🛩️｜中级篇
1. 图生图

图生图

⚠️

正式开始学习本章前，请先下载以下模型，并将模型文件放到对应的文件夹内：

如果你想要使用本章的工作流，可以使用下载使用 Comflowy 本地版，或者注册使用 Comflowy 云端版本 (opens in a new tab)，里面都内置了本章的工作流。并且如果你使用的是云端版本，你可以直接使用我们内置的模型，无需下载。

完成基础篇的学习后，你可能对生成的图片不满意，比如觉得：

  • 生成的图片分辨率不够。
  • 觉得生成的图片部分内容不满意，想要对其进行修改。
  • 亦或者觉得想要加强对生成过程的控制，比如想控制图中人物的姿势等。

中级篇将会介绍更多方法，帮助你解决以上问题。不过在讲解以上问题的解决方案之前，我想先介绍一下 Stable Diffusion 的另一个关键工作流：图生图。

原理介绍

Stable Diffusion 模型图生图主流方法有两种：

  • 重绘（drawing over）：将输入的图片做基底，用模型在其上重新生成新的图片。
  • 参考（reference）：将输入的图片作为参数，将其和 prompt 一起输入到模型中，然后生成新的图片。

字面上可能比较难理解，按照传统，我们对这两种方法进行可视化的解释。

方法一：重绘

首先回忆下 Stable Diffusion 的原理，文生图是将随机噪声图降噪成一张新的图。而图生图的则是先给输入的图片添加噪音，再用相同的方法将这个噪音图降噪成新的图片。大概的流程是这样的。其对应的 workflow 一般称为 Simple img2img workflow。


还是拿雕刻做类比的话，它的过程类似是雕刻师（模型）拿了一个雕像（初始输入的图），根据你的指令（Prompt）在其基础上重新雕一个雕塑（输出的图）。

方法二：参考

第二种方法则不是对输入的图片进行重绘，而是将输入的图片作为 prompt 的一部分，然后将其和文字 prompt 一起输入到模型中，最后生成新的图片。大概的流程是这样的：


注意看，图中有一个与之前介绍的不一样地方，第一步不再是一个 Text Encoder 而是 Encorder。这其实很好理解，因为不止是文字 prompt 需要输入到模型，还有图片 prompt 需要输入。

如果那雕刻做类比的话，这个过程类似于你给雕刻师下了文字指令（prompt）外，还给雕刻师看了张图片，让 TA 参考一下，然后根据你的指令和图片重新雕刻一个雕塑（输出的图）。

另外，如何使用 Image 的数据，也会影响生成图片的效果：

  • 如果你将图片作为文字 prompt 的补充，那生成的图片里也会包含原图里的元素。比如上面原理介绍的图里，我将一张有桥、河流、城墙的图输入给模型，而文字 prompt 并没有提到图里的这些内容。 但最终生成的图里却包含了原图里的信息（桥、河流、城墙），甚至风格也跟原图很类似。这种 workflow 一般称为 unCLIP model workflow。
  • 另一种则是仅将原图的风格输入给模型，这样生成的图片就会有原图的风格，而不会有原图的内容。这种 workflow 一般称为 Style model workflow。

Simple img2img workflow

既然原理很简单，你应该能猜测出应该如何搭建 Simple img2img workflow。你不妨自己先试试，搭建一个 workflow 😎

  • 关键在于需要将图片输入到 KSampler 里，而 KSampler 只能输入 latent 图片。
  • 加载图片可以右键 → All node → image 里找到。

unCLIP model workflow

介绍完重绘，我们再来介绍参考。首先是 unCLIP model workflow，前面原理的部分没有细讲如何实现，我用 ComfyUI 的 workflow 详细解释一下。

添加 Load Image 节点

第一步，我们还是从 Default workflow 开始。然后在原有的基础上，添加加载图片节点，你可以右键 → All node → image 里找到此节点。

添加 CLIP Vision Encode 节点

第二步，我们需要将图片输入到模型中，所以需要将图片先 encode 成向量。所以我们要先添加 CLIP Vision Encode 节点，你可以右键 → All node → conditioning 里找到此节点。

