learned🥝

前言： efficiency-nodes-comfyui是提高工作流创造效率的工具，包含效率节点整合工作流中的基础功能，比如Efficient Loader节点相当于Load Checkpoint+Clip set layer+Load VAE等等的合集，并且该插件提供了更加简便快捷的X/Y对比图，能够使测评工作的效率进一步提升。 目录： 一、Efficient Loader节点 二、KSampler Adv. (Efficient)节点 三、Lora stack/Controlnet Stacker节点 四、XY节点 五、XY Plot节点 安装方法： 在ComfyUI主目录里面输入CMD回车。 在弹出的CMD命令行输入git clone xxx,即可开始下载。 github项目地址:https://github.com/jags111/efficiency-nodes-comfyui.git 一、Efficient Loader节点 节点功能：这个节点加载基础工作流的用到的模型，并且提供CN和Lora模型的批量加载功能，集成token编码设置和权重初始化方法。 重要参数： lor ...

功能介绍： IC-Light 插件在 ComfyUI 中主要用于调整图像生成过程中的光照效果，支持点光源、聚光灯、平面光源等多种类型。用户可以自定义光源的强度、色温、颜色等参数，控制阴影的硬度和反射效果，并通过节点系统灵活定义光照路径。同时，插件支持实时预览，帮助用户快速优化图像的光影效果，适用于增强生成图像的真实感和多样性。 目录 一、插件安装方法 二、LoadAndApplyICLightUnet节点 三、ICLightConditioning节点 四、LightSource节点 五、CalculateNormalsFromImages节点 六、LoadHDRImage": LoadHDRImage节点 七、BackgroundScaler节点 八、DetailTransfer节点 一、安装插件方法： 在ComfyUl主目录里面输入CMD回车 在弹出的CMD命令行输入git clone xxx,即可开始下载。 github项目地址：https://github.com/kijai/ComfyUI-IC-Light.git 二、LoadAndApplyICLightUne ...

功能介绍：ComfyUI_UltimateSDUpscale 插件的功能主要用于对图像进行超分辨率处理，以提升图像的清晰度和细节。 ComfyUI-CCSR 插件的功能主要集中在图像增强和修复方面，特别是针对细节和质量的提升。 目录 一、插件安装方法 ComfyUI_UltimateSDUpscale节点 ： 二、UltimateSDUpscale节点 三、UltimateSDUpscaleNoUpscale节点 四、UltimateSDUpscaleCustomSample节点 ComfyUI-CCSR节点 五、CCSR_Upscale节点 六、CCSR_Model_Select节点 七、DownloadAndLoadCCSRModel节点 八、工作流图片示例 一、插件安装方法 ComfyUI_UltimateSDUpscale节点安装： 安装方法1：通过manager搜索UltimateSDUpscale下载即可。 安装方法2：在插件文件夹输入CMD,在弹出的CMD命令行输入git clone xxx,即可开始下载 github项目地址：https://github.com/s ...

在ComfyUI中采样器多种多样，而各种采样器原理晦涩难懂，今天发现一篇关于采样器的文章总结，我在学习的过程中就进行该篇文章的撰写，也希望可以给大家带来参考。 原文地址：https://stable-diffusion-art.com/samplers/ 采样即是在噪声空间进行噪声预测，随后去除图像中的噪声，得到最终输出图像，目前在ComfyUI中包含23种采样器。 采样的过程中生成噪声会逐渐缩小直到完成采样的过程，当步数增加时，每步之间噪声减少量将会更小，有利于减少截断误差，也就是防止两步采样之间图像变化过大造成与初始结果收敛不同。 名字中带a的，或者说后缀是ancestral的都是__祖先采样器，__这类采样器会在采样过程中向图像添加随机噪声，所以在去噪的过程中不会__收敛，__不收敛的意思就是每一步图像的变化是相对随机的，而__收敛__的采样器去噪过程会向一个统一的方向进行。 “karras”的选项会使得在去噪过程中越靠近尾声，去噪强度越小，在论文中指出“该方法可以提升生成图像的质量”。 DDIM和PLMS已经过时且不再被广泛使用。 adaptive为自适应的调整步长，因为 ...

前言： ComfyUI作为一个专业性很强的工具，在使用过程中不可避免地会出现特别多的报错，而没有编程经验会导致对错误的定位异常困难，如果不知道错误的原因那么根本没有办法去解决这个问题，所以我收集常见的各种错误以及使用过程中可能遇到的问题，进行问题的汇总和分类，一方面是在该错误出现的时候大家可以自己解决，另一方面也是最重要的一方面，是__建立遇到问题，定位问题，解决问题的思路__。 经过部分问题的总结，我将所有的问题分为以下五类，分别是__基础问题，工作流问题，网络问题，模型问题，环境问题__，下面将对着五个问题进行展开讲解，并给出部分示例，希望大家通过该文章的学习，能够建立起自己解决问题的思路。 一、基础问题 该问题没有报错，但是结果却非常不好，首先从宏观来看，工作流是简单的文生图工作流，使用到了CN来进行出图，工作流可以跑通那么就不存在模型不匹配的问题，那么问题就大概率出现在CN模型，而这里用到的CN模型是不是线稿的模型？通过该思考过程，就可以定位到问题。 关于CN模型的使用请参考该视频。 该错误为典型的工作流节点缺失错误，当工作流中出现节点缺失有两种情况，第一种：可以通过manag ...

大家好，新年快乐！2015新年伊始，是新故事的开始，也是新篇章的序曲！ 感恩大家的支持，去年因种种原因断更了很长时间了，说声抱歉！现在终于带着满满的活力回归！ 衷心感谢大家的耐心等候和不懈支持！接下来新的一年会持续为大家输出高价值的内容！感谢大家的支持！ 今天先给大家带来一个常用也必备的工作流：极致高清放大，经常在生成完图像之后可以接入。 图像高清放大的方案非常多，今天给大家介绍的Full+Tile分块提示词生成一种极致放大方案。其核心原理就是将图像图像划分为多个小块，然后对每一块进行精细的图像反推处理，紧接着通过Flux工作流进行重绘，最终将这些小块无缝拼接，形成一幅高清放大的完整图像，能够精确还原图像细节！在平时工作流中对图像高清放大要求极高时可接入此方案。 上述演示图片可能不够明显，大家可以在网盘中下载前后的素材图片感受一下，也可以自己在工作流上跑一跑亲自体验下！ 本例模型： checkpoints：https://pan.quark.cn/s/ed4d6b565072 （models\checkpoints） controlnet：https://pan.quark. ...