ComfyUI 노드의 상세 설명
이 섹션에서는 주로 ComfyUI의 노드와 관련 기능에 대해 소개합니다. 순서는 ComfyUI의 오른쪽 클릭 메뉴 순서를 따릅니다. 문서 검색 기능을 사용하여 빠르게 검색하는 것을 권장합니다.
문서의 영어 부분은 원래 https://docs.getsalt.ai/에서 가져와 재구성되었습니다.
고급
고급 기능 및 설정
CLIP 텍스트 인코드 SDXL
ComfyUI에서 CLIP 텍스트 인코드 SDXL 노드에 대해 알아보세요. 이 노드는 SDXL 아키텍처에 맞춰 특별히 설계된 CLIP 모델을 사용하여 텍스트 입력을 인코딩하며, 텍스트 설명을 이미지 생성 또는 조작 작업에 적합한 형식으로 변환합니다.
문서 읽기CLIP 텍스트 인코드 SDXL 리파이너
ComfyUI의 CLIP 텍스트 인코드 SDXL 리파이너 노드에 대해 알아보세요. 이 노드는 CLIP 모델을 사용하여 텍스트 입력의 인코딩을 정제하고, 미적 점수와 차원을 통합하여 생성 작업의 컨디셔닝을 향상시킵니다.
문서 읽기Conditioning Set Timestep Range (조건 설정 시간 범위)
ComfyUI의 Conditioning Set Timestep Range 노드에 대해 알아보세요. 이 노드는 특정 시간 단계 범위를 설정하여 컨디셔닝의 시간적 측면을 조정함으로써 보다 목표 지향적이고 효율적인 생성을 가능하게 합니다.
문서 읽기Conditioning Zero Out
ComfyUI의 Conditioning Zero Out 노드에 대해 알아보세요. 이 노드는 컨디셔닝 데이터 구조 내 특정 요소를 0으로 설정하여 후속 처리 단계에서 그들의 영향을 효과적으로 중화합니다.
문서 읽기ComfyUI의 CLIPTextEncodeFlux 노드 설명
ComfyUI에서 고급 텍스트 인코딩 및 조건부 이미지 생성을 위한 CLIPTextEncodeFlux 노드의 기능을 발견하세요.
문서 읽기FluxGuidance - ComfyUI 노드 기능 설명
ComfyUI에서 텍스트 프롬프트가 이미지 생성에 미치는 영향을 제어하는 FluxGuidance 노드에 대해 알아보세요.
문서 읽기CLIP Loader (CLIP 로더)
ComfyUI의 CLIP Loader 노드에 대해 알아보세요. 이 노드는 stable diffusion 및 stable cascade와 같은 다양한 유형을 지원하는 CLIP 모델을 로드하도록 설계되었습니다. 다양한 애플리케이션에서 CLIP 모델을 로드하고 구성하는 복잡성을 추상화하여 특정 구성으로 이러한 모델에 쉽게 접근할 수 있도록 합니다.
문서 읽기Load Checkpoint With Config (DEPRECATED)
ComfyUI의 Load Checkpoint With Config (DEPRECATED) 노드에 대해 알아보세요. 이 노드는 모델 체크포인트와 그 구성 파일을 로드하기 위해 설계되었습니다. 다양한 애플리케이션에서 모델 체크포인트를 로드하고 구성하는 복잡성을 추상화하여 특정 구성을 가진 모델에 쉽게 접근할 수 있도록 합니다.
문서 읽기Diffusers Loader (디퓨저 로더)
ComfyUI의 Diffusers Loader 노드에 대해 알아보세요. 이 노드는 diffusers 라이브러리에서 모델을 로드하도록 설계되었으며, 제공된 모델 경로에 따라 UNet, CLIP, VAE 모델을 로드하는 작업을 처리합니다. 이러한 모델을 ComfyUI 프레임워크에 통합하여 텍스트-이미지 생성, 이미지 조작 등과 같은 고급 기능을 가능하게 합니다.
문서 읽기Dual CLIP Loader - 작동 방식 및 사용 방법
ComfyUI의 Dual CLIP Loader 노드에 대해 알아보세요. 이 노드는 두 개의 CLIP 모델을 동시에 로드하도록 설계되어, 두 모델의 기능을 통합하거나 비교하는 작업을 용이하게 합니다.
문서 읽기UNETLoader | Load Diffusion Model
ComfyUI의 UNET 로더 노드에 대해 알아보세요. 이 노드는 이름으로 U-Net 모델을 로드하도록 설계되어 시스템 내에서 사전 훈련된 U-Net 아키텍처를 쉽게 사용할 수 있게 합니다.
문서 읽기모델 샘플링 연속 EDM (Model Sampling Continuous EDM)
ComfyUI의 Model Sampling Continuous EDM 노드에 대해 알아보세요. 이 노드는 연속 EDM(Energy-based Diffusion Models) 샘플링 기법을 통합하여 모델의 샘플링 기능을 향상시킵니다. 모델의 샘플링 과정에서 노이즈 레벨을 동적으로 조정할 수 있어, 생성 품질과 다양성에 대한 보다 정교한 제어를 제공합니다.
문서 읽기Model Sampling Discrete (모델 샘플링 이산)
ComfyUI의 Model Sampling Discrete 노드에 대해 알아보세요. 이 노드는 이산 샘플링 전략을 적용하여 모델의 샘플링 동작을 수정합니다. epsilon, v_prediction, lcm, x0와 같은 다양한 샘플링 방법을 선택할 수 있으며, zero-shot noise ratio (zsnr) 설정에 따라 모델의 노이즈 감소 전략을 선택적으로 조정할 수 있습니다.
문서 읽기Rescale CFG (리스케일 CFG)
ComfyUI의 Rescale CFG 노드에 대해 알아보세요. 이 노드는 모델 출력의 조건 및 비조건 스케일을 지정된 배수에 따라 조정하여 보다 균형 잡히고 제어된 생성 과정을 목표로 합니다. 이 노드는 모델의 출력을 리스케일하여 조건 및 비조건 구성 요소의 영향을 수정함으로써 모델의 성능이나 출력 품질을 향상시킬 수 있습니다.
문서 읽기Checkpoint Save (체크포인트 저장)
ComfyUI의 Checkpoint Save 노드에 대해 알아보세요. 이 노드는 모델, CLIP, VAE를 포함한 다양한 모델 구성 요소의 상태를 체크포인트 파일로 저장하도록 설계되었습니다. 이 기능은 모델의 학습 진행 상황이나 구성을 나중에 사용하거나 공유하기 위해 보존하는 데 필수적입니다.
문서 읽기CLIPMerge Simple (CLIP 병합 간단)
ComfyUI의 CLIPMerge Simple 노드에 대해 알아보세요. 이 노드는 지정된 비율에 따라 두 개의 CLIP 모델을 병합하여 그들의 특성을 효과적으로 혼합합니다. 위치 ID와 로그 스케일과 같은 특정 구성 요소를 제외하고 한 모델에서 다른 모델로 패치를 선택적으로 적용하여 두 소스 모델의 기능을 결합한 하이브리드 모델을 만듭니다.
문서 읽기CLIP Save (CLIP 저장)
ComfyUI의 CLIPSave 노드에 대해 알아보세요. 이 노드는 프롬프트 및 추가 PNG 메타데이터와 같은 정보를 포함하여 CLIP 모델을 저장하도록 설계되었습니다. 모델의 상태를 직렬화하고 저장하는 기능을 포함하여 모델 구성 및 관련 창의적 프롬프트를 보존하고 공유할 수 있습니다.
문서 읽기Model Merge Add (모델 병합 추가)
ComfyUI의 ModelMergeAdd 노드에 대해 알아보세요. 이 노드는 한 모델에서 다른 모델로 주요 패치를 추가하여 두 모델을 병합하도록 설계되었습니다. 이 과정은 첫 번째 모델을 복제한 후 두 번째 모델에서 패치를 적용하여 두 모델의 기능이나 동작을 결합할 수 있게 합니다.
문서 읽기Model Merge Blocks (모델 병합 블록)
ComfyUI의 ModelMergeBlocks 노드에 대해 알아보세요. 이 노드는 고급 모델 병합 작업을 위해 설계되었으며, 모델의 다양한 부분에 대해 사용자 지정 가능한 블렌딩 비율을 통해 두 모델을 통합할 수 있습니다. 이 노드는 지정된 매개변수에 따라 두 소스 모델의 구성 요소를 선택적으로 병합하여 하이브리드 모델을 생성하는 데 도움을 줍니다.
문서 읽기Model Merge Simple (모델 병합 간단)
ComfyUI의 ModelMergeSimple 노드에 대해 알아보세요. 이 노드는 지정된 비율에 따라 두 모델의 매개변수를 혼합하여 병합하도록 설계되었습니다. 이 노드는 두 입력 모델의 강점이나 특성을 결합한 하이브리드 모델을 생성하는 데 도움을 줍니다.
문서 읽기Model Merge Subtract (모델 병합 빼기)
ComfyUI의 ModelMergeSubtract 노드에 대해 알아보세요. 이 노드는 고급 모델 병합 작업을 위해 설계되었으며, 특정 배수를 기반으로 한 모델의 매개변수를 다른 모델에서 빼는 기능을 제공합니다. 이는 한 모델의 매개변수가 다른 모델에 미치는 영향을 조정하여 새로운 하이브리드 모델을 생성할 수 있도록 모델 동작을 사용자 정의할 수 있게 합니다.
문서 읽기VAE Save (VAE 저장)
ComfyUI의 VAESave 노드에 대해 알아보세요. 이 노드는 VAE 모델과 그 메타데이터(프롬프트 및 추가 PNG 정보 포함)를 지정된 출력 디렉토리에 저장하도록 설계되었습니다. 모델 상태와 관련 정보를 파일로 직렬화하여 훈련된 모델의 보존 및 공유를 용이하게 합니다.
문서 읽기컨디셔닝
CLIP 텍스트 인코드 SDXL
ComfyUI에서 CLIP 텍스트 인코드 SDXL 노드에 대해 알아보세요. 이 노드는 SDXL 아키텍처에 맞춰 특별히 설계된 CLIP 모델을 사용하여 텍스트 입력을 인코딩하며, 텍스트 설명을 이미지 생성 또는 조작 작업에 적합한 형식으로 변환합니다.
문서 읽기CLIP 텍스트 인코드 SDXL 리파이너
ComfyUI의 CLIP 텍스트 인코드 SDXL 리파이너 노드에 대해 알아보세요. 이 노드는 CLIP 모델을 사용하여 텍스트 입력의 인코딩을 정제하고, 미적 점수와 차원을 통합하여 생성 작업의 컨디셔닝을 향상시킵니다.
문서 읽기Conditioning Set Timestep Range (조건 설정 시간 범위)
ComfyUI의 Conditioning Set Timestep Range 노드에 대해 알아보세요. 이 노드는 특정 시간 단계 범위를 설정하여 컨디셔닝의 시간적 측면을 조정함으로써 보다 목표 지향적이고 효율적인 생성을 가능하게 합니다.
