AI图像处理之ComfyUI节点（二）
一、Load Checkpoint节点
功能：用于加载预训练的大模型，如Stable Diffusion等
参数：
chechkpoint：选择加载的模型文件（.ckpt或.satetensors格式）
MODEL：输出用于图像扩散预测的UNet模型
CLIP：输出文本编码器，用于将提示词转换为语义向量
VAE：输出变分自动编码器，用于将潜在空间图像解码为像素图像
二、CLIP Text Encode节点
功能：将文本提示词编码为模型可理解的语义向量
参数：
CLIP：接收用于编码的提示词的CLIP模型
文本输入：输入正向或方向的提示词
CONDITIONING：输出编码后的条件信息，用于引导图像生成
三、KSampler节点
功能：对潜在空间噪声图像进行逐步去噪，生成图像
参数：
model：接收来自大模型的数据流
positive：接收经过CLIP编码的正向提示词条件信息
negative：接收经过CLIP编码的反向提示词条件信息
latent_image：接收潜在空间图像信息
seed：随机种子数，用于控制噪声生成
control_after_generate：种子生成后控制方式（固定、递增、递减、随机）
steps：去噪步数，步数越多，去噪效果效果越明显。噪声是指由于各种干扰因素引入的随机或不规则的信号，导致图像质量下降的现象
cfg：提示词引导系数，值越高，提示词对最终结果的影响越大。
sampler_name：采样器名称，不同的采样器会影响生成图像的结果。Euler（快速生成草图测试）、Euler a（需要创意性的输出场景）、Heun（追求高质量，速度较慢）、DPM++ 2M和Karras（通用场景、推荐默认）、DPM++ SDR和Karras（需要丰富细节和风格）、LMS（需要稳定输出的任务）、DDIM（需要可复现结果的实验）、UniPC（快速生成高质量图像）
scheduler：调度器名称，影响生成过程中的采样和控制策略。normal（基础测试）、karras（高质量生成，推荐默认）、exponential（需要快速初期去噪）、sgm_uniform（科研场景）、simple（兼容旧模型）
denoise：去噪幅度，值越大，图像变化和影响越显著
四、Upscale Latent节点
功能：放大潜在空间图像，提高生成图像的分辨率。
参数：
samples：接收经过 KSampler 处理后的潜在空间图像。
upscale_method：放大算法。
scale_by：调整图像的比例。
width：缩放后的图像宽度。
height：缩放后的图像高度。
crop：是否裁剪图像（disabled 表示不裁剪，center 表示从中心裁剪）。
五、VAE Decode节点
功能
将潜在空间图像解码为像素级图像
参数
samplers：接收经过KSampler处理后的潜在空间图像
vae：接收用于解码的VAE模型
tile_size：设置分块解码时块的大小，用于解决显存不足的问题。显存不足时，ComfyUI会自动调用分块解码
六、Apply Controlnet节点
功能：在图像生成过程中应用控制网络（ControlNet），引入更多的控制。
参数：
Conditioning：接收传入的条件信息，如通过 CLIP Text Encode 处理后的文本信息。
control_net：加载 ControlNet 模型。
image：加载经过预处理的图片。
strength：控制权重程度，数值越高，约束越强。
start_percent：开始接入controlNet控制的起始百分比。开始使用基础模型自由生成，开始百分比后受controlnet控制
end_percent：与start_percent一起使用，结束使用controlnet控制的百分比。结束百分比前受controlnet控制，后面由基础模型自由生成