語言: English · 简体中文 · 繁體中文 · Español · Português · Deutsch · Français · 日本語 · 한국어 · Русский · हिन्दी

C27：如何在 ComfyUI 中使用 Remove Latent Mask 配合通用擴散模型進行修復

作者：

簡介

在上一篇文章優化 ComfyUI 修復解析度中，我們探討了在使用專用模型進行修復工作流程時提高解析度的技術。在此基礎上，本文重點介紹使用通用擴散模型進行修復，這種方法用途廣泛，適用於無法使用或不適合使用專用修復模型的情境。

本指南將逐步帶您完成整個流程，重點介紹以下關鍵節點，如Set Latent Noise Mask和Remove Latent Mask，以實現無縫效果。讀完本文，您將瞭解如何優化紋理、平衡去噪參數，以及如何調整工作流程以獲得一致的輸出，同時利用通用模型的靈活性。

讓我們深入瞭解工作流程，探索如何在 ComfyUI 中使用通用擴散模型進行修復。

為什麼使用通用擴散模型進行修復？

  • 專用模型的侷限性：Flux.1 Schnell 等模型在某些情境下可能會失敗，尤其是在使用蒸餾模型時。
  • 通用擴散模型的優勢：Juggernaut XL 等通用模型在非商業應用中提供更廣泛的相容性和更好的影像品質。
  • 理想使用案例：這種方法非常適合在保留原始紋理的同時，在遮罩區域生成新內容。

使用通用擴散模型進行修復的分步工作流程

步驟 1：準備影像和遮罩

  1. 載入背景影像：
    • 使用Load Image節點在 ComfyUI 中匯入影像。
  2. 建立遮罩：
    • 按一下滑鼠右鍵並選擇Open in Mask Editor。
    • 塗抹您想要修復的區域（例如，移除一張桌子）。

步驟 2：搭建圖

  1. 新增 KSampler Advanced 節點：
    • 使用兩個 KSampler 節點進行優化：
      • 第一個節點執行大部分擴散步驟（例如，20 步中的 18 步）。
      • 第二個節點對影像進行重新取樣以保持一致性（例如，2 步）。
    • 設定提示詞：
      • 第一個節點：指定修復區域的細節（例如，“empty room, carpet textured”）。
      • 第二個節點：包含完整的提示詞，以與原始影像相符。
  2. 調整去噪參數：
    • 對於標準 KSampler 節點，將去噪值設定在0.6 and 0.8之間，以獲得最佳效果。
    • 對於進階節點，在擴散步驟中手動控制雜訊的添加。

步驟 3：使用 Set Latent Noise Mask

  • 用途：分離用於圖生圖操作和隨機雜訊生成的區域。
  • 設定：
    • 將潛在影像從VAE Encode連接到Set Latent Noise Mask節點。
    • 將遮罩從Load Image節點連接到同一節點。
    • 將潛在輸出傳送到第一個 KSampler 節點。

步驟 4：使用 Remove Latent Mask 優化工作流程

  • 用途：確保重新取樣過程應用於整個影像，而不僅僅是遮罩區域。
  • 設定：
    • 透過 Manager 安裝ComfyUI Essentials Node Pack。
    • 在兩個 KSampler 節點之間新增Remove Latent Mask節點。

步驟 5：比較結果

  • 新增Image Comparer節點（在 rgthree 節點包中提供）。
  • 將原始影像和解碼輸出從VAE Decode連接到比較器的輸入。
  • 展開比較器節點以分析修復前後的差異。
移除牆上的顯示器

優化後的效果：

優化結果的關鍵見解

  • 模型選擇：與其他模型相比，Juggernaut XL 提供更柔和的紋理和更好的抗鋸齒效果。
  • 去噪值：嘗試0.6 and 0.8之間，以平衡上下文保留效果。
  • 提示詞設定：對修復區域使用有針對性的提示詞，對重新取樣使用全面的提示詞以保持一致性。

結論

在 ComfyUI 中使用通用擴散模型進行修復，為專用工作流程提供了一種靈活而強大的替代方案。利用Set Latent Noise Mask和Remove Latent Mask等節點，您可以獲得無縫效果，在保留原始紋理的同時生成新內容。無論您從事的是商業專案還是非商業專案，這種方法都能讓您更好地控制影像品質和優化效果。

有關更高級的技術和故障排除技巧，請參閱我們之前關於優化 ComfyUI 修復解析度的文章。

發表留言