Nœuds ComfyUI : Liste complète et explication de chaque nœud

Découvrez le nœud CLIP Text Encode SDXL dans ComfyUI, qui encode les entrées textuelles en utilisant des modèles CLIP spécifiquement adaptés à l'architecture SDXL, convertissant les descriptions textuelles en un format adapté aux tâches de génération ou de manipulation d'images.

Découvrez le nœud CLIP Text Encode SDXL Refiner dans ComfyUI, qui affine l'encodage des entrées textuelles en utilisant les modèles CLIP, améliorant le conditionnement pour les tâches génératives en incorporant des scores esthétiques et des dimensions.

Documentation du nœud CLIPTextEncodeHunyuanDiT de ComfyUI, y compris les types d'entrée/sortie, les méthodes, une introduction à BERT et mT5-XL, et des conseils d'utilisation.

Découvrez le nœud Conditioning Set Timestep Range dans ComfyUI, qui ajuste l'aspect temporel du conditionnement en définissant une plage spécifique de pas de temps, permettant une génération plus ciblée et efficace.

Découvrez le nœud Conditioning Zero Out dans ComfyUI, qui annule des éléments spécifiques au sein de la structure de données de conditionnement, neutralisant ainsi leur influence dans les étapes de traitement ultérieures.

CLIPLoader charge un encodeur de texte CLIP depuis models/clip et renvoie clip. Réglez clip_name et type (stable_diffusion ou stable_cascade), puis branchez CLIP Text Encode.

Découvrez le nœud Load Checkpoint With Config (DEPRECATED) dans ComfyUI, conçu pour charger les checkpoints de modèle avec leurs configurations. Il simplifie les complexités du chargement et de la configuration des checkpoints de modèle pour une utilisation dans diverses applications, offrant un moyen simplifié d'accéder à ces modèles avec des configurations spécifiques.

Découvrez le nœud Diffusers Loader dans ComfyUI, conçu pour charger des modèles à partir de la bibliothèque diffusers, en gérant spécifiquement le chargement des modèles UNet, CLIP et VAE en fonction des chemins de modèles fournis. Il facilite l'intégration de ces modèles dans le cadre ComfyUI, permettant des fonctionnalités avancées telles que la génération d'images à partir de texte, la manipulation d'images, et plus encore.

DualCLIPLoader charge deux encodeurs de texte : choisissez clip_name1 et clip_name2 dans models/clip, réglez type sur sdxl, sd3 ou flux et branchez clip sur CLIP Text Encode.

Le nœud QuadrupleCLIPLoader est l'un des nœuds principaux de ComfyUI, ajouté pour la première fois pour prendre en charge la version HiDream I1.

Le UNET Loader de ComfyUI (désormais Load Diffusion Model) charge un modèle par unet_name depuis models/unet, avec weight_dtype default, fp8_e4m3fn, fp8_e4m3fn_fast et fp8_e5m2.

Découvrez le nœud Model Sampling Continuous EDM dans ComfyUI, qui améliore les capacités d'échantillonnage d'un modèle en intégrant des techniques d'échantillonnage EDM (Energy-based Diffusion Models) continues. Il permet l'ajustement dynamique des niveaux de bruit dans le processus d'échantillonnage du modèle, offrant un contrôle plus raffiné sur la qualité et la diversité de la génération.

Découvrez le nœud Model Sampling Discrete dans ComfyUI, qui modifie le comportement d'échantillonnage d'un modèle en appliquant une stratégie d'échantillonnage discret. Il permet la sélection de différentes méthodes d'échantillonnage, telles que epsilon, v_prediction, lcm, ou x0, et ajuste éventuellement la stratégie de réduction de bruit du modèle en fonction du paramètre zero-shot noise ratio (zsnr).

Découvrez le nœud Rescale CFG dans ComfyUI, qui ajuste les échelles de conditionnement et de non-conditionnement de la sortie d'un modèle en fonction d'un multiplicateur spécifié, visant à obtenir un processus de génération plus équilibré et contrôlé. Il fonctionne en rééchelonnant la sortie du modèle pour modifier l'influence des composants conditionnés et non conditionnés, améliorant ainsi potentiellement les performances ou la qualité de sortie du modèle.

CheckpointSave regroupe model, clip et vae dans un seul fichier de checkpoint dans output/checkpoints, nommé d'après filename_prefix, prêt à copier dans models/checkpoints.

