AI绘画课：ComfyUI上手指南

视频教程

Credits：

在 WebUI 中，放大有“高清修复(High-Res Fix)”、“SD Upscale脚本”和“后期处理”三种方式。ComfyUI 同样都能实现，且更灵活。

这是最标准的文生图高清修复流程。

核心逻辑：文生图 (低分辨率) -> 放大潜空间数据 -> 二次采样 (高分辨率)。
节点流程：
- 常规文生图流程，生成第一次的 Latent。
- 连接 Upscale Latent 节点：设置目标分辨率（如放大到 1.5 倍）。
- 连接 第二个 KSampler：进行二次采样。
- 关键参数：第二个 KSampler 的 Denoise (去噪/重绘幅度)。
  
  建议值：0.5 - 0.8。
  
  过低 (<0.5)：容易出现噪点，去噪不干净。
  
  过高 (>0.8)：容易产生幻觉（如多头、多手），画面变化过大。

利用 ESRGAN、4x-UltraSharp 等传统超分模型进行放大。

核心逻辑：Latent -> VAE 解码成图片 -> 加载放大模型 -> 放大图片 -> (可选) VAE 编码回 Latent 进行图生图。
所需节点：
- Load Upscale Model：加载 4x-UltraSharp 或 R-ESRGAN 等模型（存放在 models/upscale_models 文件夹）。
- Image Upscale with Model：应用放大模型。
优缺点：相比潜空间放大，这种方式不会轻易改变画面内容，但涉及 VAE 编解码，显存占用较高，速度较慢。

很多新手找不到 ComfyUI 的蒙版在哪里画，其实它藏得很深。

在 WebUI 中我们习惯了“原图”和“填充”模式，在 ComfyUI 中对应不同的节点：

为了让重绘边缘更自然，通常需要处理蒙版：

基本连接：使用 Load LoRA 节点，插入在 Checkpoint 和 KSampler 之间（像接水管一样串联）。
双重权重：ComfyUI 的 LoRA 有两个权重（Model 和 CLIP）。通常设置为相等（例如都设为 0.5）即对应 WebUI 的效果。
批量加载：使用效率节点包 (Efficiency Nodes) 中的 LoRA Stack，可以像堆叠积木一样一次性加载多个 LoRA，无需拉很多根线。

核心区别：WebUI 的 ControlNet 自动包含预处理，ComfyUI 必须单独加载预处理器 (Preprocessor)。
标准流程：
- Load Image (输入图)。
- ControlNet Preprocessor (如 OpenPose Preprocessor)：生成骨架图。
- Load ControlNet Model：加载对应的模型（如 control_openpose）。
- Apply ControlNet：接收预处理图和模型，输出 Conditioning 连接到 KSampler。
多重 ControlNet：将多个 Apply ControlNet 节点串联起来（一个接一个）。
开关技巧：右键点击节点选择 Bypass (忽略)，可以暂时关闭某个 ControlNet 而无需断开连线。

ComfyUI 的真正威力在于自动化。视频演示了一个将“真人照片转为动漫风格”的批量工作流。

工作流逻辑拆解：

输入：加载一张真人照片。
自动尺寸：使用 Get Image Size 节点读取原图宽高，自动同步给生图节点。
自动反推提示词：使用 WD14 Tagger 节点，自动识别原图内容生成 Prompt。
提示词组合：使用 Conditioning Combine 节点，将反推的 Prompt 和我们预设的风格触发词 (Trigger Words) 自动合并。
控制约束：经过 OpenPose 和 LineArt 两组 ControlNet，锁定人物姿势和轮廓。
生成与放大：文生图 -> 放大 -> 输出。

价值：搭建好这个流程后，你只需要替换第一张输入图片，后面所有的反推、重绘、控制、放大都会全自动执行。这在 WebUI 中需要手动操作无数次，而在 ComfyUI 中可以一键批量处理 100 张图片。

下一步：现在的你已经掌握了 ComfyUI 的核心三件套。下一课，我们将综合运用这些知识，从零开始搭建属于你自己的专属工作流！

您正在使用 Lite 体验版。
升级 Pro，立即解锁全站核心工作流、商业源文件
以及后续永久更新。