문서 읽기Conditioning Zero Out
ComfyUI의 Conditioning Zero Out 노드에 대해 알아보세요. 이 노드는 컨디셔닝 데이터 구조 내 특정 요소를 0으로 설정하여 후속 처리 단계에서 그들의 영향을 효과적으로 중화합니다.
문서 읽기ComfyUI의 CLIPTextEncodeFlux 노드 설명
ComfyUI에서 고급 텍스트 인코딩 및 조건부 이미지 생성을 위한 CLIPTextEncodeFlux 노드의 기능을 발견하세요.
문서 읽기FluxGuidance - ComfyUI 노드 기능 설명
ComfyUI에서 텍스트 프롬프트가 이미지 생성에 미치는 영향을 제어하는 FluxGuidance 노드에 대해 알아보세요.
문서 읽기로더
CLIP Loader (CLIP 로더)
ComfyUI의 CLIP Loader 노드에 대해 알아보세요. 이 노드는 stable diffusion 및 stable cascade와 같은 다양한 유형을 지원하는 CLIP 모델을 로드하도록 설계되었습니다. 다양한 애플리케이션에서 CLIP 모델을 로드하고 구성하는 복잡성을 추상화하여 특정 구성으로 이러한 모델에 쉽게 접근할 수 있도록 합니다.
문서 읽기Load Checkpoint With Config (DEPRECATED)
ComfyUI의 Load Checkpoint With Config (DEPRECATED) 노드에 대해 알아보세요. 이 노드는 모델 체크포인트와 그 구성 파일을 로드하기 위해 설계되었습니다. 다양한 애플리케이션에서 모델 체크포인트를 로드하고 구성하는 복잡성을 추상화하여 특정 구성을 가진 모델에 쉽게 접근할 수 있도록 합니다.
문서 읽기Diffusers Loader (디퓨저 로더)
ComfyUI의 Diffusers Loader 노드에 대해 알아보세요. 이 노드는 diffusers 라이브러리에서 모델을 로드하도록 설계되었으며, 제공된 모델 경로에 따라 UNet, CLIP, VAE 모델을 로드하는 작업을 처리합니다. 이러한 모델을 ComfyUI 프레임워크에 통합하여 텍스트-이미지 생성, 이미지 조작 등과 같은 고급 기능을 가능하게 합니다.
문서 읽기Dual CLIP Loader - 작동 방식 및 사용 방법
ComfyUI의 Dual CLIP Loader 노드에 대해 알아보세요. 이 노드는 두 개의 CLIP 모델을 동시에 로드하도록 설계되어, 두 모델의 기능을 통합하거나 비교하는 작업을 용이하게 합니다.
문서 읽기UNETLoader | Load Diffusion Model
ComfyUI의 UNET 로더 노드에 대해 알아보세요. 이 노드는 이름으로 U-Net 모델을 로드하도록 설계되어 시스템 내에서 사전 훈련된 U-Net 아키텍처를 쉽게 사용할 수 있게 합니다.
문서 읽기모델
모델 샘플링 연속 EDM (Model Sampling Continuous EDM)
ComfyUI의 Model Sampling Continuous EDM 노드에 대해 알아보세요. 이 노드는 연속 EDM(Energy-based Diffusion Models) 샘플링 기법을 통합하여 모델의 샘플링 기능을 향상시킵니다. 모델의 샘플링 과정에서 노이즈 레벨을 동적으로 조정할 수 있어, 생성 품질과 다양성에 대한 보다 정교한 제어를 제공합니다.
문서 읽기Model Sampling Discrete (모델 샘플링 이산)
ComfyUI의 Model Sampling Discrete 노드에 대해 알아보세요. 이 노드는 이산 샘플링 전략을 적용하여 모델의 샘플링 동작을 수정합니다. epsilon, v_prediction, lcm, x0와 같은 다양한 샘플링 방법을 선택할 수 있으며, zero-shot noise ratio (zsnr) 설정에 따라 모델의 노이즈 감소 전략을 선택적으로 조정할 수 있습니다.
문서 읽기Rescale CFG (리스케일 CFG)
ComfyUI의 Rescale CFG 노드에 대해 알아보세요. 이 노드는 모델 출력의 조건 및 비조건 스케일을 지정된 배수에 따라 조정하여 보다 균형 잡히고 제어된 생성 과정을 목표로 합니다. 이 노드는 모델의 출력을 리스케일하여 조건 및 비조건 구성 요소의 영향을 수정함으로써 모델의 성능이나 출력 품질을 향상시킬 수 있습니다.
문서 읽기모델 병합
Checkpoint Save (체크포인트 저장)
ComfyUI의 Checkpoint Save 노드에 대해 알아보세요. 이 노드는 모델, CLIP, VAE를 포함한 다양한 모델 구성 요소의 상태를 체크포인트 파일로 저장하도록 설계되었습니다. 이 기능은 모델의 학습 진행 상황이나 구성을 나중에 사용하거나 공유하기 위해 보존하는 데 필수적입니다.
문서 읽기CLIPMerge Simple (CLIP 병합 간단)
ComfyUI의 CLIPMerge Simple 노드에 대해 알아보세요. 이 노드는 지정된 비율에 따라 두 개의 CLIP 모델을 병합하여 그들의 특성을 효과적으로 혼합합니다. 위치 ID와 로그 스케일과 같은 특정 구성 요소를 제외하고 한 모델에서 다른 모델로 패치를 선택적으로 적용하여 두 소스 모델의 기능을 결합한 하이브리드 모델을 만듭니다.
문서 읽기CLIP Save (CLIP 저장)
ComfyUI의 CLIPSave 노드에 대해 알아보세요. 이 노드는 프롬프트 및 추가 PNG 메타데이터와 같은 정보를 포함하여 CLIP 모델을 저장하도록 설계되었습니다. 모델의 상태를 직렬화하고 저장하는 기능을 포함하여 모델 구성 및 관련 창의적 프롬프트를 보존하고 공유할 수 있습니다.
문서 읽기Model Merge Add (모델 병합 추가)
ComfyUI의 ModelMergeAdd 노드에 대해 알아보세요. 이 노드는 한 모델에서 다른 모델로 주요 패치를 추가하여 두 모델을 병합하도록 설계되었습니다. 이 과정은 첫 번째 모델을 복제한 후 두 번째 모델에서 패치를 적용하여 두 모델의 기능이나 동작을 결합할 수 있게 합니다.
문서 읽기Model Merge Blocks (모델 병합 블록)
ComfyUI의 ModelMergeBlocks 노드에 대해 알아보세요. 이 노드는 고급 모델 병합 작업을 위해 설계되었으며, 모델의 다양한 부분에 대해 사용자 지정 가능한 블렌딩 비율을 통해 두 모델을 통합할 수 있습니다. 이 노드는 지정된 매개변수에 따라 두 소스 모델의 구성 요소를 선택적으로 병합하여 하이브리드 모델을 생성하는 데 도움을 줍니다.
문서 읽기Model Merge Simple (모델 병합 간단)
ComfyUI의 ModelMergeSimple 노드에 대해 알아보세요. 이 노드는 지정된 비율에 따라 두 모델의 매개변수를 혼합하여 병합하도록 설계되었습니다. 이 노드는 두 입력 모델의 강점이나 특성을 결합한 하이브리드 모델을 생성하는 데 도움을 줍니다.
문서 읽기Model Merge Subtract (모델 병합 빼기)
ComfyUI의 ModelMergeSubtract 노드에 대해 알아보세요. 이 노드는 고급 모델 병합 작업을 위해 설계되었으며, 특정 배수를 기반으로 한 모델의 매개변수를 다른 모델에서 빼는 기능을 제공합니다. 이는 한 모델의 매개변수가 다른 모델에 미치는 영향을 조정하여 새로운 하이브리드 모델을 생성할 수 있도록 모델 동작을 사용자 정의할 수 있게 합니다.
문서 읽기VAE Save (VAE 저장)
ComfyUI의 VAESave 노드에 대해 알아보세요. 이 노드는 VAE 모델과 그 메타데이터(프롬프트 및 추가 PNG 정보 포함)를 지정된 출력 디렉토리에 저장하도록 설계되었습니다. 모델 상태와 관련 정보를 파일로 직렬화하여 훈련된 모델의 보존 및 공유를 용이하게 합니다.
문서 읽기컨디셔닝
생성 프로세스 제어
Stable Zero 123 Conditioning (안정적 제로 123 조건)
ComfyUI의 StableZero123_Conditioning 노드에 대해 알아보세요. 이 노드는 StableZero123 모델에 맞춰 조건 정보를 처리하도록 설계되었습니다. 이 모델에 최적화된 특정 형식으로 입력을 준비하는 데 중점을 둡니다.
문서 읽기Stable Zero 123 Conditioning Batched (조건 배치)
ComfyUI의 StableZero123_Conditioning_Batched 노드에 대해 알아보세요. 이 노드는 StableZero123 모델에 맞춰 배치 방식으로 조건 정보를 처리하도록 설계되었습니다. 여러 세트의 조건 데이터를 동시에 효율적으로 처리하여 배치 처리가 중요한 시나리오에서 워크플로우를 최적화합니다.
문서 읽기CLIP Set Last Layer
ComfyUI에서 CLIP 모델의 특정 레이어를 마지막으로 설정하여 동작을 수정하는 CLIPSetLastLayer 노드에 대해 알아보세요. 이는 CLIP 모델 내에서 처리 깊이를 사용자 정의할 수 있게 하여, 처리되는 정보의 양을 제한함으로써 모델의 출력을 잠재적으로 영향을 미칠 수 있습니다.
문서 읽기CLIP Text Encode (Prompt) ｜CLIP 텍스트 인코드(프롬프트)
ComfyUI의 CLIPTextEncode 노드에 대해 알아보세요. 이 노드는 CLIP 모델을 사용하여 텍스트 입력을 인코딩하도록 설계되었으며, 텍스트를 생성 작업에서 조건부로 활용될 수 있는 형태로 변환합니다. 텍스트 토큰화 및 인코딩의 복잡성을 추상화하여, 텍스트 기반 조건 벡터를 생성하기 위한 간소화된 인터페이스를 제공합니다.
문서 읽기CLIP Vision Encode (CLIP 비전 인코드)
ComfyUI의 CLIPVisionEncode 노드에 대해 알아보세요. 이 노드는 CLIP 비전 모델을 사용하여 이미지를 인코딩하도록 설계되었으며, 시각적 입력을 추가 처리나 분석에 적합한 형식으로 변환합니다. 이미지 인코딩의 복잡성을 추상화하여, 이미지를 인코딩된 표현으로 변환하기 위한 간소화된 인터페이스를 제공합니다.
문서 읽기Conditioning Average ｜조건 평균
ComfyUI의 ConditioningAverage 노드에 대해 알아보세요. 이 노드는 두 세트의 조건 데이터를 혼합하여 지정된 강도에 따라 가중 평균을 적용하도록 설계되었습니다. 이 과정은 조건 영향의 동적 조정을 가능하게 하여 생성된 콘텐츠나 기능의 미세 조정을 촉진합니다.
