工作流名称:文生图 工作流

在构建text2img网络时，我们分为三个关键阶段：Clip阶段（黄色）、Unet阶段（红色）、以及Vae解码阶段（绿色）。

在这个过程中，节点的创建方式有两种：节点目录方式：通过鼠标右键呼出节点目录，你可以直接从目录中选择所需的节点。

a)    节点搜索窗口方式：双击鼠标呼出节点搜索窗口，如果你知道节点的名称，可以直接搜索，节省时间。

b)    一旦节点被创建并连接好，你可以点击面板右侧的工具栏中的 "Queue Prompt"，开始生成图片。这个选项位于工具栏的最上方。

c)    要创建连接线，只需使用鼠标点击并拖动节点上的输出输入点即可完成。

通常，节点网络包括以下几个阶段：

首先，右键点击新建节点，选择加载器。你会看到许多加载器选项，它们的名称应该很熟悉。我们将使用的是“Checkpoint加载器（大模型加载器）”。在“Checkpoint名称”位置，选择我们需要的模型。

a)    接下来，我们需要添加关键词输入节点。CLIP 文本编码器它没有正面和负面关键词的区分，它们都使用一个名为“CLIP 文本编码器”的节点。

b)    我们使用相同的方法，右键点击新建节点，然后选择条件，再选择CLIP文本编码器。我们需要添加两个CLIP文本编码器，一个用于输入正面关键词，另一个用于输入负面关键词。

c)     由于没有区分正面和负面关键词，我们可以自行修改名称和颜色，以区分它们。在节点上方，右键点击标题，输入名称后确定即可。同样，可以右键点击颜色来修改节点颜色。

d)    此时你可能会注意到“Checkpoint加载器”和“CLIP文本编码器”上都有一个黄色的连接点，它们都被命名为“CLIP”。我们将它们连接起来，只需将鼠标悬停在其中一个上面，会出现十字标识，然后按住鼠标左键并拖动到另一个节点的相应位置即可连接。

  注意：我们的Checkpoint加载器只有一个CLIP连接点，而我们需要连接正面和负面提示词。这里需要理解，一个节点可以有多个输出连接点，但作为输入节点，它只能连接一个。

a)    右键点击采样，选择普通采样器。

b)    ksampler节点负责在潜空间生成图片。与Web界面中的生成参数基本相同。

Ø  随机种子：每张图都有一个随机的编号。

Ø  运行后操作：种子可以是固定、增加（在原来的种子值上+1）、减少、随机。通常我们使用固定和随机。

Ø  步数：设置我们生成这张图需要去除噪音的次数。

Ø  CFG：提示词引导系数，值越大，生成的图像越符合提示词。通常在8左右就足够了。

Ø  采样器：有多个选项可供选择。我们需要在使用Web UI时进行选择。我会在后面的时间里逐一介绍它们的区别。通常我会选择euler_ancestral（Web UI中的Eulera）、dpmpp_2m（DPM++ 2m）、dpmpp_2m_sde_gpu。

Ø  调度器：每一次迭代步数中控制噪声量大小的因素。一般我们选择normal或karras。

Ø  降噪：与步数有关，1表示我们完全按照上方输入的步数进行处理，0.1表示10%。在这里我们填写1。

  此时，左侧会显示四个可连接点：“模型”、“正面提示词”、“负面提示词”和“Latent”。

  分别将“模型”和“Checkpoint加载器的模型”连接，“正面提示词”和“正面提示词的条件”连接，“负面提示词”和“负面提示词的条件”连接。此时还剩下一个“Latent”连接点，我们将其用于连接控制生成图像宽高的节点。