Découvrez le nœud CLIPMerge Simple dans ComfyUI, qui se spécialise dans la fusion de deux modèles CLIP selon un ratio spécifié, mélangeant efficacement leurs caractéristiques. Il applique sélectivement des patches d'un modèle à un autre, en excluant des composants spécifiques comme les IDs de position et l'échelle des logits, pour créer un modèle hybride qui combine les caractéristiques des deux modèles sources.

Découvrez le nœud CLIPSave dans ComfyUI, conçu pour sauvegarder les modèles CLIP ainsi que des informations supplémentaires telles que les prompts et les métadonnées PNG. Il encapsule la fonctionnalité de sérialisation et de stockage de l'état du modèle, facilitant la préservation et le partage des configurations de modèle et de leurs prompts créatifs associés.

Découvrez le nœud ModelMergeAdd dans ComfyUI, conçu pour fusionner deux modèles en ajoutant des éléments clés d'un modèle à un autre. Ce processus implique le clonage du premier modèle, puis l'application de patchs du second modèle, permettant ainsi la combinaison de caractéristiques ou de comportements des deux modèles.

Découvrez le nœud ModelMergeBlocks dans ComfyUI, conçu pour des opérations avancées de fusion de modèles, permettant l'intégration de deux modèles avec des ratios de mélange personnalisables pour différentes parties des modèles. Ce nœud facilite la création de modèles hybrides en fusionnant sélectivement des composants de deux modèles sources selon des paramètres spécifiés.

Découvrez le nœud ModelMergeSimple dans ComfyUI, conçu pour fusionner deux modèles en mélangeant leurs paramètres selon un ratio spécifié. Ce nœud facilite la création de modèles hybrides qui combinent les forces ou les caractéristiques des deux modèles d'entrée.

Découvrez le nœud ModelMergeSubtract dans ComfyUI, conçu pour des opérations avancées de fusion de modèles, spécifiquement pour soustraire les paramètres d'un modèle d'un autre en fonction d'un multiplicateur spécifié. Il permet la personnalisation des comportements des modèles en ajustant l'influence des paramètres d'un modèle sur un autre, facilitant la création de nouveaux modèles hybrides.

Découvrez le nœud VAESave dans ComfyUI, conçu pour sauvegarder les modèles VAE avec leurs métadonnées, y compris les invites et les informations PNG supplémentaires, dans un répertoire de sortie spécifié. Il encapsule la fonctionnalité de sérialiser l'état du modèle et les informations associées dans un fichier, facilitant ainsi la préservation et le partage des modèles entraînés.

CLIPSetLastLayer fixe stop_at_clip_layer pour que CLIP cesse d'encoder à la couche choisie, ce qui change la part de l'encodeur de texte envoyée au conditioning.

CLIPTextEncode dans ComfyUI encode un prompt en conditionnement. Réglez clip et text, reliez la sortie conditioning à un sampler et utilisez embedding:Nom pour les embeddings.

Découvrez le nœud CLIPVisionEncode dans ComfyUI, conçu pour encoder des images à l'aide d'un modèle de vision CLIP, transformant l'entrée visuelle en un format adapté à un traitement ou une analyse ultérieure. Il simplifie la complexité de l'encodage d'images, offrant une interface simplifiée pour convertir les images en représentations encodées.

Découvrez le nœud ConditioningAverage dans ComfyUI, conçu pour mélanger deux ensembles de données de conditionnement en appliquant une moyenne pondérée basée sur une force spécifiée. Ce processus permet un ajustement dynamique de l'influence du conditionnement, facilitant le réglage fin du contenu ou des caractéristiques générés.

Découvrez le nœud Conditioning(Combine) dans ComfyUI, conçu pour fusionner deux ensembles de données de conditionnement, combinant efficacement leurs informations. Il offre une interface simple pour intégrer les entrées de conditionnement, permettant un ajustement dynamique du contenu ou des caractéristiques générés.

Découvrez le nœud Conditioning(Concat) dans ComfyUI, conçu pour concaténer les vecteurs de conditionnement, fusionnant efficacement le vecteur 'conditioning_from' dans le vecteur 'conditioning_to'. Il offre une interface simple pour intégrer les entrées de conditionnement, permettant un ajustement dynamique du contenu ou des caractéristiques générés.