문서 읽기Conditioning (Combine) ｜조건 결합
ComfyUI의 Conditioning(Combine) 노드에 대해 알아보세요. 이 노드는 두 세트의 조건 데이터를 병합하여 정보를 효과적으로 결합하도록 설계되었습니다. 조건 입력을 통합하기 위한 간단한 인터페이스를 제공하여 생성된 콘텐츠나 기능의 동적 조정을 가능하게 합니다.
문서 읽기Conditioning (Concat)
ComfyUI의 Conditioning(Concat) 노드에 대해 알아보세요. 이 노드는 'conditioning_from' 벡터를 'conditioning_to' 벡터에 병합하여 조건 벡터를 연결하는 데 사용됩니다. 조건 입력을 통합할 수 있는 간단한 인터페이스를 제공하여 생성된 콘텐츠나 기능을 동적으로 조정할 수 있습니다.
문서 읽기Conditioning (Set Area)｜조건 설정 영역
ComfyUI의 Conditioning(SetArea) 노드에 대해 알아보세요. 이 노드는 조건 컨텍스트 내에서 특정 영역을 설정하여 조건 정보를 수정하도록 설계되었습니다. 지정된 치수와 강도에 따라 조건 요소의 정밀한 공간 조작을 가능하게 하여 목표로 하는 조정 및 향상을 지원합니다.
문서 읽기Conditioning (Set Area with Percentage) ｜조건 영역 설정(백분율)
ComfyUI의 Conditioning(SetAreaWithPercentage) 노드에 대해 알아보세요. 이 노드는 조건 요소의 영향 영역을 백분율 값에 따라 조정하도록 설계되었습니다. 전체 이미지 크기의 백분율로 영역의 크기와 위치를 지정할 수 있으며, 조건 효과의 강도를 조절하는 강도 매개변수도 포함되어 있습니다.
문서 읽기Conditioning (Set Area Strength)
ComfyUI의 Conditioning(SetAreaStrength) 노드에 대해 알아보세요. 이 노드는 지정된 영역 내에서 조건 요소의 강도를 조정하도록 설계되었습니다. 전체 이미지 크기의 백분율로 영역의 크기와 위치를 지정할 수 있으며, 강도 매개변수를 통해 조건 효과의 강도를 조절할 수 있습니다.
문서 읽기Conditioning (Set Mask)｜컨디셔닝 (마스크 설정)
ComfyUI의 Conditioning(SetMask) 노드에 대해 알아보세요. 이 노드는 특정 영역에 지정된 강도로 마스크를 적용하여 컨디셔닝 정보를 수정하도록 설계되었습니다. 이를 통해 컨디셔닝 내에서 목표 조정이 가능하며, 생성 과정에 대한 보다 정밀한 제어가 가능합니다.
문서 읽기Apply ControlNet
ComfyUI의 ApplyControlNet 노드에 대해 알아보세요. 이 노드는 이미지와 컨트롤넷 모델을 기반으로 컨디셔닝 데이터에 컨트롤넷 변환을 적용하도록 설계되었습니다. 생성된 콘텐츠에 대한 컨트롤넷의 영향을 세밀하게 조정할 수 있어, 컨디셔닝에 대한 보다 정밀하고 다양한 수정이 가능합니다.
문서 읽기Apply ControlNet (Advanced)｜고급 ControlNet 적용
ComfyUI의 ApplyControlNet(Advanced) 노드에 대해 알아보세요. 이 노드는 이미지와 ControlNet 모델을 기반으로 조건 데이터에 고급 ControlNet 변환을 적용하도록 설계되었습니다. 생성된 콘텐츠에 대한 ControlNet의 영향을 세밀하게 조정할 수 있어, 조건에 대한 보다 정밀하고 다양한 수정이 가능합니다.
문서 읽기GLIGEN Text Box Apply (GLIGEN 텍스트 박스 적용)
Learn about the GLIGENTextBoxApply node in ComfyUI, which is designed for integrating text-based conditioning into a generative model's input, specifically by applying text box parameters and encoding them using a CLIP model. This process enriches the conditioning with spatial and textual information, facilitating more precise and context-aware generation. (ComfyUI의 GLIGENTextBoxApply 노드에 대해 알아보세요. 이 노드는 텍스트 기반 조건을 생성 모델의 입력에 통합하도록 설계되었으며, 특히 텍스트 박스 매개변수를 적용하고 CLIP 모델을 사용하여 이를 인코딩합니다. 이 과정은 공간적 및 텍스트 정보를 통해 조건을 풍부하게 하여 보다 정밀하고 맥락을 이해하는 생성이 가능하게 합니다.)
문서 읽기Inpaint Model Conditioning (인페인트 모델 컨디셔닝)
ComfyUI의 InpaintModelConditioning 노드에 대해 알아보세요. 이 노드는 인페인팅 모델을 위한 컨디셔닝 과정을 용이하게 하도록 설계되었으며, 다양한 컨디셔닝 입력을 통합하고 조작하여 인페인팅 출력을 맞춤화할 수 있게 합니다. 특정 모델 체크포인트를 로드하고 스타일 또는 컨트롤 넷 모델을 적용하며, 컨디셔닝 요소를 인코딩하고 결합하는 등 광범위한 기능을 포함하여 인페인팅 작업을 맞춤화하는 포괄적인 도구로 작용합니다.
문서 읽기Apply Style Model (스타일 모델 적용)
ComfyUI의 StyleModelApply 노드에 대해 알아보세요. 이 노드는 주어진 컨디셔닝에 스타일 모델을 적용하여 CLIP 비전 모델의 출력에 기반해 스타일을 향상시키거나 변경하도록 설계되었습니다. 스타일 모델의 컨디셔닝을 기존 컨디셔닝에 통합하여 생성 과정에서 스타일이 매끄럽게 혼합되도록 합니다.
문서 읽기unCLIP Conditioning (unCLIP 조건)
ComfyUI에서 unCLIPConditioning 노드에 대해 알아보세요. 이 노드는 CLIP 비전 출력을 조건화 프로세스에 통합하도록 설계되었으며, 지정된 강도 및 노이즈 증강 매개변수에 따라 이러한 출력의 영향을 조정합니다. 시각적 컨텍스트로 조건화를 풍부하게 하여 생성 프로세스를 향상시킵니다.
문서 읽기SD_4X Upscale Conditioning (SD_4X 업스케일 컨디셔닝)
ComfyUI의 SD_4XUpscale_Conditioning 노드에 대해 알아보세요. 이 노드는 4배 업스케일 과정을 통해 이미지의 해상도를 향상시키도록 설계되었으며, 출력 결과를 정제하기 위해 컨디셔닝 요소를 통합합니다. 확산 기법을 활용하여 이미지를 업스케일하며, 스케일 비율과 노이즈 증강을 조정하여 향상 과정을 미세 조정할 수 있습니다.
문서 읽기SVD img2vid Conditioning
ComfyUI에서 SVD_img2vid_Conditioning 노드에 대해 알아보세요. 이 노드는 SVD_img2vid 모델에 맞춰 비디오 생성 작업을 위한 조건 데이터를 생성하도록 설계되었습니다. 초기 이미지, 비디오 매개변수 및 VAE 모델을 포함한 다양한 입력을 받아 비디오 프레임 생성을 안내하는 조건 데이터를 생성합니다.
문서 읽기3D 모델
Stable Zero 123 Conditioning (안정적 제로 123 조건)
ComfyUI의 StableZero123_Conditioning 노드에 대해 알아보세요. 이 노드는 StableZero123 모델에 맞춰 조건 정보를 처리하도록 설계되었습니다. 이 모델에 최적화된 특정 형식으로 입력을 준비하는 데 중점을 둡니다.
문서 읽기Stable Zero 123 Conditioning Batched (조건 배치)
ComfyUI의 StableZero123_Conditioning_Batched 노드에 대해 알아보세요. 이 노드는 StableZero123 모델에 맞춰 배치 방식으로 조건 정보를 처리하도록 설계되었습니다. 여러 세트의 조건 데이터를 동시에 효율적으로 처리하여 배치 처리가 중요한 시나리오에서 워크플로우를 최적화합니다.
문서 읽기
이미지
이미지 처리 및 조작
Save Animated PNG｜애니메이션 PNG 저장
ComfyUI의 SaveAnimatedPNG 노드에 대해 알아보세요. 이 노드는 프레임 시퀀스로부터 애니메이션 PNG 이미지를 생성하고 저장하도록 설계되었습니다. 개별 이미지 프레임을 하나의 통합된 애니메이션으로 조립하며, 프레임 지속 시간, 반복, 메타데이터 포함을 사용자 정의할 수 있습니다.
문서 읽기Save Animated WEBP｜애니메이션 WEBP 저장
ComfyUI의 SaveAnimatedWEBP 노드에 대해 알아보세요. 이 노드는 이미지 시퀀스를 애니메이션 WEBP 파일로 저장하도록 설계되었습니다. 개별 프레임을 통합하여 일관된 애니메이션을 생성하고, 지정된 메타데이터를 적용하며, 품질 및 압축 설정에 따라 출력을 최적화합니다.
문서 읽기Image From Batch | 배치에서 이미지 추출
ComfyUI의 ImageFromBatch 노드에 대해 알아보세요. 이 노드는 제공된 인덱스와 길이에 따라 배치에서 특정 이미지 세그먼트를 추출하도록 설계되었습니다. 이를 통해 배치된 이미지에 대한 더 세밀한 제어가 가능하며, 더 큰 배치 내에서 개별 이미지 또는 이미지 하위 집합에 대한 작업을 수행할 수 있습니다.
문서 읽기Rebatch Images | 이미지 재배치
ComfyUI의 RebatchImages 노드에 대해 알아보세요. 이 노드는 이미지 배치를 새로운 배치 구성으로 재조직하며, 지정된 배치 크기로 조정합니다. 이 과정은 배치 작업에서 이미지 데이터를 효율적으로 처리하고 최적화하는 데 필수적이며, 이미지가 원하는 배치 크기에 따라 그룹화되어 효율적으로 처리될 수 있도록 합니다.
문서 읽기Repeat Image Batch
ComfyUI의 RepeatImageBatch 노드에 대해 알아보세요. 이 노드는 주어진 이미지를 지정된 횟수만큼 복제하여 동일한 이미지의 배치를 생성하도록 설계되었습니다. 이 기능은 배치 처리나 데이터 증강과 같은 작업에 여러 인스턴스의 동일한 이미지가 필요한 경우에 유용합니다.
문서 읽기Empty Image (빈 이미지)
ComfyUI의 EmptyImage 노드에 대해 알아보세요. 이 노드는 지정된 크기와 색상의 빈 이미지를 생성하도록 설계되었습니다. 이는 다양한 이미지 처리 작업에서 배경이나 플레이스홀더로 사용할 수 있는 균일한 색상의 이미지를 생성할 수 있게 해줍니다.