点击“Latent”并拖动到外部，然后选择“空Latent”以添加节点并进行连接。

SD1.5模型：常用512X768

SDXL模型：使用1024X1024,或者1024X1536

a)    在Vae解码阶段，生成的图片从潜空间转换成RGB色彩空间。解码节点可以链接不同的VAE以获得不同的解码结果。

b)    右键点击新建节点，选择Latent，然后选择VAE解码。你也可以直接拖动方式添加。

c)    将“VAE解码的Latent”连接到“采样器的Latent”上，此时左侧会剩下一个VAE。

d)    我们可能注意到，“Checkpoint加载器”还剩下一个“VAE”未连接，我们将它与另一个VAE连接起来。可以选择直接连接大部分大模型中包含的VAE模型。

a)    右键点击新建节点，选择图像，然后选择保存图像（或者直接拖动添加）。

b)    这里有两种选择：“保存图像”和“预览图像”。

c)    预览节点用于预览图片，但不会保存它们。

d)    保存图像具有将生成的图像保存到“NAIGC下的output”文件夹的功能。

  现在，我们已经连接了所有节点，接下来输入关键词，调整模型、LORA,VAE,步数、宽高等参数。然后，点击右侧设置面板中的“提示词队列”，或者使用快捷键“Ctrl+Enter”来生成图像。

  在生成图像的过程中，你可以看到当前进行到哪一步，哪一个节点会被显示为绿色的框，这非常方便我们熟悉工作流程。

工作流名称:图生图 工作流

和SD webUI的图生图一样，NAIGC也支持图片输入，即输入形式为图片，再结合图片反推WD14 tagger，可实现输入图片为参考自动转为提示词。

  下面这个图就是典型的1.5模型生成过程，SD的核心来源于Latent Diffusion这个工作。

SD在UNet中引入text condition来实现基于文本生成图像。它先采用一个autoencoder将图像压缩到latent空间。然后用扩散模型来生成图像的latents，最后送入autoencoder的decoder模块就可以得到生成的图像。

图生图的流程：

输入：图像 + prompt

输出：图像

这个流程的本身，就是加入了一个图像的参考。流程的本质就是让图像变成一个latent的输出。

图生图工作流示例：

其中Load Checkpoint模块代表对SD模型的主要结构进行初始化（VAE，U-Net），CLIP Text Encode表示文本编码器，可以输入prompt和negative prompt，来控制图像的生成，Load Image表示输入的图像，KSampler表示调度算法以及SD相关生成参数，VAE Encode表示使用VAE的编码器将输入图像转换成低维度的隐空间特征，VAE Decode表示使用VAE的解码器将低维度的隐空间特征转换成像素空间的生成图像。

与文字生成图片的过程相比，图片生成图片的预处理阶段，先把噪声添加到隐空间特征中。我们设置一个去噪强度（Denoising strength）控制加入多少噪音。如果它是0，就不添加噪音。如果它是1，则添加最大数量的噪声，使潜像成为一个完整的随机张量，如果将去噪强度设置为1，就完全相当于文本转图像，因为初始潜像完全是随机的噪声。

  对比文生图的流程可以就可以发现，文生图的流程里面用到了上图的空latent，也就是潜空间信息是空的，而图生图里面则有很多来自图片的信息。

本质上，文生图的流程是主要把文本作为模型的参考生成；而图生图则是把图像的信息和文本的信息给到了模型去参考生成。

   人脸修复神器ADetailer在NAIGC中无法使用，在NAIGC中比较常用的是FaceDetailer插件来进行人脸修复。

SD的WebUI 中的面部修复神器 ADetailer，无法在NAIGC 中使用。那么如何在NAIGC中进行面部处理呢？NAIGC 中也有几个面部修复功能，比如ComfyUI Impact Pack、FaceDetailer，以及换脸插件Reactor和IPAdapter。对于普通用户来说，FaceDetailer是比较简单的方式。本章介绍在NAIGC中使用FaceDetailer来进行面部修复。

工作流名称:faceID 工作流

连线：将模型连线到提示词，提示词连接到K采样器

加载FaceDetailer的工作流，调出面部细化节点：SAM 加载器 和 检测加载器 节点，以及内置在FaceDetailer加载器里了，不需要另外设置.(这些参数我都是用默认值，没有修改）