Découvrez le nœud Conditioning(SetArea) dans ComfyUI, conçu pour modifier les informations de conditionnement en définissant des zones spécifiques dans le contexte de conditionnement. Il permet une manipulation spatiale précise des éléments de conditionnement, permettant des ajustements et des améliorations ciblés basés sur des dimensions et une force spécifiées.

Découvrez le nœud Conditioning(SetAreaWithPercentage) dans ComfyUI, conçu pour ajuster la zone d'influence des éléments de conditionnement en fonction de valeurs en pourcentage. Il permet de spécifier les dimensions et la position de la zone en pourcentages de la taille totale de l'image, ainsi qu'un paramètre de force pour moduler l'intensité de l'effet de conditionnement.

Découvrez le nœud Conditioning(SetAreaStrength) dans ComfyUI, conçu pour ajuster la force des éléments de conditionnement dans une zone spécifiée. Il permet de spécifier les dimensions et la position de la zone en pourcentages de la taille totale de l'image, ainsi qu'un paramètre de force pour moduler l'intensité de l'effet de conditionnement.

Découvrez le nœud StableZero123_Conditioning dans ComfyUI, conçu pour traiter les informations de conditionnement spécifiquement adaptées au modèle StableZero123. Il se concentre sur la préparation des entrées dans un format spécifique compatible et optimisé pour ces modèles.

Découvrez le nœud StableZero123_Conditioning_Batched dans ComfyUI, conçu pour traiter les informations de conditionnement de manière groupée, spécifiquement adapté au modèle StableZero123. Il se concentre sur la gestion efficace de plusieurs ensembles de données de conditionnement simultanément, optimisant le flux de travail pour les scénarios où le traitement par lots est crucial.

Découvrez le nœud GLIGENTextBoxApply dans ComfyUI, conçu pour intégrer le conditionnement basé sur le texte dans l'entrée d'un modèle génératif, en appliquant spécifiquement les paramètres de la boîte de texte et en les encodant à l'aide d'un modèle CLIP. Ce processus enrichit le conditionnement avec des informations spatiales et textuelles, facilitant une génération plus précise et contextuellement consciente.

Découvrez le nœud InpaintModelConditioning dans ComfyUI, conçu pour faciliter le processus de conditionnement pour les modèles d'inpainting, permettant l'intégration et la manipulation de divers entrées de conditionnement pour adapter le résultat de l'inpainting. Il englobe une large gamme de fonctionnalités, allant du chargement de points de contrôle de modèles spécifiques et de l'application de modèles de style ou de réseau de contrôle, à l'encodage et à la combinaison d'éléments de conditionnement, servant ainsi d'outil complet pour personnaliser les tâches d'inpainting.

Découvrez le nœud StyleModelApply dans ComfyUI, conçu pour appliquer un modèle de style à un conditionnement donné, en améliorant ou en modifiant son style basé sur la sortie d'un modèle de vision CLIP. Il intègre le conditionnement du modèle de style dans le conditionnement existant, permettant une fusion harmonieuse des styles dans le processus de génération.

Découvrez le nœud SD_4XUpscale_Conditioning dans ComfyUI, conçu pour améliorer la résolution des images grâce à un processus de mise à l'échelle 4x, en intégrant des éléments de conditionnement pour affiner le résultat. Il utilise des techniques de diffusion pour mettre à l'échelle les images tout en permettant l'ajustement du ratio d'échelle et l'augmentation du bruit pour affiner le processus d'amélioration.

Découvrez le nœud SVD_img2vid_Conditioning dans ComfyUI, conçu pour générer des données de conditionnement pour les tâches de génération vidéo, spécifiquement adaptées à l'utilisation avec les modèles SVD_img2vid. Il prend en compte divers paramètres d'entrée, y compris les images initiales, les paramètres vidéo et un modèle VAE pour produire des données de conditionnement pouvant être utilisées pour guider la génération des images vidéo.

Découvrez le noeud WanFunControlToVideo dans ComfyUI, utilisé pour générer des données conditionnelles pour des tâches de génération vidéo, spécifiquement conçu pour être utilisé avec les modèles Wan 2.1 Fun Control. Il accepte diverses entrées, y compris des images initiales, des paramètres vidéo et un modèle VAE pour générer des données conditionnelles pouvant être utilisées pour guider la génération de cadres vidéo.