문서 읽기Image Batch (이미지 배치)
ComfyUI의 ImageBatch 노드에 대해 알아보세요. 이 노드는 두 개의 이미지를 하나의 배치로 결합하도록 설계되었습니다. 이미지의 크기가 일치하지 않으면, 결합하기 전에 두 번째 이미지를 첫 번째 이미지의 크기에 맞게 자동으로 조정합니다.
문서 읽기Image Composite Masked 이미지 합성 마스크
ComfyUI의 ImageCompositeMasked 노드에 대해 알아보세요. 이 노드는 이미지를 합성하여 소스 이미지를 지정된 좌표에 대상 이미지 위에 오버레이할 수 있도록 설계되었습니다. 선택적으로 크기 조정 및 마스킹도 가능합니다.
문서 읽기Invert Image (이미지 반전)
ComfyUI의 ImageInvert 노드에 대해 알아보세요. 이 노드는 이미지의 색상을 반전시키도록 설계되어 있으며, 각 픽셀의 색상 값을 색상 휠의 보색으로 변환합니다. 이 작업은 네거티브 이미지를 생성하거나 색상 반전이 필요한 시각 효과에 유용합니다.
문서 읽기이미지 외부 확장을 위한 패딩 (Image Pad For Outpainting)
ComfyUI의 ImagePadForOutpaint 노드에 대해 알아보세요. 이 노드는 이미지 외부 확장(outpainting) 과정을 위해 이미지 주변에 패딩을 추가하여 이미지를 준비하는 데 사용됩니다. 이는 이미지의 크기를 조정하여 외부 확장 알고리즘과의 호환성을 보장하고, 원래 경계를 넘어 확장된 이미지 영역을 생성할 수 있도록 합니다.
문서 읽기Load Image (이미지 불러오기)
ComfyUI의 LoadImage 노드에 대해 알아보세요. 이 노드는 지정된 경로에서 이미지를 불러오고 전처리하도록 설계되었습니다. 여러 프레임을 가진 이미지 형식을 처리하고, EXIF 데이터에 기반한 회전과 같은 필요한 변환을 적용하며, 픽셀 값을 정규화하고, 선택적으로 알파 채널이 있는 이미지에 대한 마스크를 생성합니다. 이 노드는 파이프라인 내에서 이미지를 추가 처리 또는 분석하기 위해 준비하는 데 필수적입니다.
문서 읽기이미지 블렌드 (Image Blend)
ComfyUI의 ImageBlend 노드에 대해 알아보세요. 이 노드는 지정된 블렌딩 모드와 블렌드 팩터를 기반으로 두 이미지를 혼합하도록 설계되었습니다. 일반, 곱하기, 스크린, 오버레이, 소프트 라이트, 차이와 같은 다양한 블렌딩 모드를 지원하여 다재다능한 이미지 조작 및 합성 기술을 제공합니다. 이 노드는 두 이미지 레이어 간의 시각적 상호작용을 조정하여 합성 이미지를 만드는 데 필수적입니다.
문서 읽기이미지 블러 (Image Blur)
ComfyUI의 ImageBlur 노드에 대해 알아보세요. 이 노드는 이미지에 가우시안 블러를 적용하여 가장자리를 부드럽게 하고 세부 사항과 노이즈를 줄이도록 설계되었습니다. 매개변수를 통해 블러의 강도와 확산을 제어할 수 있습니다.
문서 읽기Image Quantize | 이미지 양자화
ComfyUI의 ImageQuantize 노드에 대해 알아보세요. 이 노드는 이미지의 색상을 지정된 수로 줄이고, 시각적 품질을 유지하기 위해 디더링 기법을 선택적으로 적용하도록 설계되었습니다. 이 과정은 팔레트 기반 이미지를 생성하거나 특정 응용 프로그램을 위해 색상 복잡성을 줄이는 데 유용합니다.
문서 읽기Image Sharpen | 이미지 샤픈
ComfyUI의 ImageSharpen 노드에 대해 알아보세요. 이 노드는 이미지의 가장자리와 세부 사항을 강조하여 선명도를 향상시키도록 설계되었습니다. 이미지에 샤프닝 필터를 적용하며, 강도와 반경을 조절할 수 있어 이미지를 더욱 선명하고 뚜렷하게 만듭니다.
문서 읽기Canny 노드
ComfyUI의 Canny 노드에 대해 알아보세요. 이 노드는 이미지에서 가장자리를 감지하기 위해 설계되었으며, Canny 알고리즘을 사용하여 가장자리를 식별하고 강조합니다. 이 과정은 입력 이미지에 일련의 필터를 적용하여 높은 기울기 영역을 감지하고, 이는 가장자리에 해당하여 이미지의 구조적 세부 사항을 향상시킵니다.
문서 읽기Preview Image (미리보기 이미지)
ComfyUI의 PreviewImage 노드에 대해 알아보세요. 이 노드는 임시 미리보기 이미지를 생성하도록 설계되었습니다. 각 이미지에 대해 고유한 임시 파일 이름을 자동으로 생성하고, 지정된 수준으로 이미지를 압축하여 임시 디렉토리에 저장합니다. 이 기능은 원본 파일에 영향을 주지 않고 처리 중인 이미지의 미리보기를 생성하는 데 특히 유용합니다.
문서 읽기Save Image (이미지 저장)
ComfyUI의 SaveImage 노드에 대해 알아보세요. 이 노드는 이미지를 디스크에 저장하기 위해 설계되었습니다. 텐서에서 이미지 데이터를 적절한 이미지 형식으로 변환하고, 선택적인 메타데이터를 적용하며, 지정된 위치에 이미지를 쓰는 과정을 처리합니다. 또한, 설정 가능한 압축 수준을 지원합니다.
문서 읽기Image Crop (이미지 크롭)
ComfyUI의 ImageCrop 노드에 대해 알아보세요. 이 노드는 지정된 x 및 y 좌표에서 시작하여 특정 너비와 높이로 이미지를 자르기 위해 설계되었습니다. 이 기능은 이미지의 특정 영역에 집중하거나 특정 요구 사항에 맞게 이미지 크기를 조정하는 데 필수적입니다.
문서 읽기Upscale Image (이미지 업스케일)
ComfyUI의 ImageScale 노드에 대해 알아보세요. 이 노드는 이미지를 특정 크기로 조정하기 위해 설계되었으며, 다양한 업스케일 방법과 리사이즈된 이미지의 크롭 기능을 제공합니다. 이미지 업스케일링과 크롭의 복잡성을 추상화하여 사용자 정의 매개변수에 따라 이미지 크기를 수정할 수 있는 간단한 인터페이스를 제공합니다.
문서 읽기Image Scale By Node
ComfyUI의 ImageScaleBy 노드에 대해 알아보세요. 이 노드는 다양한 보간 방법을 사용하여 지정된 배율로 이미지를 업스케일링하도록 설계되었습니다. 이는 다양한 업스케일링 요구에 맞춰 이미지 크기를 유연하게 조정할 수 있게 해줍니다.
문서 읽기Image Scale To Total Pixels (이미지 총 픽셀 수로 스케일)
ComfyUI의 ImageScaleToTotalPixels 노드에 대해 알아보세요. 이 노드는 이미지의 종횡비를 유지하면서 지정된 총 픽셀 수로 이미지를 조정하도록 설계되었습니다. 원하는 픽셀 수를 달성하기 위해 다양한 업스케일링 방법을 제공합니다.
문서 읽기Image Upscale With Model 이미지 모델을 사용한 업스케일
ComfyUI의 ImageUpscaleWithModel 노드에 대해 알아보세요. 이 노드는 지정된 업스케일 모델을 사용하여 이미지를 업스케일링하도록 설계되었습니다. 적절한 장치로 이미지를 조정하고 메모리를 효율적으로 관리하며, 잠재적인 메모리 부족 오류를 방지하기 위해 타일 방식으로 업스케일 모델을 적용합니다.
문서 읽기잠재
잠재 공간 작업
Latent Upscale
ComfyUI의 LatentUpscale 노드에 대해 알아보세요. 이 노드는 이미지의 잠재 표현을 업스케일하도록 설계되었습니다. 출력 이미지의 크기와 업스케일 방법을 조정할 수 있어 잠재 이미지의 해상도를 유연하게 향상시킬 수 있습니다.
문서 읽기Empty Latent Image
ComfyUI의 EmptyLatentImage 노드에 대해 알아보세요. 이 노드는 지정된 크기와 배치 크기로 빈 잠재 공간 표현을 생성하도록 설계되었습니다. 이 노드는 잠재 공간에서 이미지를 생성하거나 조작하는 데 있어 기초적인 단계로, 추가적인 이미지 합성 또는 수정 과정을 위한 시작점을 제공합니다.
문서 읽기Latent Upscale By
ComfyUI의 LatentUpscaleBy 노드에 대해 알아보세요. 이 노드는 이미지의 잠재 표현을 지정된 스케일 팩터에 따라 업스케일하도록 설계되었습니다. 이 노드는 스케일 팩터와 업스케일 방법을 조정할 수 있어 잠재 샘플의 해상도를 유연하게 향상시킬 수 있습니다.
문서 읽기Latent Composite
ComfyUI의 LatentComposite 노드에 대해 알아보세요. 이 노드는 두 개의 잠재 표현을 하나의 출력으로 혼합하거나 병합하도록 설계되었습니다. 이 과정은 입력 잠재 표현의 특성을 제어된 방식으로 결합하여 합성 이미지나 기능을 생성하는 데 필수적입니다.
문서 읽기VAE Decode
ComfyUI의 VAEDecode 노드에 대해 알아보세요. 이 노드는 지정된 변분 오토인코더(VAE)를 사용하여 잠재 표현을 이미지로 디코딩하도록 설계되었습니다. 이는 압축된 데이터 표현에서 이미지를 생성하고, 잠재 공간 인코딩에서 이미지를 재구성하는 데 도움을 줍니다.
문서 읽기VAE Encode
ComfyUI의 VAEEncode 노드에 대해 알아보세요. 이 노드는 지정된 변분 오토인코더(VAE)를 사용하여 이미지를 잠재 공간 표현으로 인코딩하도록 설계되었습니다. 인코딩 과정의 복잡성을 추상화하여 이미지를 잠재 표현으로 변환하는 간단한 방법을 제공합니다.
문서 읽기Latent Composite Masked
ComfyUI의 LatentCompositeMasked 노드에 대해 알아보세요. 이 노드는 두 개의 잠재 표현을 지정된 좌표에서 혼합하도록 설계되었으며, 마스크를 사용하여 더 정교한 합성을 가능하게 합니다. 이 노드는 한 이미지의 일부를 다른 이미지 위에 겹쳐 복잡한 잠재 이미지를 생성할 수 있으며, 소스 이미지를 완벽하게 맞추기 위해 크기를 조정할 수 있습니다.
