潜空间

一、简介

我在 ComfyUi 中看到了有关升级的文章，但我并没有真正看到太多有关潜在升级的信息。大多数工作流程侧重于使用 Ultimate SD Upscale 进行升级，或者只是简单地使用模型进行升级。我并不是说这不好，但我个人更喜欢潜在的升级。

什么时候使用Ultimate SD高档？在我看来，当你用完 VRAM 时，这很好。这同样适用于使用模型放大最终图像。它不需要太多 VRAM。

在这篇文章中，我将只关注潜在的升级。您可能会问“为什么我要使用它？”

如果您将图像保持在潜空间状态，则无需在生成之间对其进行 VAE 解码/编码。

如果你用高档模型来做，你必须全部都在潜在状态下进行：

你会节省潜伏中做所有事情的时间，而且最终的结果也很好。

二.模型的潜在空间使用：

3.1 效率节点

首先我将使用最简单的方法。这主要使用效率节点。

让我向您展示，如果您拥有正确的节点，那么使用 comfy 是多么容易。

这是做什么的。生成图像 -> 使用潜在升级器以潜在方式升级 2 倍 -> 雇用它。

高档环境的特点：

您也可以使用它来对模型进行简单的升级，但我不会在此涉及。

您可以将 2 种不同的模型与 Efficiency 采样器 HighRes 节点一起使用

我还没有测试过哪一个实际上更好，但我个人更喜欢 ttl_nn 。

ttl_nn 模型，其中有 1.5 和 XL 的模型

city96 模型，具有 1.5 和 XL 的 mdoel

对于潜在的高档模型，您只能进行 1.25、1.5 或 2 倍的高档。

迭代次数意味着您想要执行多少次循环。如果您使用 1.25x uspcale 进行 2 次迭代，它将为 1.25 upscale 运行两次。

控制网

通过效率节点雇用脚本，您可以使用 controlnet 进一步处理最终图像。在此不再涉及更多内容，因为关于简单控制网络如何工作的教程已经足够了。

3.2 先进控制网的潜在高端

这是我个人用来更好地控制最终输出的方法。此工作流程使用高级 controlnet 来更好地控制 controlnet 模型的权重。此外，如果您想让图像与原始图像非常相似，使用平铺模型可以帮助实现这一点。使用平铺模型，您可以使用更高的降噪并保留原始图像的组成。

高级控制网的设置

乍一看很复杂，但实际上很简单。

强度：controlnet 模型的强度。

开始百分比：controlnet 开始应用的时间。

结束百分比：controlnet 停止应用时。

加载controlnet模型：加载模型。

至于缩放软控制网权重。这基本上意味着 A1111 中的“我的提示更重要”模式。它沿着生成逐渐降低controlnet模型的强度。您可以尝试基本乘数并查看其影响。

乘数越高，保留原始图像的程度就越高。

3.3 3 采样器奇迹。

这与我的工作流程非常接近。它有 3 个采样器。

第一个采样器对初始图像进行采样

第二个采样器“细化”图像，这通常修复手、眼睛、衣服等。它会使图像变得更糟，通常我使用不同的种子并找到好的图像。它基本上是对图像进行“精细”修饰。我通常在这个上使用 1.25-1.5x uspcale

第一个采样器 -> 第二个采样器之间的比较

第三个采样器在高级 controlnet 模型的帮助下完成最终的高档 2 倍高档

是的，是的，我知道她多了一根手指。她还有猫耳朵，这不被认为是正常的，所以谁知道呢。也许在她住的地方有6个手指是很正常的。该死的，我想再多一根手指。也许我可以写得更快。

4. 高级控制网示例

这是通过第三个工作流程完成的

这是原始图像，我将使用第三个采样器进行升级。

这是软控制网络权重为 1 的示例。它与原始图像非常相似。

这是软控制网络权重为 0 的图像。它在一定程度上保留了原始图像，但改变了图像的组成。

结论

我展示的所有方法都使用潜在的高档模型，这比不使用潜在的高档模型要好。

如果你想对使用和不使用模型进行一些比较，你可以在 NNLatent upscaler 的 github 页面中看到一些

https://github.com/Ttl/ComfyUi_NNLatentUpscale

所有的工作流程都可以生成高质量的图像，而且方法还可以。有多好，取决于设置。这只是快速展示，工作流程中的设置并不完美

</p>