专业向节点AI：SD ComfyUI大冒险-基础篇 02推演变体 图生图

嗨，冒险者。在上一个视频中，我们了解了最基础的文生图框架。简单概括一下，就是将我们当前的模型数据输入到采样器中，并为它添加我们的正向和反向的限制条件，计算到我们当前一个空的画布上，最终产生我们当前的图像。然后对于这样一个逻辑，同样适用于今天我们所研究的图生图。

图生图节点的加载和画布的定义

在这里，我们可以先载入当前的图生图的一个节点。其中最大的区别在于我们当前对于画布这个概念的定义。在我们之前的文生图框架中，为了保证当前语言文字对于生成结果的主导性，所以我们的计算结果是从一个空的画布上进行计算的。

然而，从空画布开始并不能解决我们所有对于AI计算的需求。所以在这个时候，我们除了可以使用空画布，也可以将我们的图像转换成一个画布的latent数据，输入到一个采样器中去。

图像到latent数据的转换和采样器计算

具体方式就是首先我们要将图像输入进来，在这里使用我们为布兰德专门开发的一个更好的输入图像节点。然后，我们的输入图像节点所输出的是图像数据。这个东西连接我们的latent肯定是数据不匹配的。我们需要将图像数据转换成前空间的latent数据。在这儿直接找到我们一个前空间，可以看到其中有个东西叫做VAE编码。

VAE编码的一个作用就是将像素信息转换成latent数据，然后给到我们的采样器。当然了，在这儿需要注意，我们需要为它连接我们的变分模型。将像素和变分模型进行处理之后，转换成latent的。这个时候，我们的采样器就可以像我们之前连接空画布一样，将我们现有的一个数据进行计算。

然后，我们可以给到一张图像。对于这张图像来说，可以看到它通过我们的节点转换成了我们的一个画布。然后这个时候我们的采样器就会在它的基础上进行计算。

生成图像的变化和造波强度的影响

点击执行节点，计算结束之后，在没有任何其他处理的情况下，我们默认会获得一个和我们输入图像同尺寸的生成图像。对于生成的AI图像，因为是在一个具有一定像素排列的基础上进行生成的，所以它们会保持一定的相似度。

然后这个时候有人可能会想，如何让它的相似性更高一些呢？在这儿，我们可以看到其中有个参数叫做降噪。首先对降噪这个参数，如果我将这个数值从默认值一调到一个较小的数值，比如说给到一个0.5，那么此时我们再进行AI计算。在这里我们可以看一下最终的输出结果，它就会更加趋近于我们当前的原始输入图像。

采样器的处理操作和造波的概念

在这里，对于我们这个AI图像生成一个很重要的概念，就是我们能够产生多大的改变，取决于我们当前造波的一个状态。如果你希望它有较大的一个改变的话，那么这个时候可以来到一个较大的值。那么此时我们就可以来点# 专业向节点AI：SD ComfyUI大冒险-基础篇 02推演变体 图生图

嗨，冒险者。在上一个视频中，我们了解了最基础的文生图框架。简单概括，我们将当前的模型数据输入到采样器中，并为其添加正向和反向的限制条件，然后在一个空的画布上进行计算，最终生成图像。这样的逻辑同样适用于今天我们所研究的图形图。

图生图节点的加载和画布的定义

首先，我们可以载入当前的图生图节点。其主要区别在于我们对画布这个概念的定义。在之前的文生图框架中，为了保证当前语言文字对生成结果的主导性，我们的计算结果是从一个空的画布上进行计算的。

然而，从空画布开始并不能满足所有的AI计算需求。因此，除了使用空画布，我们还可以将图像转换成画布的latent数据，然后输入到采样器中。

图像到latent数据的转换和采样器计算

具体方法是，首先将图像输入，我们在这里使用了为布兰德专门开发的一个优化的输入图像节点。然后，输入图像节点输出的是图像数据。这个数据无法直接连接到我们的latent，因为它们数据不匹配。因此，我们需要将图像数据转换成前空间的latent数据。在这里，我们可以找到一个名为VAE编码的工具。

VAE编码的作用是将像素信息转换成latent数据，然后输入到我们的采样器。此外，我们需要为它连接我们的变分模型。将像素和变分模型处理后，数据会转换成latent。这时，我们的采样器就可以像之前连接空画布一样，进行数据计算。

然后，我们可以输入一张图像。这张图像经过我们的节点转换后，变成了我们的画布。然后采样器会在其基础上进行计算。

生成图像的变化和降噪的影响

点击执行节点，计算结束后，在没有任何其他处理的情况下，我们会默认获得一个与输入图像同尺寸的生成图像。对于这样生成的AI图像，因为它是在具有一定像素排列的基础上生成的，所以会保持一定的相似度。

那么如何提高其相似性呢？在这里，我们可以调整一个叫做降噪的参数。如果我们将这个数值从默认的1调至较小的数值，比如0.5，然后再进行AI计算。最终的输出结果会更加趋近于我们的原始输入图像。

采样器的处理操作和造波的概念

在这里，对于AI图像生成有一个重要的概念，那就是我们能够产生多大的改变取决于我们当前造波的状态。如果你希望有较大的改变，那么这个时候可以设置一个较大的值。然后，我们就可以进行计算。

造波强度的调整和图像的变化

当我们将造波强度调整为较大的值时，我们可以看到，输入图像在经过处理后，生成的图像与原始输入图像的差异会增大。这就是因为我们增大了造波强度，也就是增大了生成图像的变化范围。

采样器的反馈和图像的输出

然后是采样器的反馈。我们可以看到，采样器的反馈结果是一张生成的图像。这张图像是在原始输入图像的基础上，通过我们的变体-采样器进行处理后生成的。

ComfyUI和WEBUI的应用

在实际操作中，我们可以通过ComfyUI和WEBUI进行交互操作，这样可以更直观地看到操作的结果和效果。例如，我们可以通过滑动条来调整参数，看到参数变化对结果的影响。

结论

总的来说，通过这个过程，我们可以看到如何将一个图像通过我们的节点和采样器，转化为我们需要的样式。同时，我们也可以调整参数，控制生成图像的变化范围。希望这个过程可以帮助你更好地理解和使用这些工具。

在接下来的视频中，我们将继续探索更多有趣的内容。希望你能继续和我们一起，探索更多的AI冒险。谢谢你的观看和支持，我们下期再见！