KJNodes/hunyuanvideogenerated

Leapfusion Hunyuan I2V Patcher(LeapfusionHunyuanI2V)

이 노드는 전달된 모델을 '패치'(Patch)하여 기능을 구현합니다

Leapfusion Hunyuan I2 V

model
latent
MODEL
index
0
start_percent
0.00
end_percent
1.00
strength
1.000
KJNodes

Leapfusion Hunyuan I2V Patcher 노드는 전달된 모델을 "패치"(Patch)하여 기능을 구현합니다.

Leapfusion Hunyuan I2V Patcher는 비디오 생성 및 편집을 위한 고급 노드입니다. 이 노드의 핵심 기능은 확산 모델의 노이즈 제거 과정에서의 동작을 수정하여, 사용자가 비디오 시퀀스의 특정 프레임을 지정된 잠재 이미지(Latent)로 대체할 수 있도록 함으로써 생성된 비디오 콘텐츠를 정밀하게 제어할 수 있게 해줍니다.

노드 기능

이 노드는 전달된 모델을 "패치"(Patch)하여 기능을 구현합니다. 모델이 노이즈 제거 샘플링(Sampling) 단계를 실행할 때 개입하여, 사용자가 설정한 시작 백분율(start_percent)과 종료 백분율(end_percent)에 따라 특정 노이즈 제거 단계에서 목표 프레임(index로 지정)의 잠재 표현을 사용자가 제공한 latent로 대체합니다. 이 대체의 강도는 strength 매개변수를 통해 조절할 수 있으며, 음수 값을 지원하여 역방향 유도를 구현할 수 있습니다.

노드 매개변수 설명 - Leapfusion Hunyuan I2V Patcher

연결 입력 (Inputs)

매개변수 이름데이터 타입필수기본값범위/옵션설명
modelMODEL--model (입력 매개변수): 패치 작업이 필요한 원본 확산 모델을 받습니다. 이 매개변수는 후속 작업의 기반이 되는 모델을 정의합니다.
latentLATENT--latent (입력 매개변수): 비디오의 특정 프레임을 대체하는 데 사용할 잠재 이미지 표현을 제공합니다. 이 데이터는 다른 매개변수 설정에 따라 생성 과정에 주입됩니다.

컨트롤 매개변수 (Parameters)

매개변수 이름데이터 타입필수기본값범위/옵션설명
indexINT0-1 - 1000 (단계: 1)대체될 잠재 표현의 인덱스입니다. 0은 첫 번째 프레임, -1은 마지막 프레임을 의미합니다.
start_percentFLOAT0.00.0 - 1.0 (단계: 0.01)적용을 시작할 단계의 백분율입니다.
end_percentFLOAT1.00.0 - 1.0 (단계: 0.01)적용을 종료할 단계의 백분율입니다.
strengthFLOAT1.0-10.0 - 10.0 (단계: 0.001)strength (입력 매개변수): 잠재 이미지 대체 효과의 강도 계수를 제어합니다. 범위는 -10.0부터 10.0까지이며, 단계는 0.001입니다. 양수 값은 대체를 강화하고, 음수 값은 반대 효과를 낼 수 있습니다.

출력 (Output)

매개변수 이름데이터 타입설명
MODELMODELMODEL (출력 매개변수): 특정 프레임 대체 로직이 포함된, 패치된 새 모델을 출력합니다.

사용 시나리오

이미지-투-비디오(I2V) 또는 비디오 프레임 보간 워크플로우에서 이 노드를 사용할 수 있습니다. 예를 들어, 비디오 시퀀스를 생성했지만 그 중 특정 프레임(예: 첫 번째 또는 마지막 프레임)을 수정하고 싶을 때, 독립적인 이미지 잠재 표현을 로드하여 이 노드를 통해 원본 비디오 생성 과정에 "주입"함으로써 해당 프레임의 최종 외관을 변경하면서도 비디오의 전체적인 일관성을 유지할 수 있습니다.

주의사항

이 노드는 실험적 범주에 속하며, 그 동작은 구체적인 모델 아키텍처와 샘플러 설정에 크게 의존할 수 있습니다. 사용 시 index 매개변수의 유효 범위와 strength 매개변수를 부적절하게 설정하면 화면이 불안정해질 수 있음을 유의해야 합니다.

Leapfusion Hunyuan I2V Patcher 노드 소스 코드 링크

Leapfusion Hunyuan I2V Patcher 노드는 ComfyUI-KJNodes 노드 패키지에서 제공됩니다.

댓글

GitHub로 로그인하고 토론에 참여하세요.

댓글을 불러오는 중…