  同样的将模型，提示词，采样器，VAE连好线，点击运行：

  原图和修复后的图片对比：

高清放大，是AI绘画和视频处理中最为基础而又关键的特效之一。在NAIGC中，学会如何实现高清放大成为不可或缺的技能。

在实现高清放大的过程中，主要涉及到两种方法：LATENT（潜空间）系的放大和外置模型的放大。而在NAIGC里，这两者的区别十分明显。

让我们简单了解一下工作流程：

A.    输入：prompt/（图像 + prompt）

B.    输入：图像

工作流名称：Advanced_HiRes_Fix高清修复

这其中，Load Checkpoint模块代表对SD模型的主要结构进行初始化（VAE，U-Net）。CLIP Text Encode表示文本编码器，可以输入prompt和negative prompt，来控制图像的生成。Empty Latent Image表示初始化的高斯噪声，Load Upscale Model表示对超分辨率重建模型进行初始化。KSampler表示调度算法以及SD相关生成参数，VAE Decode表示使用VAE的解码器将低维度的隐空间特征转换成像素空间的生成图像，最后，Upscale Image表示将生成的图片进行超分。

在ksampler和VAE之间，简单增加upscale latent模块，就可以轻松实现图像的1.5倍放大。这是一种简单而高效的方法。

                              而如果选择使用外置模型放大，流程则稍显不同。在这个参考工作流程中，我们可以看到，外置模型放大的步骤是放在VAE decoder之后。换言之，首先生成低分辨率的图像，然后再基于这张图再次进行放大。

在NAIGC中，WEBUI上常见的各种方法，即增加细节的放大，都已经被集成到一个节点里。这些方法在处理图像时起到了至关重要的作用。

  然而，是否还有更复杂的放大方法呢？答案是肯定的。有一种方法是使用两个不同的模型进行放大，然后再通过imageblend的融合算法，将这两张分别放大的图片合成在一起。这样的做法能够最大限度地保留和增加图像的细节。

节点式工作流生态很有魅力的一个因素是生态中有很多不同类型的lora，供玩家们组合。

工作流名称：lora工作流

本章节介绍LORA的使用方法：

加载LORA模型：

需要在加载主模型之后加载LORA模型。涉及的节点包括了模型加载器、clip文字编码器，设置好相关的参数。

  从上面的工作流程图中，可以看到LORA加载器被加载了两次，分别对应两个不同的lora模型（可以是一个人物lora+场景风格lora）。有需要的话也可以添加更多LORA模型。

KSampler采样器：编码后的文本提示将传递到KSampler，这是一个生成模型的组件。在采样器中设置种子、步骤数、配置等参数来影响生成的图像质量和样式。

  图像解码：生成的潜在图像会传递到VAE解码器，将这些向量解码成可视的图像。

  生成的效果：使用普通工作流生成的图片，没有经过面部修复和高清放大，人像效果都是比较差的，如下图：

可以使用效率加载器来使用lora，并且生成的人脸后进行高清修复：

工作流名称：HiResFix Script

安装方法：

在NAIGC管理器 中搜索efficiency，点击安装（安装完成后要重启）

基础的工作流（lora，CLIP文本编辑器），往往需要连接多个节点，对于新用户来说，入门NAIGC有较高的使用门槛。

  我们先来看下最简单的一个文生图的工作流，最简单的工作流都有这么多节点，还要把这么多节点连起来，对于刚入门的小白来说还是有些复杂的。

使用Efficiency插件后，工作流可以做减法：

鼠标右键新建节点，效率节点，分别加载效率加载器和采样器。

新建节点->效率节点->堆栈->LORA堆

新建节点->效率节点->加载器->效率加载器|效率加载器(SDXL)

新建节点->效率节点->采样-> K 采样器(效率)| K 采样器(SDXL 效率)

效率加载器中的参数包含了基本文生图的参数，Lora 模型。并且可以自由设置启用几个lora。

脚本：XY图表、高清修复、分块采样放大

我们使用官方提供的工作流来测试：

HiRes-Fixing 高清修复

SDXL Refining & Noise Control Script

XY Plot: LoRA model_strength vs clip_strength

  Stacking Scripts: XY Plot + Noise Control + HiRes-Fix

      Stacking Scripts: AnimateDiff + HiRes-Fix (with ControlNet)

 Tiled Upscaler Script