描述
在推理期间对给定模型应用归一化注意力引导（NAG）。该技术修改注意力机制以减少伪影并提升生成质量，尤其适用于 LTXV 长视频生成场景。此节点基于 Normalized-Attention-Guidance 仓库 中描述的方法。
输入
| 名称 | 类型 | 是否必填 | 默认值 | 范围 | 工具提示/描述 |
|---|---|---|---|---|---|
model | MODEL | 是 | — | — | 要应用 NAG 的输入扩散模型。 |
nag_scale | FLOAT | 是 | 11.0 | 0.0 – 100.0（步长 0.001） | 负面引导效果的强度。数值越高，校正越强。 |
nag_alpha | FLOAT | 是 | 0.25 | 0.0 – 1.0（步长 0.001） | 混合系数，控制归一化引导表示与原始正面表示之间的平衡。 |
nag_tau | FLOAT | 是 | 2.5 | 0.0 – 10.0（步长 0.001） | 裁剪阈值，限制引导注意力偏离正面注意力的程度。 |
nag_cond_video | CONDITIONING | 否 | — | — | 可选视频条件，用于引导注意力归一化。 |
nag_cond_audio | CONDITIONING | 否 | — | — | 可选音频条件，用于引导注意力归一化。 |
inplace | BOOLEAN | 否 | True | — | 启用时，就地修改张量以节省内存。与就地操作相比，数值结果可能略有不同。 |
输出
| 名称 | 类型 | 描述 |
|---|---|---|
model | MODEL | 应用了 NAG 的内部注意力操作的同一模型。 |
使用说明
- 此节点旨在用于 LTXV 视频生成流程（类别
KJNodes/ltxv）。它会修改模型的前向路径，因此应在采样过程之前连接式使用。 - 三个参数（
nag_scale、nag_alpha、nag_tau）共同控制引导行为。建议从默认值开始，根据视觉质量调整——增加nag_scale通常可减少过曝光和伪影，而nag_alpha和nag_tau则用于微调归一化。 nag_cond_video和nag_cond_audio为可选项。提供时，它们会提供额外的条件信号来影响注意力归一化。若无需此类条件，请保持已断开连接。- 启用
inplace（默认）可降低推理期间的内存使用。如果在运行之间观察到数值不一致，或需要精确复现，请将inplace设置为否。
评论
使用 GitHub 登录后即可参与讨论。