Découvrez le nœud EmptyImage dans ComfyUI, conçu pour générer des images vides de dimensions et de couleur spécifiées.

Découvrez le nœud ImageBatch dans ComfyUI, conçu pour combiner deux images en un seul lot. Si les dimensions des images ne correspondent pas, il redimensionne automatiquement la…

Découvrez le nœud ImageCompositeMasked dans ComfyUI, conçu pour la composition d'images, permettant la superposition d'une image source sur une image de destination à des…

Découvrez le nœud ImageInvert dans ComfyUI, conçu pour inverser les couleurs d'une image, transformant ainsi chaque valeur de couleur de pixel en sa couleur complémentaire sur…

Découvrez le nœud ImagePadForOutpaint dans ComfyUI, conçu pour préparer les images au processus d'outpainting en ajoutant un remplissage autour d'elles.

Découvrez le nœud LoadImage dans ComfyUI, conçu pour charger et prétraiter des images à partir d'un chemin spécifié.

Découvrez le nœud PreviewImage dans ComfyUI, conçu pour créer des images d'aperçu temporaires.

Découvrez le nœud SaveImage dans ComfyUI, conçu pour sauvegarder des images sur le disque. Il gère le processus de conversion des données d'image à partir de tenseurs vers un…

EmptyLatentImage crée un LATENT vide aux width et height choisis, avec batch_size pour plusieurs images. C'est le point de départ habituel du texte vers image dans ComfyUI.

Découvrez le nœud LatentComposite dans ComfyUI, conçu pour mélanger ou fusionner deux représentations latentes en une seule sortie. Ce processus est essentiel pour créer des images composites ou des caractéristiques en combinant les caractéristiques des latents d'entrée de manière contrôlée.

Découvrez le nœud LatentCompositeMasked dans ComfyUI, conçu pour fusionner deux représentations latentes à des coordonnées spécifiées, en utilisant éventuellement un masque pour un compositing plus contrôlé. Ce nœud permet la création d'images latentes complexes en superposant des parties d'une image sur une autre, avec la possibilité de redimensionner l'image source pour un ajustement parfait.

Découvrez le nœud LatentUpscale dans ComfyUI, conçu pour agrandir les représentations latentes des images. Il permet d'ajuster les dimensions de l'image de sortie et la méthode d'agrandissement, offrant une flexibilité dans l'amélioration de la résolution des images latentes.

Découvrez le nœud LatentUpscaleBy dans ComfyUI, conçu pour agrandir les représentations latentes des images par un facteur d'échelle spécifié. Ce nœud permet l'ajustement du facteur d'échelle et de la méthode d'agrandissement, offrant une flexibilité dans l'amélioration de la résolution des échantillons latents.

VAEDecode reçoit les samples (LATENT) du sampler et le modèle vae, puis renvoie image (IMAGE), la dernière étape avant Preview Image ou Save Image dans un workflow.

VAEEncode convertit un IMAGE en LATENT avec le VAE branché, l'étape avant img2img et l'inpainting. Reliez pixels et vae, puis envoyez latent au KSampler.

Découvrez le nœud LatentBatch dans ComfyUI, conçu pour fusionner deux ensembles d'échantillons latents en un seul lot, en redimensionnant potentiellement un ensemble pour correspondre aux dimensions de l'autre avant la concaténation. Cette opération facilite la combinaison de différentes représentations latentes pour des tâches de traitement ou de génération ultérieures.

Découvrez le nœud LatentFromBatch dans ComfyUI, conçu pour extraire un sous-ensemble spécifique d'échantillons latents d'un lot donné en fonction de l'index de lot spécifié et de la longueur. Il permet un traitement sélectif des échantillons latents, facilitant les opérations sur des segments plus petits du lot pour une efficacité ou une manipulation ciblée.

Découvrez le nœud RebatchLatents dans ComfyUI, conçu pour réorganiser un lot de représentations latentes en une nouvelle configuration de lot, basée sur une taille de lot spécifiée. Il garantit que les échantillons latents sont regroupés de manière appropriée, en gérant les variations de dimensions et de tailles, pour faciliter un traitement ultérieur ou une inférence du modèle.

