 생성하거나 수정하는 데 사용되는 AI 모델

일반적으로 사전 훈련된 확산 모델

긍정적인 단서 단어

생성된 이미지에서 보고 싶은 내용을 설명하세요.

예: "태양이 밝게 빛나는 풀밭에 앉아 있는 주황색 고양이"

부정적인 단서 단어

생성된 이미지에서 보고 싶지 않은 내용을 설명하세요.

예: '흐릿하고 품질이 낮으며 왜곡된 특징'

잠재적인 이미지

직접적으로 보이는 이미지가 아닌 인코딩된 형태의 중간 표현

이전 처리 단계 또는 무작위 초기화에서 발생 가능

종자 가치

난수 생성기를 초기화하는 데 사용됩니다.

동일한 시드 값을 사용하여 동일한 결과를 재현할 수 있습니다.

생성 후 결과를 추가로 제어하거나 수정할 수 있습니다.

ComfyUI 버전에 따라 특정 기능이 다를 수 있습니다. (보통 시드 값을 수정합니다.)

샘플링 단계 수

확산 과정의 반복 횟수 결정

일반적으로 단계가 많을수록 더 미세한 세부 정보가 생성되지만 계산 시간이 늘어납니다.

분류자 안내 척도 없음

생성 프로세스가 프롬프트 단어를 얼마나 존중하는지 제어합니다.

값이 높을수록 결과가 프롬프트 단어에 더 가까워지지만 창의성이 저하될 수 있습니다.

샘플러 이름

노이즈로부터 이미지를 생성하는 데 사용되는 알고리즘을 지정합니다.

일반적인 것에는 Euler, Euler a, DDIM 등이 포함됩니다.

스케줄러

샘플링 중 소음 수준을 조정하는 방법 결정

다양한 스케줄러가 빌드 속도와 품질에 영향을 미칠 수 있습니다.

노이즈 제거 강도

입력 잠상이 수정되는 정도 제어

값이 1이면 완전히 재생성됩니다. 값이 작을수록 원본 이미지의 특징이 더 많이 유지됩니다.

출력의 잠재 공간 표현을 나타냅니다.

추가 처리 또는 시각적 이미지로의 변환에 사용할 수 있는 이미지의 인코딩된 형식입니다.

잠재업스케일

잠재복합체

잠재회전

잠재플립

잠재 작물

VAEDecode

저장마지

잠재 믹스반복

ControlNetApply

잠재 블렌드

비어있음잠재이미지

VAE인코드

KSampler(이전)

잠재복합체

잠재업스케일

ControlNetApply

잠재 회전/잠재 반전

잠재 블렌드

차원 일관성: 입력 잠상 차원이 KSampler의 다른 설정(예: 모델)과 호환되는지 확인합니다.

노이즈 제거 강도: 비어 있지 않은 잠상을 사용할 때 노이즈 제거 강도를 조정하면 원본 이미지 특징이 유지되는 정도를 제어할 수 있습니다.

일괄 처리: 일부 노드는 여러 변형을 생성하는 데 적합한 잠재 이미지의 일괄 처리를 출력할 수 있습니다.

간단하면서도 효과적인 벤치마크 샘플러, 빠르고

더 복잡한 샘플러보다 덜 자세할 수 있습니다.

오일러 조상

향상된 오일러 버전

일반적으로 속도를 유지하면서 더욱 풍부한 디테일을 생성합니다.

잡음 제거 확산 암시적 모델

결정적 샘플러

안정적이고 일관된 결과 생성

일반적으로 이미지 품질을 유지하면서 다른 샘플러보다 빠릅니다.

DPM 2M 및 DPM SDE와 같은 변형 포함

일반적으로 특히 복잡한 세부 작업을 할 때 고품질 결과를 생성합니다.

잠재 일관성 모델

빠른 추론을 위해 설계된 최신 샘플러

더 적은 샘플링 단계로 고품질 이미지 생성

실시간 또는 거의 실시간 애플리케이션에 특히 적합합니다.

고효율 샘플러

더 적은 단계로 고품질 결과 생성

속도와 품질 사이의 적절한 균형 유지

확산 모델의 기본 샘플러 중 하나

일부 최신 샘플러만큼 빠르지 않을 수 있습니다.

일반적으로 안정적이고 고품질의 결과를 생성합니다.

설명: 대부분의 상황에 적합한 표준 스케줄러입니다.

특징: 전체 샘플링 과정에서 일관된 소음 감소율.

적용 가능한 시나리오: 범용이며 대부분의 모델 및 생성 작업에 적합합니다.

설명: Karras et al.의 작업을 기반으로 한 최적화된 스케줄러입니다.

특징: 샘플링 프로세스의 여러 단계에서 노이즈 감소율을 동적으로 조정하여 종종 더 높은 품질의 결과를 생성합니다.

적용 가능한 시나리오: 특히 고해상도 또는 상세한 이미지 생성에서 더 높은 품질의 출력을 추구하는 경우.

설명: 지수 함수를 사용하여 노이즈 감소를 예약합니다.

특징: 초기 단계에서 더 많은 소음 감소, 이후 단계에서 더 적은 소음.

적합 대상: 생성 프로세스의 초기 단계에서 이미지 구조를 빠르게 구축하려는 경우.

설명: 단순화된 예약 방법입니다.

특징: 선형 소음 감소, 가벼운 계산 부담.

적용 가능한 시나리오: 빠른 생성이 필요하거나 컴퓨팅 리소스가 제한된 경우.

설명: DDIM(Denoising Diffusion Implicit Model)을 기반으로 한 균일 샘플링.

특징: 보다 일관된 샘플링 프로세스를 제공하여 잠재적으로 보다 안정적인 결과를 제공합니다.

적용 가능한 시나리오: 보다 예측 가능하고 일관된 생성 결과가 필요한 경우.