문서 읽기Latent Add (잠재적 추가)
ComfyUI의 LatentAdd 노드에 대해 알아보세요. 이 노드는 두 개의 잠재적 표현을 더하기 위해 설계되었습니다. 요소별 덧셈을 수행하여 이러한 표현에 인코딩된 특징이나 특성의 결합을 용이하게 합니다.
문서 읽기Latent Batch Seed Behavior (잠재 배치 시드 동작)
ComfyUI의 LatentBatchSeedBehavior 노드에 대해 알아보세요. 이 노드는 잠재 샘플 배치의 시드 동작을 수정하도록 설계되었습니다. 배치 전체에 걸쳐 시드를 무작위화하거나 고정할 수 있어, 생성 과정에서 변동성을 도입하거나 생성된 출력의 일관성을 유지할 수 있습니다.
문서 읽기Latent Interpolate (잠재적 보간)
ComfyUI의 LatentInterpolate 노드에 대해 알아보세요. 이 노드는 지정된 비율에 따라 두 세트의 잠재 샘플 간의 보간을 수행하도록 설계되었으며, 두 세트의 특성을 혼합하여 새로운 중간 잠재 샘플 세트를 생성합니다.
문서 읽기Latent Multiply (잠재적 곱셈)
ComfyUI의 LatentMultiply 노드에 대해 알아보세요. 이 노드는 샘플의 잠재적 표현을 지정된 배수로 확장하도록 설계되어, 생성된 콘텐츠의 미세 조정이나 주어진 잠재 방향 내에서의 변형 탐색을 가능하게 합니다.
문서 읽기Latent Subtract (잠재적 뺄셈)
ComfyUI의 LatentSubtract 노드에 대해 알아보세요. 이 노드는 한 잠재적 표현에서 다른 잠재적 표현을 빼기 위해 설계되었습니다. 이 작업은 한 잠재 공간에서 다른 잠재 공간으로 표현된 특징이나 속성을 효과적으로 제거하여 생성 모델의 출력 특성을 조작하거나 수정하는 데 사용할 수 있습니다.
문서 읽기Latent Batch (잠재 배치)
ComfyUI의 LatentBatch 노드에 대해 알아보세요. 이 노드는 두 세트의 잠재 샘플을 하나의 배치로 병합하도록 설계되었습니다. 병합 전에 한 세트를 다른 세트의 크기에 맞게 조정할 수 있습니다. 이 작업은 다양한 잠재 표현을 결합하여 추가 처리나 생성 작업을 용이하게 합니다.
문서 읽기Latent From Batch (배치에서 잠재 샘플 추출)
ComfyUI의 LatentFromBatch 노드에 대해 알아보세요. 이 노드는 지정된 배치 인덱스와 길이에 따라 주어진 배치에서 특정 잠재 샘플 하위 집합을 추출하도록 설계되었습니다. 이는 잠재 샘플의 선택적 처리를 가능하게 하여, 배치의 작은 세그먼트에 대한 효율적이거나 목표 지향적인 조작을 용이하게 합니다.
문서 읽기Rebatch Latents (리배치 잠재 표현)
ComfyUI의 RebatchLatents 노드에 대해 알아보세요. 이 노드는 지정된 배치 크기에 따라 잠재 표현의 배치를 새로운 구성으로 재조직하도록 설계되었습니다. 이는 잠재 샘플이 적절하게 그룹화되도록 하여, 차원과 크기의 변화를 처리하고 추가 처리나 모델 추론을 용이하게 합니다.
문서 읽기Repeat Latent Batch (반복 잠재 배치)
ComfyUI의 RepeatLatentBatch 노드에 대해 알아보세요. 이 노드는 주어진 잠재 표현 배치를 지정된 횟수만큼 복제하도록 설계되었습니다. 여기에는 노이즈 마스크나 배치 인덱스와 같은 추가 데이터가 포함될 수 있습니다. 이 기능은 데이터 증강이나 특정 생성 작업과 같이 동일한 잠재 데이터를 여러 번 사용하는 작업에 필수적입니다.
문서 읽기Set Latent Noise Mask (잠재 노이즈 마스크 설정)
ComfyUI의 SetLatentNoiseMask 노드에 대해 알아보세요. 이 노드는 잠재 샘플 세트에 노이즈 마스크를 적용하도록 설계되었습니다. 지정된 마스크를 통합하여 입력 샘플을 수정함으로써 노이즈 특성을 변경합니다.
문서 읽기VAE Encode (for Inpainting) | VAE 인코딩 (인페인팅용)
ComfyUI의 VAEEncodeForInpaint 노드에 대해 알아보세요. 이 노드는 이미지 인페인팅 작업에 적합한 잠재 표현으로 이미지를 인코딩하기 위해 설계되었으며, VAE 모델에 의해 최적의 인코딩을 위해 입력 이미지와 마스크를 조정하는 추가 전처리 단계를 포함합니다.
문서 읽기Crop Latent (잠재 자르기)
ComfyUI의 LatentCrop 노드에 대해 알아보세요. 이 노드는 이미지의 잠재 표현에서 자르기 작업을 수행하도록 설계되었습니다. 자르기 영역의 크기와 위치를 지정하여 잠재 공간의 목표 지향적 수정을 가능하게 합니다.
문서 읽기Flip Latent (잠재 뒤집기)
ComfyUI의 LatentFlip 노드에 대해 알아보세요. 이 노드는 잠재 표현을 수직 또는 수평으로 뒤집어 조작하도록 설계되었습니다. 이 작업은 잠재 공간을 변형하여 데이터 내에서 새로운 변형이나 관점을 발견할 수 있게 합니다.
문서 읽기Rotate Latent (잠재 회전)
ComfyUI의 LatentRotate 노드에 대해 알아보세요. 이 노드는 이미지의 잠재 표현을 지정된 각도로 회전하도록 설계되었습니다. 잠재 공간을 조작하여 회전 효과를 얻는 복잡성을 추상화하여 사용자가 생성 모델의 잠재 공간에서 이미지를 쉽게 변환할 수 있도록 합니다.
문서 읽기고급
Latent Add (잠재적 추가)
ComfyUI의 LatentAdd 노드에 대해 알아보세요. 이 노드는 두 개의 잠재적 표현을 더하기 위해 설계되었습니다. 요소별 덧셈을 수행하여 이러한 표현에 인코딩된 특징이나 특성의 결합을 용이하게 합니다.
문서 읽기Latent Batch Seed Behavior (잠재 배치 시드 동작)
ComfyUI의 LatentBatchSeedBehavior 노드에 대해 알아보세요. 이 노드는 잠재 샘플 배치의 시드 동작을 수정하도록 설계되었습니다. 배치 전체에 걸쳐 시드를 무작위화하거나 고정할 수 있어, 생성 과정에서 변동성을 도입하거나 생성된 출력의 일관성을 유지할 수 있습니다.
문서 읽기Latent Interpolate (잠재적 보간)
ComfyUI의 LatentInterpolate 노드에 대해 알아보세요. 이 노드는 지정된 비율에 따라 두 세트의 잠재 샘플 간의 보간을 수행하도록 설계되었으며, 두 세트의 특성을 혼합하여 새로운 중간 잠재 샘플 세트를 생성합니다.
문서 읽기Latent Multiply (잠재적 곱셈)
ComfyUI의 LatentMultiply 노드에 대해 알아보세요. 이 노드는 샘플의 잠재적 표현을 지정된 배수로 확장하도록 설계되어, 생성된 콘텐츠의 미세 조정이나 주어진 잠재 방향 내에서의 변형 탐색을 가능하게 합니다.
문서 읽기Latent Subtract (잠재적 뺄셈)
ComfyUI의 LatentSubtract 노드에 대해 알아보세요. 이 노드는 한 잠재적 표현에서 다른 잠재적 표현을 빼기 위해 설계되었습니다. 이 작업은 한 잠재 공간에서 다른 잠재 공간으로 표현된 특징이나 속성을 효과적으로 제거하여 생성 모델의 출력 특성을 조작하거나 수정하는 데 사용할 수 있습니다.
문서 읽기배치
Latent Batch (잠재 배치)
ComfyUI의 LatentBatch 노드에 대해 알아보세요. 이 노드는 두 세트의 잠재 샘플을 하나의 배치로 병합하도록 설계되었습니다. 병합 전에 한 세트를 다른 세트의 크기에 맞게 조정할 수 있습니다. 이 작업은 다양한 잠재 표현을 결합하여 추가 처리나 생성 작업을 용이하게 합니다.
문서 읽기Latent From Batch (배치에서 잠재 샘플 추출)
ComfyUI의 LatentFromBatch 노드에 대해 알아보세요. 이 노드는 지정된 배치 인덱스와 길이에 따라 주어진 배치에서 특정 잠재 샘플 하위 집합을 추출하도록 설계되었습니다. 이는 잠재 샘플의 선택적 처리를 가능하게 하여, 배치의 작은 세그먼트에 대한 효율적이거나 목표 지향적인 조작을 용이하게 합니다.
문서 읽기Rebatch Latents (리배치 잠재 표현)
ComfyUI의 RebatchLatents 노드에 대해 알아보세요. 이 노드는 지정된 배치 크기에 따라 잠재 표현의 배치를 새로운 구성으로 재조직하도록 설계되었습니다. 이는 잠재 샘플이 적절하게 그룹화되도록 하여, 차원과 크기의 변화를 처리하고 추가 처리나 모델 추론을 용이하게 합니다.
문서 읽기Repeat Latent Batch (반복 잠재 배치)
ComfyUI의 RepeatLatentBatch 노드에 대해 알아보세요. 이 노드는 주어진 잠재 표현 배치를 지정된 횟수만큼 복제하도록 설계되었습니다. 여기에는 노이즈 마스크나 배치 인덱스와 같은 추가 데이터가 포함될 수 있습니다. 이 기능은 데이터 증강이나 특정 생성 작업과 같이 동일한 잠재 데이터를 여러 번 사용하는 작업에 필수적입니다.
문서 읽기인페인트
Set Latent Noise Mask (잠재 노이즈 마스크 설정)
ComfyUI의 SetLatentNoiseMask 노드에 대해 알아보세요. 이 노드는 잠재 샘플 세트에 노이즈 마스크를 적용하도록 설계되었습니다. 지정된 마스크를 통합하여 입력 샘플을 수정함으로써 노이즈 특성을 변경합니다.
문서 읽기VAE Encode (for Inpainting) | VAE 인코딩 (인페인팅용)
ComfyUI의 VAEEncodeForInpaint 노드에 대해 알아보세요. 이 노드는 이미지 인페인팅 작업에 적합한 잠재 표현으로 이미지를 인코딩하기 위해 설계되었으며, VAE 모델에 의해 최적의 인코딩을 위해 입력 이미지와 마스크를 조정하는 추가 전처리 단계를 포함합니다.
문서 읽기변환
Crop Latent (잠재 자르기)
ComfyUI의 LatentCrop 노드에 대해 알아보세요. 이 노드는 이미지의 잠재 표현에서 자르기 작업을 수행하도록 설계되었습니다. 자르기 영역의 크기와 위치를 지정하여 잠재 공간의 목표 지향적 수정을 가능하게 합니다.