Découvrez le nœud RepeatLatentBatch dans ComfyUI, conçu pour répliquer un lot donné de représentations latentes un nombre spécifié de fois, incluant potentiellement des données supplémentaires comme des masques de bruit et des indices de lot. Cette fonctionnalité est cruciale pour les opérations nécessitant plusieurs instances des mêmes données latentes, telles que l'augmentation de données ou des tâches génératives spécifiques.

Découvrez le nœud LatentCrop dans ComfyUI, conçu pour effectuer des opérations de recadrage sur les représentations latentes des images. Il permet de spécifier les dimensions et la position du recadrage, permettant des modifications ciblées de l'espace latent.

Découvrez le nœud LatentFlip dans ComfyUI, conçu pour manipuler les représentations latentes en les inversant soit verticalement, soit horizontalement. Cette opération permet de transformer l'espace latent, potentiellement en révélant de nouvelles variations ou perspectives au sein des données.

Découvrez le nœud LatentRotate dans ComfyUI, conçu pour faire pivoter les représentations latentes des images selon des angles spécifiés. Il simplifie la complexité de la manipulation de l'espace latent pour obtenir des effets de rotation, permettant aux utilisateurs de transformer facilement les images dans l'espace latent d'un modèle génératif.

CheckpointLoaderSimple charge un checkpoint de models/checkpoints et renvoie model, clip et vae depuis un seul noeud. C'est le premier noeud d'un workflow texte vers image.

Découvrez le nœud CLIPVisionLoader dans ComfyUI, conçu pour charger les modèles CLIP Vision à partir de chemins spécifiés. Il simplifie la complexité de localisation et d'initialisation des modèles CLIP Vision, les rendant facilement disponibles pour des tâches de traitement ou d'inférence ultérieures.

Découvrez le nœud ControlNetLoader dans ComfyUI, conçu pour charger les modèles ControlNet à partir de chemins spécifiés. Il simplifie la complexité de localisation et d'initialisation des modèles ControlNet, les rendant facilement disponibles pour des tâches de traitement ou d'inférence ultérieures.

Découvrez le nœud DiffControlNetLoader dans ComfyUI, conçu pour charger des réseaux de contrôle différentiel à partir de chemins spécifiés. Il simplifie la complexité de localisation et d'initialisation des réseaux de contrôle différentiel, les rendant facilement disponibles pour des tâches de traitement ou d'inférence ultérieures.

Découvrez le nœud GLIGENLoader dans ComfyUI, conçu pour charger les modèles GLIGEN à partir de chemins spécifiés. Il simplifie la complexité de localisation et d'initialisation des modèles GLIGEN, les rendant facilement disponibles pour des tâches de traitement ou d'inférence ultérieures.

Découvrez le nœud HypernetworkLoader dans ComfyUI, conçu pour charger des hypernetworks à partir de chemins spécifiés. Il simplifie la complexité de localisation et d'initialisation des hypernetworks, les rendant facilement disponibles pour des tâches de traitement ou d'inférence ultérieures.

LoraLoader charge un LoRA de models/loras et l'applique au model et au clip. Réglez lora_name, strength_model et strength_clip, puis chaînez les noeuds pour empiler les LoRAs.

LoraLoaderModelOnly applique un LoRA de models/loras au modèle seul, sans charger CLIP. Réglez lora_name et strength_model, puis chaînez les noeuds pour empiler les LoRAs.

Découvrez le nœud StyleModelLoader dans ComfyUI, conçu pour charger des modèles de style à partir de chemins spécifiés. Il simplifie la complexité de localisation et d'initialisation des modèles de style, les rendant facilement disponibles pour des tâches de traitement ou d'inférence ultérieures.

Le nœud CropMask est conçu pour recadrer une zone spécifiée à partir d'un masque donné. Il permet aux utilisateurs de définir la région d'intérêt en spécifiant des coordonnées et des dimensions, extrayant ainsi efficacement une partie du masque pour un traitement ou une analyse ultérieure.

Le nœud FeatherMask est conçu pour appliquer un effet de plume aux bords d'un masque donné, en transitionnant en douceur les bords du masque en ajustant leur opacité en fonction des distances spécifiées à partir de chaque bord. Cela crée un effet de bord plus doux et plus fondu.