然后我们可以将 Load Image 节点与 CLIP Vision Encode 节点相连。

添加 unCLIPCondtioning 节点

接着我们还要将图片 Encode 后的数据跟 Text Encode 的数据相融合，所以我们需要添加 unCLIPCondtioning 节点。你可以右键 → All node → conditioning 里找到此节点。

然后我们将 Positive prompt 与 unCLIPCondtioning 节点相连，再将 CLIP Vision Encode 与 unCLIPCondtioning 节点相连。接着将 unCLIPCondtioning 连到 KSampler 的 positive 处。

最后介绍下节点里的两个参数：

  • strength：这是设置 prompt 的影响强度，数值越大，就越接近 prompt 的描述。它有点类似于你在 CLIP Text Encode 里写 Prompt 时会用到的权重写法，比如 (red hat:1.2)。
  • noise_augmentation：这个主要是代表新图片与旧图片的相近程度。0 代表最相近，我一般会设置成 0.1 - 0.3。

替换 Load Checkpoint 节点为 unCLIPCheckpointLoader 节点

最后一步，你会发现，我们在第二步添加的 CLIP Vision Encode 节点还有一个点没有连，看文字是要连一个 Clip vision，其实它要连的是一个叫 unCLIPCheckpointLoader 的节点，你可以右键 → All node → loaders 里找到此节点。

然后将原来的 Checkpoint 删掉，将其替换为 unCLIPCheckpointLoader 节点，再将 CLIP Vision Encode 与 unCLIPCheckpointLoader 节点相连。并将其模型设置为 sd21-unclip-h 模型。

⚠️

注意，虽然这个 loader 是叫 unCLIPCheckpointLoader，但你没法在 ComfyUI 的项目文件夹里找到该节点的文件夹，其实它跟 Checkpoint 节点共用一个文件夹。所以你需要将 unCLIP 的模型文件放到 Checkpoint 里。

💡

你在下载 unCLIP 模型时，可以下载 h 或 l 版本，h 版本的模型生成的图片会更清晰，但生成速度会更慢。

还有需要将 Empty Latent Image 调整为 768x768，因为我们用的 unClip model 是基于 SD2.1 训练的。最后的 workflow 应该长这样：


其实从 workflow 中不难看出，本质上来说，就是先将图片 encode 然后再将文字 prompt encode，最后将两者融合，再输入到模型中。这样生成的图片就会包含原图的元素。

另外，你还可以尝试将多张图片输入到模型中，生成的图片就会包含多张图片的元素。比如像这样：


Style model workflow

另一种重绘，则是只用图片的风格，而不用图片的内容。其实现方法跟 unCLIP model workflow 很类似，只是需要将图片的内容去掉，只保留风格。我们来讲解下其 ComfyUI workflow：

更换节点

第一步，我们可以继续使用上一个案例的 workflow，但需要更换一些节点。第一个是将 unCLIPCheckpointLoader 换成 Checkpoint 并将模型切换成 v1.5。接着再将 unCLIPCondtioning 切换成 Apple Style Model 节点，这个你可以右键 → All node → conditioning → style_model 里找到。

接着就可以将这些节点连载一起，此时你会发现还有两个端点没连，我们进入下一步。

添加 Load CLIP Vision 和 Load Style Model 节点

右键 → All node → loaders 里能找到这两个节点，然后将他们分别连在 CLIP Vision Encode 节点和 Apply Style Model 上。连接完后，我们再来讲解下完整 Workflow， 整个流程还挺好理解的，输入图片，然后将图片进行 encode 后，使用 Apply Style Model 将图片里的 Style 信息过滤出来，并和文字 prompt 融合在一起并传给 KSampler。

与 unCLIP model workflow 不一样的地方就是它只用了 style。所以绘制的内容，不一定跟原图很像，但风格会比较像。

⚠️

需要注意，这个 style model 只能理解常用的 style，名画或人物的图片效果会比较好，但如果导入的是一些小众，并且抽象的图，效果就会非常差。


你可以订阅我们的 newsletter 以及公众号，或者加入 Discord，以获取最新的教程。
🛩️｜中级篇2. Upscale