문서 읽기Flip Latent (잠재 뒤집기)
ComfyUI의 LatentFlip 노드에 대해 알아보세요. 이 노드는 잠재 표현을 수직 또는 수평으로 뒤집어 조작하도록 설계되었습니다. 이 작업은 잠재 공간을 변형하여 데이터 내에서 새로운 변형이나 관점을 발견할 수 있게 합니다.
문서 읽기Rotate Latent (잠재 회전)
ComfyUI의 LatentRotate 노드에 대해 알아보세요. 이 노드는 이미지의 잠재 표현을 지정된 각도로 회전하도록 설계되었습니다. 잠재 공간을 조작하여 회전 효과를 얻는 복잡성을 추상화하여 사용자가 생성 모델의 잠재 공간에서 이미지를 쉽게 변환할 수 있도록 합니다.
문서 읽기로더
다양한 모델 및 리소스 로드
Checkpoint Loader (Simple) | 체크포인트 로더 (간단)
ComfyUI의 CheckpointLoaderSimple 노드에 대해 알아보세요. 이 노드는 설정을 지정할 필요 없이 모델 체크포인트를 로드하도록 설계되었습니다. 체크포인트 이름만 필요로 하여, 설정 세부 사항에 익숙하지 않은 사용자에게 더 쉽게 접근할 수 있도록 합니다.
문서 읽기CLIP Vision Loader | CLIP 비전 로더
ComfyUI의 CLIPVisionLoader 노드에 대해 알아보세요. 이 노드는 지정된 경로에서 CLIP Vision 모델을 로드하도록 설계되었습니다. CLIP Vision 모델의 위치 지정 및 초기화의 복잡성을 추상화하여, 추가 처리나 추론 작업에 쉽게 사용할 수 있도록 합니다.
문서 읽기ControlNet Loader | 컨트롤넷 로더
ComfyUI의 ControlNetLoader 노드에 대해 알아보세요. 이 노드는 지정된 경로에서 ControlNet 모델을 로드하도록 설계되었습니다. ControlNet 모델의 위치 지정 및 초기화의 복잡성을 추상화하여, 추가 처리나 추론 작업에 쉽게 사용할 수 있도록 합니다.
문서 읽기Diff ControlNet Loader | 차등 컨트롤넷 로더
ComfyUI의 DiffControlNetLoader 노드에 대해 알아보세요. 이 노드는 지정된 경로에서 차등 컨트롤넷을 로드하도록 설계되었습니다. 차등 컨트롤넷의 위치 지정 및 초기화의 복잡성을 추상화하여, 추가 처리나 추론 작업에 쉽게 사용할 수 있도록 합니다.
문서 읽기GLIGEN Loader | GLIGEN 로더
ComfyUI의 GLIGENLoader 노드에 대해 알아보세요. 이 노드는 지정된 경로에서 GLIGEN 모델을 로드하도록 설계되었습니다. GLIGEN 모델의 위치 지정 및 초기화의 복잡성을 추상화하여, 추가 처리나 추론 작업에 쉽게 사용할 수 있도록 합니다.
문서 읽기Hypernetwork Loader | 하이퍼네트워크 로더
ComfyUI의 HypernetworkLoader 노드에 대해 알아보세요. 이 노드는 지정된 경로에서 하이퍼네트워크를 로드하도록 설계되었습니다. 하이퍼네트워크의 위치 지정 및 초기화의 복잡성을 추상화하여, 추가 처리나 추론 작업에 쉽게 사용할 수 있도록 합니다.
문서 읽기Lora Loader
이 노드는 지정된 강도와 LoRA 파일 이름에 따라 모델과 CLIP 인스턴스에 LoRA(저랭크 적응) 조정을 동적으로 로드하고 적용하도록 설계되었습니다. 이는 원래 모델 가중치를 직접 변경하지 않고 미세 조정을 적용하여 사전 훈련된 모델을 맞춤화함으로써 더 유연하고 특정한 모델 동작 수정을 가능하게 합니다.
문서 읽기Lora Loader Model Only | 로라 로더 모델 온리
ComfyUI의 LoraLoaderModelOnly 노드에 대해 알아보세요. 이 노드는 CLIP 모델 없이 LoRA 모델을 로드하도록 설계되었으며, LoRA 매개변수를 기반으로 주어진 모델을 향상시키거나 수정하는 데 중점을 둡니다. LoRA 매개변수를 통해 모델의 강도를 동적으로 조정할 수 있어, 모델의 동작을 세밀하게 제어할 수 있습니다.
문서 읽기Style Model Loader | 스타일 모델 로더
ComfyUI의 StyleModelLoader 노드에 대해 알아보세요. 이 노드는 지정된 경로에서 스타일 모델을 로드하도록 설계되었습니다. 스타일 모델의 위치 지정 및 초기화의 복잡성을 추상화하여, 추가 처리나 추론 작업에 쉽게 사용할 수 있도록 합니다.
문서 읽기unCLIP 체크포인트 로더
ComfyUI의 unCLIPCheckpointLoader 노드에 대해 알아보세요. 이 노드는 unCLIP 모델에 맞춰진 체크포인트를 로드하도록 설계되었습니다. 지정된 체크포인트에서 모델, CLIP 비전 모듈 및 VAE를 검색하고 초기화하여, 추가 작업이나 분석을 위한 설정 과정을 간소화합니다.
문서 읽기Load Upscale Model | 업스케일 모델 로드
ComfyUI의 UpscaleModelLoader 노드에 대해 알아보세요. 이 노드는 지정된 경로에서 업스케일 모델을 로드하도록 설계되었습니다. 업스케일 모델의 위치를 찾고 초기화하는 복잡성을 추상화하여 추가 처리나 추론 작업에 쉽게 사용할 수 있도록 합니다.
문서 읽기VAELoader | VAE 로더
ComfyUI의 VAELoader 노드에 대해 알아보세요. 이 노드는 Variational Autoencoder (VAE) 모델을 로드하도록 설계되었으며, 표준 VAE와 근사 VAE 모두를 처리할 수 있도록 특별히 조정되었습니다. 'taesd' 및 'taesdxl' 모델에 대한 특수 처리를 포함하여 VAE의 특정 구성에 따라 동적으로 조정됩니다.
문서 읽기Image Only Checkpoint Loader (img2vid model) | 이미지 전용 체크포인트 로더 (img2vid 모델)
ComfyUI의 ImageOnlyCheckpointLoader 노드에 대해 알아보세요. 이 노드는 비디오 생성 워크플로우 내에서 이미지 기반 모델을 위한 체크포인트를 로드하도록 설계되었습니다. 주어진 체크포인트에서 필요한 구성 요소를 효율적으로 검색하고 구성하며, 모델의 이미지 관련 측면에 중점을 둡니다.
문서 읽기
마스크
마스크 생성 및 조작
이미지와 알파 결합 | Join Image with Alpha
문서 읽기Porter-Duff 이미지 합성
PorterDuffImageComposite 노드는 Porter-Duff 합성 연산자를 사용하여 이미지 합성을 수행하도록 설계되었습니다. 다양한 블렌딩 모드에 따라 소스 이미지와 대상 이미지를 결합할 수 있으며, 이미지 투명성을 조작하고 창의적인 방식으로 이미지를 겹쳐 복잡한 시각적 효과를 생성할 수 있습니다.
문서 읽기Split Image with Alpha | 알파와 이미지 분리
SplitImageWithAlpha 노드는 이미지의 색상과 알파 구성 요소를 분리하도록 설계되었습니다. 입력 이미지 텐서를 처리하여 RGB 채널을 색상 구성 요소로, 알파 채널을 투명성 구성 요소로 추출하여 이러한 개별 이미지 측면을 조작하는 작업을 용이하게 합니다.
문서 읽기Crop Mask | 크롭 마스크
CropMask 노드는 주어진 마스크에서 특정 영역을 잘라내도록 설계되었습니다. 사용자는 좌표와 크기를 지정하여 관심 영역을 정의할 수 있으며, 이를 통해 마스크의 일부를 효과적으로 추출하여 추가 처리나 분석에 사용할 수 있습니다.
문서 읽기Feather Mask | 페더 마스크
FeatherMask 노드는 주어진 마스크의 가장자리에 페더링 효과를 적용하도록 설계되었습니다. 각 가장자리로부터 지정된 거리 기반으로 불투명도를 조정하여 마스크의 가장자리를 부드럽게 전환합니다. 이를 통해 더 부드럽고 혼합된 가장자리 효과를 생성합니다.
문서 읽기Grow Mask | 마스크 확장
GrowMask 노드는 주어진 마스크의 크기를 조정하도록 설계되었습니다. 마스크를 확장하거나 축소할 수 있으며, 선택적으로 모서리에 테이퍼 효과를 적용할 수 있습니다. 이 기능은 이미지 처리 작업에서 마스크 경계를 동적으로 조정하는 데 필수적이며, 관심 영역에 대한 보다 유연하고 정밀한 제어를 가능하게 합니다.
문서 읽기Image Color To Mask | 이미지 색상 마스크로 변환
ImageColorToMask 노드는 이미지에서 지정된 색상을 마스크로 변환하도록 설계되었습니다. 이미지를 처리하고 목표 색상을 지정하여, 해당 색상이 강조된 마스크를 생성함으로써 색상 기반 분할이나 객체 분리를 용이하게 합니다.
문서 읽기Image To Mask | 이미지에서 마스크로 변환
ImageToMask 노드는 지정된 색상 채널을 기반으로 이미지를 마스크로 변환하도록 설계되었습니다. 이 노드는 이미지의 빨강, 초록, 파랑 또는 알파 채널에 해당하는 마스크 레이어를 추출하여 채널별 마스킹이나 처리가 필요한 작업을 용이하게 합니다.
문서 읽기Invert Mask | 마스크 반전
InvertMask 노드는 주어진 마스크의 값을 반전시켜, 마스크된 영역과 비마스크된 영역을 효과적으로 뒤집도록 설계되었습니다. 이 작업은 관심 초점이 전경과 배경 사이에서 전환되어야 하는 이미지 처리 작업에서 기본적입니다.
문서 읽기Load Image (as Mask) | 이미지 로드 (마스크로)
LoadImageMask 노드는 지정된 경로에서 이미지와 관련된 마스크를 로드하도록 설계되었습니다. 이 노드는 다양한 이미지 형식과 조건, 예를 들어 마스크를 위한 알파 채널의 존재 여부를 처리하여, 이미지 조작이나 분석 작업과의 호환성을 보장하기 위해 이미지를 표준 형식으로 변환하여 준비합니다.
문서 읽기Mask Composite | 마스크 합성
MaskComposite 노드는 두 개의 마스크 입력을 더하기, 빼기 및 논리 연산과 같은 다양한 작업을 통해 결합하여 새로운 수정된 마스크를 생성하도록 설계되었습니다. 이 노드는 복잡한 마스킹 효과를 달성하기 위해 마스크 데이터를 추상적으로 처리하며, 마스크 기반 이미지 편집 및 처리 워크플로우에서 중요한 구성 요소로 작용합니다.