Le nœud GrowMask est conçu pour modifier la taille d'un masque donné, soit en l'agrandissant, soit en le contractant, tout en appliquant éventuellement un effet effilé aux coins. Cette fonctionnalité est cruciale pour ajuster dynamiquement les limites du masque dans les tâches de traitement d'image, permettant un contrôle plus flexible et précis de la zone d'intérêt.

Le nœud ImageColorToMask est conçu pour convertir une couleur spécifiée dans une image en un masque. Il traite une image et une couleur cible, générant un masque où la couleur spécifiée est mise en évidence, facilitant des opérations telles que la segmentation basée sur la couleur ou l'isolement d'objets.

ImageToMask convertit une image en masque en lisant un canal : choisissez red, green, blue ou alpha, entrez image (IMAGE) et récupérez mask (MASK) pour l'inpainting.

Le nœud InvertMask est conçu pour inverser les valeurs d'un masque donné, inversant ainsi les zones masquées et non masquées. Cette opération est fondamentale dans les tâches de traitement d'image où l'intérêt doit être déplacé entre le premier plan et l'arrière-plan.

Le nœud LoadImageMask est conçu pour charger des images et leurs masques associés à partir d'un chemin spécifié, en les traitant pour garantir leur compatibilité avec des tâches ultérieures de manipulation ou d'analyse d'image. Il se concentre sur la gestion de divers formats d'image et conditions, telles que la présence d'un canal alpha pour les masques, et prépare les images et les masques pour un traitement en aval en les convertissant en un format standardisé.

Le nœud MaskComposite est conçu pour combiner deux entrées de masque à travers une variété d'opérations telles que l'addition, la soustraction et les opérations logiques, afin de produire un nouveau masque modifié. Il gère de manière abstraite la manipulation des données de masque pour réaliser des effets de masquage complexes, servant de composant crucial dans les flux de travail d'édition et de traitement d'images basés sur les masques.

Le nœud MaskToImage est conçu pour convertir un masque en format image. Cette transformation permet la visualisation et le traitement ultérieur des masques en tant qu'images, facilitant ainsi un pont entre les opérations basées sur les masques et les applications basées sur les images.

Exemple du nœud Join Image with Alpha dans ComfyUI : combinez une image RVB avec un masque alpha pour créer une image transparente pour la composition.

Le nœud PorterDuffImageComposite est conçu pour effectuer la composition d'images en utilisant les opérateurs de composition Porter-Duff. Il permet la combinaison d'images source et destination selon divers modes de fusion, permettant la création d'effets visuels complexes en manipulant la transparence des images et en superposant les images de manière créative.

Le nœud SplitImageWithAlpha est conçu pour séparer les composants couleur et alpha d'une image. Il traite un tenseur d'image d'entrée, extrayant les canaux RGB comme composant couleur et le canal alpha comme composant de transparence, facilitant les opérations nécessitant la manipulation de ces aspects distincts de l'image.

KSampler dans ComfyUI débruite un latent avec un modèle et les conditionnements positif et négatif. Couvre les valeurs de steps, cfg, seed, sampler_name, scheduler et denoise.

KSamplerAdvanced échantillonne entre start_at_step et end_at_step avec add_noise, steps, cfg, sampler_name, scheduler et renvoie un latent avec ou sans bruit résiduel.

Référence des samplers et schedulers : heun, dpmpp_2m, dpmpp_3m_sde, lcm et les variantes ancestral et GPU, plus le rôle des schedulers karras, exponential et sgm_uniform.

Le nœud SamplerCustom est conçu pour fournir un mécanisme d'échantillonnage flexible et personnalisable pour diverses applications. Il permet aux utilisateurs de sélectionner et de configurer différentes stratégies d'échantillonnage adaptées à leurs besoins spécifiques, améliorant ainsi l'adaptabilité et l'efficacité du processus d'échantillonnage.

Le nœud KSamplerSelect est conçu pour sélectionner un échantillonneur spécifique basé sur le nom de l'échantillonneur fourni. Il simplifie la complexité de la sélection d'échantillonneur, permettant aux utilisateurs de passer facilement d'une stratégie d'échantillonnage à une autre pour leurs tâches.

SamplerDPMPP_2M_SDE construit un SAMPLER pour dpmpp_2m_sde : choisissez solver_type midpoint ou heun, ajustez eta et s_noise, et réglez noise_device sur gpu ou cpu.

