Wan2.2 I2V GGUF Workflow (For-Loop w/ Individual Loras + Auto Caption + Predictive Flow + FLF + T2V -> I2V + Upscale/Interpolate)

VERSION 3 설명

우선, 이 버전은 반복 간 전환을 부드럽게 하기 위해 만든 흐름 예측용 맞춤 노드를 포함합니다. 전체 폴더(워크플로우 다운로드에 포함됨)를 사용자의 맞춤 노드 폴더에 넣으세요.

버전 3은 현재 실험 단계입니다. 추가 테스트와 조정이 필요하지만 몇 가지 멋진 기능이 있어 공유하고자 합니다.

• 예측 흐름 — 가장 멋지고 현재 가장 잘 작동하는 기능입니다. 기본적으로 각 반복의 끝에서 다음 반복이 어떻게 시작될지 예측하고, 이를 잠재 공간으로 변환하여 다음 반복과 혼합합니다. 반복 간 떨림을 줄이는 데 도움이 됩니다.

• 노이즈 적응 — 반복이 품질을 잃고 노이즈가 증가하면 자동으로 스텝 수를 늘리고 샘플러 매개변수를 조정합니다.

• 얼굴 ID — 아직 작동하지 않습니다. WAN 호환성 문제로 인해 구현이 지연되고 있지만, 얼굴 왜곡을 방지하기 위한 목적으로 개발 중입니다. 현재도 계속 작업 중입니다.

---

버전 2 대비, 이번 버전에는 새로운 T2V 기능이 추가되었습니다. 이를 통해 첫 번째 반복을 I2V 워크플로우가 아니라 T2V 프롬프트 생성에서 시작할 수 있습니다. 이후 반복은 I2V를 기반으로 진행되며, 원하는 만큼 T2V 프롬프트를 계속 이어갈 수 있습니다.

T2V에서 FLF가 업로드한 이미지를 여전히 참조한다는 점에 유의하세요. 향후 버전에서는 T2V로 생성된 첫 번째 이미지를 참조하도록 할 계획이지만, 아직 조건 로직을 구현하지 못했습니다.

크레딧 관련 설명:

기본 기반은 /model/1829052?modelVersionId=2070152에서 가져왔습니다.

Florence 관련 내용은 주로 /model/1687498/wan-2221-i2v-2-workflows-merge-fusionx-lora-2-sampler-florence-caption-last-frame-color-match?modelVersionId=2061133에서 가져왔습니다.

FLF 관련 기능은 제가 직접 실험하면서 추가했으며, 위에 언급된 두 워크플로우를 바탕으로 제가 더 선호하는 방향으로 수정했습니다.

이 워크플로우는 무엇을 하나요?

기본적으로 반복 기반의 gguf wan2.2 워크플로우입니다. 원하는 만큼 반복 횟수를 설정할 수 있습니다. 마지막 반복에서는 FLF 워크플로우로 전환할 수 있는 옵션이 있으며, 이는 연속성을 약간 향상시킵니다.

기능:

• 반복 기반 I2V gguf 워크플로우

• 첫 번째 반복은 T2V → 이후 I2V gguf 워크플로우

• 각 반복마다 자동 캡션 생성 + 각 반복 후 커스텀 텍스트 추가 가능

• 자동 이미지 크기 조정 (mat 오류 방지)

• 마지막 반복은 FLF로 전환 (선택 사항)

• 업스케일 + 보간

• 각 반복마다 고/저 라오라 별도 적용 (Power LoRA로 선택 편의성 향상)

• ClownsharKSampler 사용

향후 추가 예정 (더 공부한 후):

• VACE 통합 (Phantom도 검토 예정)

• 스플라인 통합

지금까지 linear/euler + beta57 조합에서 좋은 결과를 얻었지만, 더 나은 옵션을 계속 탐색 중입니다.