前言：
学习 ComfyUI 是一场持久战。当你掌握了 ComfyUI 的安装和运行之后，会发现大量五花八门的节点。面对各种各样的工作流和复杂的节点种类，可能会让人感到不知所措。在这篇文章中，我们将用通俗易懂的语言对 ComfyUI 的核心节点进行系统梳理，并详细解释每个参数。希望大家在学习过程中培养自我思考的能力，真正掌握和理解各个节点的用法与功能。在实践中不断提升自己的技术水平。只有通过不断的探索和总结，才能在面对复杂的工作流时游刃有余。祝大家学习顺利，早日成为 ComfyUI 的高手！
往期回顾：
一、Upscale Latent 节点
该节点用于在图像生成过程中放大潜在空间的图像。这是一个常见的操作，用于提高生成图像的分辨率，保持细节并减少失真。
输入：
Samples → 传入的原始潜空间图像
输出：
LATENT → 输出尺寸调整之后的潜空间图像
参数:
upscale_method → 选择像素填充的方法
width → 调整后潜空间图像的宽度
height → 调整后潜空间图像的高度
crop → 选择是否对图像进行裁剪
注意：使用潜空间图像的方法并不能完美融合图像，通过 VAE 解码后可能会损坏图像。正确的做法是使用 KSampler 采样器进行二次采样，以获得更美观的图像。
应用场景
细节增强：在图像生成和编辑过程中，提高图像的分辨率以增强细节。
质量提升：用于低分辨率图像的放大，提高整体图像质量。
优化生成过程：在生成高分辨率图像时，通过放大潜在空间，减少直接生成高分辨率图像带来的计算负担。
通过使用 Upscale Latent 节点，可以有效提高生成图像的分辨率和质量，是图像生成和处理过程中的重要工具。
二、LatentCompositeMasked 节点
该节点用于在图像生成过程中，通过掩码在潜空间中合成多个潜在图像，这一节点在需要将不同来源的图像元素组合在一起时非常有用。
输入：
destination → 底层潜空间图像
source → 上层潜空间图像
mask → 使用mask对上层潜空间图像进行分割
输出：
LATENT → 输出图层叠加后的潜空间图像 **和前面latent使用同一VAE解码**
参数：
x → 表示粘贴区域的x坐标 **ComfyUI坐标原点位于左上角**
y → 表示粘贴区域的y坐标 **ComfyUI坐标原点位于左上角**
resize_source → 表示是否对蒙版区域进行分辨率调整
应用场景
图像修复：通过合成不同来源的图像部分来修复图像中的缺陷。
风格迁移：在保持整体风格一致的情况下，合成不同风格的图像元素。
复杂合成：在潜空间中实现复杂的图像合成，以避免图像空间合成带来的边缘和融合问题。
通过使用 LatentCompositeMasked 节点，可以实现更为复杂和精细的图像合成，尤其是在需要保留细节和风格的一致性时。
三、Latent Composite 节点
该节点用于在潜空间中合成多个潜在图像，帮助在生成图像时灵活地组合不同来源的图像元素。
输入：
samples_to → 接收叠加的潜空间图层之一 **该参数传入的图片为图层底层**
samples_from → 接收叠加的潜空间图层之一 **该参数传入的图片为图层上层**
输出：
LATENT → 输出图层叠加后的潜空间图像
参数：
x → 上层图层叠加位置的的x坐标 **ComfyUI中坐标原点为左上角**
y → 上层图层叠加位置的的y坐标 **ComfyUI中坐标原点为左上角**
feather → 调整边缘的羽化程度
上图示例设置 feather 为 256 可以看到上层图层的边缘有羽化，设置 y 坐标为 336，粘贴位置向下偏移。
应用场景
图像混合：将多个图像的特征进行混合，创造出具有多种风格或元素的图像。
风格迁移：在保持整体图像内容一致的情况下，合成不同风格的潜在图像。
细节增强：通过合成多个潜在图像，增强图像的细节和质感。
通过使用 Latent Composite 节点，可以在潜空间中灵活地合成图像，保持图像的高质量和细节，适用于各种图像生成和编辑任务。
四、Set Latent Noise Mask 节点
该节点用于在潜空间图像生成过程中设置噪声掩码，以便对图像的特定区域施加不同程度的噪声。这可以用于控制生成图像中的细节和随机性，特别适用于需要对图像的某些部分进行精细控制的情况。
输入：
samples → 接收传入的潜空间图像
mask → 接收传入的蒙版信息
输出：
LATENT → 输出带有蒙版信息的潜空间图像
Tips：上图中的火焰与原图的融合度还不是很高，如果再加上高清放大的节点看起来会更加的自然。
应用场景
图像修复：在图像的特定区域施加噪声，以修复图像中的缺陷或不一致。
细节增强：通过噪声掩码控制细节的生成，提高图像的整体质量。
风格特化：在保持整体风格一致的情况下，对图像的不同部分进行特化处理。
通过使用 Set Latent Noise Mask 节点，可以在潜空间中灵活地控制图像的噪声分布，提高图像的质量和细节，适用于各种图像生成和编辑任务。
五、Load LoRA 节点
该节点用于加载预训练的 LoRA 模型，并将其应用到潜在空间图像生成过程中。LoRA 模型是一种轻量级的、适用于微调的模型，可以在不改变基础模型参数的情况下，增强生成模型的特定功能或风格。
输入：
model → 加载一个基础生成模型的大模型 **lora的训练会使用一个大模型底模，对应的底模效果最好**
clip → 输入与生成图像相关的文本描述或其他信息
输出：
MODEL → 输出修正后的大模型
CLIP → 输出修正后的CLIP模型
参数：
lora_name → 需要使用到的lora模型 **配置好路径文件，模型可以自行选择**
strength_model → 设置LoRA模型对生成图像的影响强度 **数值越高，LoRA模型对生成图像的影响越大，可以设置为负值**
strength_clip → 设置LoRA模型对与文本描述相关信息的影响强度 **数值越高，LoRA模型对文本描述相关部分的影响越大，可以设置为负值**
应用场景
风格迁移：通过加载不同风格的 LoRA 模型，将特定风格应用到生成图像中。
功能增强：利用 LoRA 模型增强基础生成模型的特定功能，如细节增强、特定对象生成等。
模型微调：在保持基础模型稳定性的情况下，通过 LoRA 模型进行微调，实现更为精细的图像生成。
通过使用 Load LoRA 节点，可以灵活地在图像生成过程中应用预训练的 LoRA 模型，增强生成效果，丰富图像生成的多样性和质量。
六、LoRA 示例工作流
熟练使用以上节点，你就可以搭建有关 LoRA 的工作流了。