Le nœud SamplerDPMPP_SDE est conçu pour générer un échantillonneur pour le modèle DPMPP_SDE, permettant la création d'échantillons basés sur des types de solveurs spécifiés, des niveaux de bruit et des préférences de dispositif de calcul. Il simplifie les complexités de la configuration de l'échantillonneur, offrant une interface simplifiée pour générer des échantillons avec des paramètres personnalisés.

Le nœud BasicScheduler est conçu pour calculer une séquence de valeurs sigma pour les modèles de diffusion en fonction du planificateur, du modèle et des paramètres de débruitage fournis. Il ajuste dynamiquement le nombre total d'étapes en fonction du facteur de débruitage pour affiner le processus de diffusion.

Le nœud ExponentialScheduler est conçu pour générer une séquence de valeurs sigma suivant un plan exponentiel pour les processus d'échantillonnage par diffusion. Il offre une approche personnalisable pour contrôler les niveaux de bruit appliqués à chaque étape du processus de diffusion, permettant un ajustement précis du comportement d'échantillonnage.

Le nœud KarrasScheduler est conçu pour générer une séquence de niveaux de bruit (sigmas) basée sur le calendrier de bruit de Karras et al. (2022). Ce planificateur est utile pour contrôler le processus de diffusion dans les modèles génératifs, permettant des ajustements précis des niveaux de bruit appliqués à chaque étape du processus de génération.

Le nœud PolyexponentialScheduler est conçu pour générer une séquence de niveaux de bruit (sigmas) basée sur un calendrier de bruit polyexponentiel. Ce calendrier est une fonction polynomiale dans le logarithme de sigma, permettant une progression flexible et personnalisable des niveaux de bruit tout au long du processus de diffusion.

Le nœud SDTurboScheduler est conçu pour générer une séquence de valeurs sigma pour l'échantillonnage d'images, en ajustant la séquence en fonction du niveau de débruitage et du nombre d'étapes spécifiées. Il exploite les capacités d'échantillonnage d'un modèle spécifique pour produire ces valeurs sigma, qui sont cruciales pour contrôler le processus de débruitage lors de la génération d'images.

Le nœud VPScheduler est conçu pour générer une séquence de niveaux de bruit (sigmas) basée sur la méthode de planification à préservation de variance (VP). Cette séquence est cruciale pour guider le processus de débruitage dans les modèles de diffusion, permettant une génération contrôlée d'images ou d'autres types de données.

Le nœud FlipSigmas est conçu pour manipuler la séquence des valeurs sigma utilisées dans les modèles de diffusion en inversant leur ordre et en s'assurant que la première valeur n'est pas nulle si elle l'était initialement. Cette opération est cruciale pour adapter les niveaux de bruit dans l'ordre inverse, facilitant le processus de génération dans les modèles qui fonctionnent en réduisant progressivement le bruit des données.

Le nœud SplitSigmas est conçu pour diviser une séquence de valeurs sigma en deux parties en fonction d'une étape spécifiée. Cette fonctionnalité est cruciale pour les opérations nécessitant un traitement ou une manipulation différente des parties initiale et subséquente de la séquence sigma, permettant une manipulation plus flexible et ciblée de ces valeurs.

Le nœud Note est conçu pour fournir un mécanisme d'échantillonnage de base pour diverses applications. Il permet aux utilisateurs de sélectionner et de configurer différentes stratégies d'échantillonnage adaptées à leurs besoins spécifiques, améliorant ainsi l'adaptabilité et l'efficacité du processus d'échantillonnage.

Le nœud Primitive peut reconnaître le type d'entrée qui lui est connecté et fournir les données d'entrée en conséquence. Lorsque ce nœud est connecté à différents types d'entrée, il changera d'état d'entrée. Il peut être utilisé pour appliquer un paramètre unifié parmi plusieurs nœuds différents, comme utiliser la même graine dans plusieurs Ksampler.

Le nœud Reroute est conçu pour fournir un mécanisme d'échantillonnage de base pour diverses applications. Il permet aux utilisateurs de sélectionner et de configurer différentes stratégies d'échantillonnage adaptées à leurs besoins spécifiques, améliorant ainsi l'adaptabilité et l'efficacité du processus d'échantillonnage.

Terminal Log (Manager) affiche la sortie du terminal dans l'interface ComfyUI pour lire les erreurs sans ouvrir la console. Mode logging pour enregistrer, stop pour arrêter.