workflow-lots-of-tweaks-v1
세부 정보
파일 다운로드
이 버전에 대해
모델 설명
ComfyUI 워크플로우: Flux 샘플링 및 개선
이 ComfyUI 워크플로우는 Flux 샘플링, Skimmed CFG, Split Sigmas Denoising, Clip Attention Multiply와 같은 고급 기술을 사용하여 이미지 생성을 향상시키는 데 초점을 맞춥니다. 또한, 특정 신체 부위를 대상으로 한 정밀한 개선을 위해 FaceDetailer를 통합합니다. 아래는 각 노드와 워크플로우에서의 역할에 대한 간략한 설명입니다:
사용자 정의 노드
AddLabel / https://github.com/kijai/ComfyUI-KJNodes
Anything Everywhere / https://github.com/chrisgoringe/cg-use-everywhere
Bookmark (rgthree) / https://github.com/rgthree/rgthree-comfy
FaceDetailer / https://github.com/ltdrdata/ComfyUI-Impact-Pack
Fast Groups Bypasser (rgthree) / https://github.com/rgthree/rgthree-comfy
FluxSamplerParams+ / https://github.com/cubiq/ComfyUI_essentials
Image Comparer (rgthree) / https://github.com/rgthree/rgthree-comfy
Image Filter / https://github.com/chrisgoringe/cg-image-filter
InjectLatentNoise+ / https://github.com/cubiq/ComfyUI_essentials
JWInteger / https://github.com/jamesWalker55/comfyui-various
OverrideVAEDevice / https://github.com/city96/ComfyUI_ExtraModels
Power Lora Loader (rgthree) / https://github.com/rgthree/rgthree-comfy
ProjectFilePathNode / https://github.com/MushroomFleet/DJZ-Nodes
SAMLoader / https://github.com/ltdrdata/ComfyUI-Impact-Pack
SaveText|pysssss / https://github.com/pythongosssss/ComfyUI-Custom-Scripts
Searge_LLM_Node / https://github.com/SeargeDP/ComfyUI_Searge_LLM
Seed Everywhere / https://github.com/chrisgoringe/cg-use-everywhere
Simple String / https://github.com/chrisgoringe/cg-use-everywhere
Skimmed CFG / https://github.com/Extraltodeus/Skimmed_CFG
Switch any [Crystools] / https://github.com/crystian/ComfyUI-Crystools
Text to Conditioning / https://github.com/WASasquatch/was-node-suite-comfyui
UltimateSDUpscale / https://github.com/ssitu/ComfyUI_UltimateSDUpscale
UltralyticsDetectorProvider / https://github.com/ltdrdata/ComfyUI-Impact-Subpack
UnetLoaderGGUF / https://github.com/city96/ComfyUI-GGUF
easy boolean / https://github.com/yolain/ComfyUI-Easy-Use
easy showAnything / https://github.com/yolain/ComfyUI-Easy-Use
1. 모델 샘플링 Flux
모델 샘플링 Flux는 max_shift 및 base_shift와 같은 매개변수를 사용하여 이미지 생성 중 샘플링 과정을 제어합니다:
max_shift: 잠재 공간의 변동 범위를 제어합니다. 높은 값은 더 다양한 출력을 생성하고, 낮은 값은 더 안정적인 결과를 도출합니다.
base_shift: 잠재 공간에서 최소한의 탐색 수준을 보장하여 과도하게 결정론적인 출력을 방지합니다.
실용적인 팁:
높은
max_shift와 낮은base_shift는 창의적인 출력을 유도합니다.낮은
max_shift와 중간 수준의base_shift는 통제되고 예측 가능한 결과를 제공합니다.
2. Skimmed CFG
Skimmed CFG는 긍정적 및 부정적 프롬프트 간의 충돌을 줄여 Classifier-Free Guidance를 개선합니다. 이는 프롬프트 준수도, 선명도를 향상시키고, 과도한 세부 정보 손실과 같은 시각적 아티팩트를 방지합니다.
주요 기능:
부정값 대체: 충돌하는 부정값을 긍정값으로 대체하여 균형 잡힌 결과를 도출합니다.
선형 보간: 긍정 및 부정 예측 간의 전환을 부드럽게 합니다.
이중 스케일: 긍정 및 부정 가이던스를 별도로 제어하여 미세 조정이 가능합니다.
타임드 플립: 가이던스를 동적으로 반전시켜 품질을 향상시키고 아티팩트를 줄입니다.
권장 사항:
2~4의 스케일은 균형 잡힌 결과를 제공합니다.
높은 스케일(5~7)은 생동감을 높이지만, 부정 프롬프트를 약 65% 지점에서 조기에 제거할 필요가 있을 수 있습니다.
3. Split Sigmas Denoise
Split Sigmas Denoising은 시그마 값을 두 부분으로 나누어 확산 과정의 다양한 단계에서 디노이징을 정밀하게 제어합니다.
작동 방식:
프리 스플릿: 거친, 잡음이 많은 단계를 처리하여 구조적 요소를 확립합니다.
포스트 스플릿: 세부 사항을 정교하게 다듬고 잡음을 줄여 완성도 높은 결과를 도출합니다.
장점:
디노이징을 제어함으로써 프롬프트 준수도를 향상시킵니다.
자연스럽고 균형 잡힌 출력을 위해 과도한 처리를 방지합니다.
실용적인 팁:
낮은 디노이징 계수: 거친 잡음 제거에 초점을 맞춥니다.
높은 디노이징 계수: 후반 단계의 정교한 개선에 집중합니다.
4. Clip Attention Multiply
Clip Attention Multiply는 텍스트 프롬프트의 어텐션 가중치를 조정하여 특정 토큰의 영향력을 제어합니다.
주요 기능:
어텐션 가중치 조정:
1: 토큰 중요도를 강조합니다.
<1: 토큰 영향력을 감소시킵니다.
=1: 토큰 영향력을 그대로 유지합니다.
사용 사례:
토큰 가중치를 강조하거나 감소시켜 프롬프트 영향력을 정교하게 조정합니다.
다중 요소 프롬프트에서 시각적 요소의 균형을 맞춥니다(예: 배경보다 주체에 초점을 맞춤).
실용적인 팁:
약간의 조정부터 시작하세요(예: 1.2 또는 0.8).
프롬프트 준수도와 시각적 구성이 최적화될 때까지 반복 조정합니다.
5. FaceDetailer
이 노드는 눈, 입, 손과 같은 얼굴 및 신체 부위를 대상으로 정밀하게 개선합니다. 이러한 요소들이 집중적인 세부 개선을 받도록 하여 실감성과 시각적 매력을 높입니다.
워크플로우 요약
이 ComfyUI 워크플로우는 다음과 같은 기능을 제공합니다:
창의적 유연성: 모델 샘플링 Flux 및 Split Sigmas Denoise를 통해
향상된 프롬프트 준수: Skimmed CFG 및 Clip Attention Multiply를 통해
대상별 정교화: FaceDetailer를 사용하여 고세부 영역을 개선
이러한 노드들을 결합함으로써 사용자는 예술적 또는 실용적 요구에 맞춰 시각적으로 뛰어나고, 통제력이 뛰어나며,高度로 커스터마이징된 결과물을 도출할 수 있습니다.