문서 읽기Mask To Image | 마스크를 이미지로 변환
MaskToImage 노드는 마스크를 이미지 형식으로 변환하도록 설계되었습니다. 이 변환은 마스크를 이미지로 시각화하고 추가 처리를 가능하게 하여, 마스크 기반 작업과 이미지 기반 응용 프로그램 간의 다리를 제공합니다.
문서 읽기Solid Mask
SolidMask 노드는 전체 영역에 걸쳐 지정된 값으로 균일한 마스크를 생성합니다. 이는 특정 차원과 강도의 마스크를 생성하도록 설계되어 다양한 이미지 처리 및 마스킹 작업에 유용합니다.
문서 읽기합성
이미지와 알파 결합 | Join Image with Alpha
문서 읽기Porter-Duff 이미지 합성
PorterDuffImageComposite 노드는 Porter-Duff 합성 연산자를 사용하여 이미지 합성을 수행하도록 설계되었습니다. 다양한 블렌딩 모드에 따라 소스 이미지와 대상 이미지를 결합할 수 있으며, 이미지 투명성을 조작하고 창의적인 방식으로 이미지를 겹쳐 복잡한 시각적 효과를 생성할 수 있습니다.
문서 읽기Split Image with Alpha | 알파와 이미지 분리
SplitImageWithAlpha 노드는 이미지의 색상과 알파 구성 요소를 분리하도록 설계되었습니다. 입력 이미지 텐서를 처리하여 RGB 채널을 색상 구성 요소로, 알파 채널을 투명성 구성 요소로 추출하여 이러한 개별 이미지 측면을 조작하는 작업을 용이하게 합니다.
문서 읽기샘플링
Stable Diffusion에서 샘플러의 역할은 주어진 노이즈 이미지(잠재 공간 이미지)를 반복적으로 노이즈 제거하여 선명한 이미지를 생성하는 것입니다. 이 과정은 반복 단계를 통해 수행되며, 각 단계에서 이미지가 선명해지고 원하는 품질이 달성되거나 설정된 반복 횟수에 도달할 때까지 계속됩니다.
SamplerCustom
SamplerCustom 노드는 다양한 응용 프로그램을 위한 유연하고 맞춤화된 샘플링 메커니즘을 제공하도록 설계되었습니다. 사용자가 특정 요구에 맞춘 다양한 샘플링 전략을 선택하고 구성할 수 있게 하여 샘플링 프로세스의 적응성과 효율성을 향상시킵니다.
문서 읽기KSampler Select | K샘플러 선택
KSamplerSelect 노드는 제공된 샘플러 이름에 따라 특정 샘플러를 선택하도록 설계되었습니다. 이는 샘플러 선택의 복잡성을 추상화하여 사용자가 다양한 샘플링 전략을 쉽게 전환할 수 있도록 합니다.
문서 읽기Sampler DPMPP_2M_SDE | 샘플러 DPMPP_2M_SDE
SamplerDPMPP_2M_SDE 노드는 DPMPP_2M_SDE 모델을 위한 샘플러를 생성하도록 설계되었습니다. 이는 지정된 솔버 유형, 노이즈 레벨 및 계산 장치 선호도에 따라 샘플을 생성할 수 있게 합니다. 샘플러 설정의 복잡성을 추상화하여 사용자에게 맞춤형 설정으로 샘플을 생성할 수 있는 간편한 인터페이스를 제공합니다.
문서 읽기Sampler DPMPP_SDE | 샘플러 DPMPP_SDE
SamplerDPMPP_SDE 노드는 DPMPP_SDE 모델을 위한 샘플러를 생성하도록 설계되었습니다. 이는 지정된 솔버 유형, 노이즈 수준 및 계산 장치 선호도에 따라 샘플을 생성할 수 있게 합니다. 샘플러 설정의 복잡성을 추상화하여 사용자에게 맞춤형 설정으로 샘플을 생성할 수 있는 간편한 인터페이스를 제공합니다.
문서 읽기Basic Scheduler | 기본 스케줄러
BasicScheduler 노드는 제공된 스케줄러, 모델 및 디노이즈 매개변수를 기반으로 확산 모델을 위한 시그마 값의 시퀀스를 계산하도록 설계되었습니다. 디노이즈 계수를 기반으로 총 단계 수를 동적으로 조정하여 확산 과정을 미세 조정합니다.
문서 읽기Exponential Scheduler | 지수 스케줄러
ExponentialScheduler 노드는 확산 샘플링 과정에서 지수 스케줄을 따르는 시그마 값의 시퀀스를 생성하도록 설계되었습니다. 이는 확산 과정의 각 단계에서 적용되는 노이즈 수준을 제어할 수 있는 맞춤형 접근 방식을 제공하여 샘플링 동작을 세밀하게 조정할 수 있게 합니다.
문서 읽기KarrasScheduler | Karras 스케줄러
KarrasScheduler 노드는 Karras et al. (2022) 노이즈 스케줄을 기반으로 노이즈 레벨(시그마)의 시퀀스를 생성하도록 설계되었습니다. 이 스케줄러는 생성 모델에서 확산 과정을 제어하는 데 유용하며, 생성 과정의 각 단계에서 적용되는 노이즈 레벨을 세밀하게 조정할 수 있게 합니다.
문서 읽기Polyexponential Scheduler | 폴리익스포넨셜 스케줄러
PolyexponentialScheduler 노드는 폴리익스포넨셜 노이즈 스케줄을 기반으로 시그마(σ) 값의 시퀀스를 생성하도록 설계되었습니다. 이 스케줄은 시그마의 로그에 대한 다항식 함수로, 확산 과정에서 노이즈 레벨의 유연하고 맞춤형 진행을 가능하게 합니다.
문서 읽기SD Turbo Scheduler | SD 터보 스케줄러
SDTurboScheduler 노드는 이미지 샘플링을 위한 시그마 값의 시퀀스를 생성하도록 설계되었습니다. 이는 지정된 디노이즈 수준과 단계 수에 따라 시퀀스를 조정합니다. 특정 모델의 샘플링 기능을 활용하여 이러한 시그마 값을 생성하며, 이는 이미지 생성 중 디노이즈 과정을 제어하는 데 필수적입니다.
문서 읽기VP Scheduler｜VP 스케줄러
VPScheduler 노드는 Variance Preserving (VP) 스케줄링 방법에 기반하여 노이즈 레벨(시그마)의 시퀀스를 생성하도록 설계되었습니다. 이 시퀀스는 확산 모델에서 디노이징 과정을 안내하는 데 필수적이며, 이미지나 다른 데이터 유형의 제어된 생성을 가능하게 합니다.
문서 읽기Flip Sigmas | 시그마 뒤집기
FlipSigmas 노드는 확산 모델에서 사용되는 시그마 값의 순서를 뒤집고, 첫 번째 값이 원래 0인 경우 0이 아닌 값으로 보장하여 시그마 값의 시퀀스를 조작하도록 설계되었습니다. 이 작업은 노이즈 레벨을 역순으로 조정하여 데이터를 점진적으로 감소시키는 모델의 생성 과정을 용이하게 하는 데 필수적입니다.
문서 읽기Split Sigmas | 시그마 분할
SplitSigmas 노드는 지정된 단계에 따라 시그마 값의 시퀀스를 두 부분으로 나누도록 설계되었습니다. 이 기능은 시그마 시퀀스의 초기 및 후속 부분을 다르게 처리하거나 조작해야 하는 작업에 필수적이며, 이러한 값을 보다 유연하고 목표 지향적으로 조작할 수 있게 합니다.
문서 읽기KSampler | K샘플러
KSampler 노드는 다양한 응용 프로그램을 위한 기본 샘플링 메커니즘을 제공하도록 설계되었습니다. 사용자가 특정 요구에 맞춘 다양한 샘플링 전략을 선택하고 구성할 수 있게 하여 샘플링 프로세스의 적응성과 효율성을 향상시킵니다.
문서 읽기KSampler (Advanced) | K샘플러 (고급)
KSamplerAdvanced 노드는 샘플링 프로세스를 향상시키기 위해 고급 설정과 기술을 제공합니다. 이는 모델로부터 샘플을 생성하는 데 있어 더 정교한 옵션을 제공하여 기본 KSampler 기능을 개선하는 것을 목표로 합니다.
문서 읽기Sampler | 샘플러
Sampler 노드는 다양한 응용 프로그램을 위한 기본 샘플링 메커니즘을 제공하도록 설계되었습니다. 사용자가 특정 요구에 맞춘 다양한 샘플링 전략을 선택하고 구성할 수 있게 하여 샘플링 프로세스의 적응성과 효율성을 향상시킵니다.
문서 읽기Video Linear CFG Guidance | 비디오 선형 CFG 가이드
VideoLinearCFGGuidance 노드는 비디오 모델에 선형 조건 가이드 스케일을 적용하여, 조건부 및 비조건부 구성 요소의 영향을 지정된 범위 내에서 조정합니다. 이를 통해 생성 프로세스에 대한 동적 제어가 가능하며, 원하는 조건 수준에 따라 모델의 출력을 미세 조정할 수 있습니다.
문서 읽기커스텀 샘플링
SamplerCustom
SamplerCustom 노드는 다양한 응용 프로그램을 위한 유연하고 맞춤화된 샘플링 메커니즘을 제공하도록 설계되었습니다. 사용자가 특정 요구에 맞춘 다양한 샘플링 전략을 선택하고 구성할 수 있게 하여 샘플링 프로세스의 적응성과 효율성을 향상시킵니다.
문서 읽기KSampler Select | K샘플러 선택
KSamplerSelect 노드는 제공된 샘플러 이름에 따라 특정 샘플러를 선택하도록 설계되었습니다. 이는 샘플러 선택의 복잡성을 추상화하여 사용자가 다양한 샘플링 전략을 쉽게 전환할 수 있도록 합니다.
문서 읽기Sampler DPMPP_2M_SDE | 샘플러 DPMPP_2M_SDE
SamplerDPMPP_2M_SDE 노드는 DPMPP_2M_SDE 모델을 위한 샘플러를 생성하도록 설계되었습니다. 이는 지정된 솔버 유형, 노이즈 레벨 및 계산 장치 선호도에 따라 샘플을 생성할 수 있게 합니다. 샘플러 설정의 복잡성을 추상화하여 사용자에게 맞춤형 설정으로 샘플을 생성할 수 있는 간편한 인터페이스를 제공합니다.
문서 읽기Sampler DPMPP_SDE | 샘플러 DPMPP_SDE
SamplerDPMPP_SDE 노드는 DPMPP_SDE 모델을 위한 샘플러를 생성하도록 설계되었습니다. 이는 지정된 솔버 유형, 노이즈 수준 및 계산 장치 선호도에 따라 샘플을 생성할 수 있게 합니다. 샘플러 설정의 복잡성을 추상화하여 사용자에게 맞춤형 설정으로 샘플을 생성할 수 있는 간편한 인터페이스를 제공합니다.
