ComfyUI 中的采样器：
采样器决定了如何从潜在空间中选择和处理噪声,以生成最终图像。ComfyUI支持多种采样器,每种都有其特点:基础采样器:如Euler,Heun,DDIM等。DPM系列:包括各种DPM(Denoising Diffusion Probabilistic Models)变体。Karras变体:许多采样器都有对应的Karras版本,通常能产生更清晰的结果。SDE(Stochastic Differential Equation)变体:如DPM++ SDE,适合生成精细纹理。Exponential变体:如Euler Exponential,在采样过程中使用指数噪声调度。特殊用途采样器:如LCM(Latent Consistency Model),Restart,Dynamic Thresholding等。[heading2]1、基础采样器[heading3]Euler[content]特点:一种常见的梯度下降方法，提供平衡的质量和速度。生成效果较为稳定，适合广泛的图像生成任务。推荐场景:适合新手和实验性生成，尤其在需要平衡速度和质量时。[heading3]Euler a[content]特点:增强版的Euler方法，进一步提高了生成质量或效率。更适合需要更高质量输出的场景。推荐场景:适合创意性更强或需要更细节图像的任务。[heading3]Euler Exponential[content]特点:结合了指数衰减的Euler采样器，生成图像可能更平滑。推荐场景:在生成过程中需要更平滑过渡和结果的场景。
特点:基于Heun方法，具有较好的稳定性和较快的收敛速度。推荐场景:适合需要较快生成速度且稳定性较高的场景。[heading3]Heun Karras[content]特点:Heun采样器的Karras改进版，提升了图像细节表现。推荐场景:适合在细节上有更高要求的生成任务。[heading3]DDIM[content]特点:提供高质量图像生成且通常速度较快，是一种广泛使用的采样器。推荐场景:适合需要高效生成且保持高质量图像的任务。[heading3]PLMS[content]特点:基于概率潜在模型（PLM）的采样器，优化了图像生成的质量。推荐场景:适合在图像质量和生成速度之间需要平衡的场景。[heading3]UniPC[content]特点:Unified Probability Contrast，专注于优化生成过程中的概率对比，提供稳定且高质量的生成结果。推荐场景:适合需要一致性和高质量生成的专业应用。[heading3]LCM[content]特点:基于潜在对比模型的生成方法，专注于优化细节和图像质量。推荐场景:适合需要精细和高质量细节处理的图像生成任务。[heading3]Restart[content]特点:在生成过程中重新启动的采样器，以提高图像质量或稳定性。推荐场景:适合在生成过程中希望通过多次采样优化结果的场景。[heading3]Dynamic Thresholding[content]特点:动态调整阈值以优化生成过程中的噪声处理，提高图像质量。推荐场景:适合需要动态调整生成策略的任务，以应对复杂生成场景。[heading3]DDPM[content]特点:提供高质量图像生成，适合需要高精度的应用。推荐场景:适合高精度图像生成，尤其是在细节和质量要求较高的任务中。
在去噪过程中,模型使用编码后的文本向量来引导图像生成。这确保了生成的图像与输入的文本描述相符。[heading1]五、采样器[content]ComfyUI提供了多种采样算法(如Euler,DDIM,DPM++等)来控制去噪过程。不同的采样器可能会产生略微不同的结果或影响生成速度。[heading1]六、Vae编码[content]VAE是一种基于概率生成模型的框架，它由编码器（Encoder）和解码器（Decoder）组成。（1）编码器：编码器的任务是输入一幅图像，输出一个表示该图像特征的概率分布。这个概率分布通常是一个高斯分布，其均值和方差分别表示图像的特征。（2）解码器：解码器的任务是将编码器输出的概率分布映射回图像空间。它接收一个随机采样的噪声向量（来自编码器输出的概率分布），通过一系列的卷积层和非线性激活函数，生成与输入图像相似的图像。[heading1]七、结果输出[content]最终,ComfyUI将生成的图像显示在界面上,用户可以保存、进一步编辑或用于其他目的。[heading1]八、额外控制[content]ComfyUI支持多种高级功能,如:图像到图像:使用现有图像作为起点进行生成。Lora:使用额外的小型模型来调整风格或内容。ControlNet:允许用用额外的图像来精确控制生成过程。ipadapter:使用参考图像进行风格迁移生成。放大和后处理:改善生成图像的质量和分辨率。