문서 읽기Basic Scheduler | 기본 스케줄러
BasicScheduler 노드는 제공된 스케줄러, 모델 및 디노이즈 매개변수를 기반으로 확산 모델을 위한 시그마 값의 시퀀스를 계산하도록 설계되었습니다. 디노이즈 계수를 기반으로 총 단계 수를 동적으로 조정하여 확산 과정을 미세 조정합니다.
문서 읽기Exponential Scheduler | 지수 스케줄러
ExponentialScheduler 노드는 확산 샘플링 과정에서 지수 스케줄을 따르는 시그마 값의 시퀀스를 생성하도록 설계되었습니다. 이는 확산 과정의 각 단계에서 적용되는 노이즈 수준을 제어할 수 있는 맞춤형 접근 방식을 제공하여 샘플링 동작을 세밀하게 조정할 수 있게 합니다.
문서 읽기KarrasScheduler | Karras 스케줄러
KarrasScheduler 노드는 Karras et al. (2022) 노이즈 스케줄을 기반으로 노이즈 레벨(시그마)의 시퀀스를 생성하도록 설계되었습니다. 이 스케줄러는 생성 모델에서 확산 과정을 제어하는 데 유용하며, 생성 과정의 각 단계에서 적용되는 노이즈 레벨을 세밀하게 조정할 수 있게 합니다.
문서 읽기Polyexponential Scheduler | 폴리익스포넨셜 스케줄러
PolyexponentialScheduler 노드는 폴리익스포넨셜 노이즈 스케줄을 기반으로 시그마(σ) 값의 시퀀스를 생성하도록 설계되었습니다. 이 스케줄은 시그마의 로그에 대한 다항식 함수로, 확산 과정에서 노이즈 레벨의 유연하고 맞춤형 진행을 가능하게 합니다.
문서 읽기SD Turbo Scheduler | SD 터보 스케줄러
SDTurboScheduler 노드는 이미지 샘플링을 위한 시그마 값의 시퀀스를 생성하도록 설계되었습니다. 이는 지정된 디노이즈 수준과 단계 수에 따라 시퀀스를 조정합니다. 특정 모델의 샘플링 기능을 활용하여 이러한 시그마 값을 생성하며, 이는 이미지 생성 중 디노이즈 과정을 제어하는 데 필수적입니다.
문서 읽기VP Scheduler｜VP 스케줄러
VPScheduler 노드는 Variance Preserving (VP) 스케줄링 방법에 기반하여 노이즈 레벨(시그마)의 시퀀스를 생성하도록 설계되었습니다. 이 시퀀스는 확산 모델에서 디노이징 과정을 안내하는 데 필수적이며, 이미지나 다른 데이터 유형의 제어된 생성을 가능하게 합니다.
문서 읽기Flip Sigmas | 시그마 뒤집기
FlipSigmas 노드는 확산 모델에서 사용되는 시그마 값의 순서를 뒤집고, 첫 번째 값이 원래 0인 경우 0이 아닌 값으로 보장하여 시그마 값의 시퀀스를 조작하도록 설계되었습니다. 이 작업은 노이즈 레벨을 역순으로 조정하여 데이터를 점진적으로 감소시키는 모델의 생성 과정을 용이하게 하는 데 필수적입니다.
문서 읽기Split Sigmas | 시그마 분할
SplitSigmas 노드는 지정된 단계에 따라 시그마 값의 시퀀스를 두 부분으로 나누도록 설계되었습니다. 이 기능은 시그마 시퀀스의 초기 및 후속 부분을 다르게 처리하거나 조작해야 하는 작업에 필수적이며, 이러한 값을 보다 유연하고 목표 지향적으로 조작할 수 있게 합니다.
문서 읽기샘플러
KSampler Select | K샘플러 선택
KSamplerSelect 노드는 제공된 샘플러 이름에 따라 특정 샘플러를 선택하도록 설계되었습니다. 이는 샘플러 선택의 복잡성을 추상화하여 사용자가 다양한 샘플링 전략을 쉽게 전환할 수 있도록 합니다.
문서 읽기Sampler DPMPP_2M_SDE | 샘플러 DPMPP_2M_SDE
SamplerDPMPP_2M_SDE 노드는 DPMPP_2M_SDE 모델을 위한 샘플러를 생성하도록 설계되었습니다. 이는 지정된 솔버 유형, 노이즈 레벨 및 계산 장치 선호도에 따라 샘플을 생성할 수 있게 합니다. 샘플러 설정의 복잡성을 추상화하여 사용자에게 맞춤형 설정으로 샘플을 생성할 수 있는 간편한 인터페이스를 제공합니다.
문서 읽기Sampler DPMPP_SDE | 샘플러 DPMPP_SDE
SamplerDPMPP_SDE 노드는 DPMPP_SDE 모델을 위한 샘플러를 생성하도록 설계되었습니다. 이는 지정된 솔버 유형, 노이즈 수준 및 계산 장치 선호도에 따라 샘플을 생성할 수 있게 합니다. 샘플러 설정의 복잡성을 추상화하여 사용자에게 맞춤형 설정으로 샘플을 생성할 수 있는 간편한 인터페이스를 제공합니다.
문서 읽기스케줄러
Basic Scheduler | 기본 스케줄러
BasicScheduler 노드는 제공된 스케줄러, 모델 및 디노이즈 매개변수를 기반으로 확산 모델을 위한 시그마 값의 시퀀스를 계산하도록 설계되었습니다. 디노이즈 계수를 기반으로 총 단계 수를 동적으로 조정하여 확산 과정을 미세 조정합니다.
문서 읽기Exponential Scheduler | 지수 스케줄러
ExponentialScheduler 노드는 확산 샘플링 과정에서 지수 스케줄을 따르는 시그마 값의 시퀀스를 생성하도록 설계되었습니다. 이는 확산 과정의 각 단계에서 적용되는 노이즈 수준을 제어할 수 있는 맞춤형 접근 방식을 제공하여 샘플링 동작을 세밀하게 조정할 수 있게 합니다.
문서 읽기KarrasScheduler | Karras 스케줄러
KarrasScheduler 노드는 Karras et al. (2022) 노이즈 스케줄을 기반으로 노이즈 레벨(시그마)의 시퀀스를 생성하도록 설계되었습니다. 이 스케줄러는 생성 모델에서 확산 과정을 제어하는 데 유용하며, 생성 과정의 각 단계에서 적용되는 노이즈 레벨을 세밀하게 조정할 수 있게 합니다.
문서 읽기Polyexponential Scheduler | 폴리익스포넨셜 스케줄러
PolyexponentialScheduler 노드는 폴리익스포넨셜 노이즈 스케줄을 기반으로 시그마(σ) 값의 시퀀스를 생성하도록 설계되었습니다. 이 스케줄은 시그마의 로그에 대한 다항식 함수로, 확산 과정에서 노이즈 레벨의 유연하고 맞춤형 진행을 가능하게 합니다.
문서 읽기SD Turbo Scheduler | SD 터보 스케줄러
SDTurboScheduler 노드는 이미지 샘플링을 위한 시그마 값의 시퀀스를 생성하도록 설계되었습니다. 이는 지정된 디노이즈 수준과 단계 수에 따라 시퀀스를 조정합니다. 특정 모델의 샘플링 기능을 활용하여 이러한 시그마 값을 생성하며, 이는 이미지 생성 중 디노이즈 과정을 제어하는 데 필수적입니다.
문서 읽기VP Scheduler｜VP 스케줄러
VPScheduler 노드는 Variance Preserving (VP) 스케줄링 방법에 기반하여 노이즈 레벨(시그마)의 시퀀스를 생성하도록 설계되었습니다. 이 시퀀스는 확산 모델에서 디노이징 과정을 안내하는 데 필수적이며, 이미지나 다른 데이터 유형의 제어된 생성을 가능하게 합니다.
문서 읽기시그마
Flip Sigmas | 시그마 뒤집기
FlipSigmas 노드는 확산 모델에서 사용되는 시그마 값의 순서를 뒤집고, 첫 번째 값이 원래 0인 경우 0이 아닌 값으로 보장하여 시그마 값의 시퀀스를 조작하도록 설계되었습니다. 이 작업은 노이즈 레벨을 역순으로 조정하여 데이터를 점진적으로 감소시키는 모델의 생성 과정을 용이하게 하는 데 필수적입니다.
문서 읽기Split Sigmas | 시그마 분할
SplitSigmas 노드는 지정된 단계에 따라 시그마 값의 시퀀스를 두 부분으로 나누도록 설계되었습니다. 이 기능은 시그마 시퀀스의 초기 및 후속 부분을 다르게 처리하거나 조작해야 하는 작업에 필수적이며, 이러한 값을 보다 유연하고 목표 지향적으로 조작할 수 있게 합니다.
문서 읽기유틸리티
유틸리티 노드 옵션에는 여러 보조 노드가 포함되어 있습니다.
Note | 노트
Note 노드는 다양한 응용 프로그램을 위한 기본 샘플링 메커니즘을 제공하도록 설계되었습니다. 사용자가 특정 요구에 맞춘 다양한 샘플링 전략을 선택하고 구성할 수 있게 하여 샘플링 프로세스의 적응성과 효율성을 향상시킵니다.
문서 읽기Primitive | 프리미티브
Primitive 노드는 연결된 입력의 유형을 인식하고 이에 따라 입력 데이터를 제공합니다. 이 노드는 다양한 입력 유형에 연결될 때마다 다른 입력 상태로 변경됩니다. 여러 Ksampler에서 동일한 시드를 사용하는 것과 같이 여러 다른 노드 간에 통일된 매개변수를 사용하는 데 사용할 수 있습니다.
문서 읽기Reroute
Reroute 노드는 다양한 응용 프로그램을 위한 기본 샘플링 메커니즘을 제공하도록 설계되었습니다. 사용자가 특정 요구에 맞춘 다양한 샘플링 전략을 선택하고 구성할 수 있게 하여 샘플링 프로세스의 적응성과 효율성을 향상시킵니다.
문서 읽기Terminal Log (Manager) | 터미널 로그 (매니저)
Terminal Log (Manager) 노드는 주로 ComfyUI 인터페이스 내에서 터미널에 ComfyUI의 실행 정보를 표시하는 데 사용됩니다. 이를 사용하려면 `mode`를 **logging** 모드로 설정해야 합니다. 이렇게 하면 이미지 생성 작업 중에 관련 로그 정보를 기록할 수 있습니다. `mode`가 **stop** 모드로 설정되면 로그 정보를 기록하지 않습니다. 원격 연결이나 로컬 네트워크 연결을 통해 ComfyUI에 액세스하고 사용할 때, Terminal Log (Manager) 노드는 특히 유용합니다. ComfyUI 인터페이스 내에서 CMD의 오류 메시지를 직접 볼 수 있어 ComfyUI의 현재 운영 상태를 이해하기 쉽게 만듭니다.
문서 읽기