IC-Light är ett AI-baserat bildredigeringsverktyg som integrerar med Stable Diffusion-modeller för att utföra lokala redigeringar på genererade bilder. Det fungerar genom att koda bilden till en latent rymdreprestation, tillämpa redigeringar på specifika områden och sedan avkoda den modifierade latenta representationen tillbaka till en bild. Detta tillvägagångssätt möjliggör exakt kontroll över redigeringsprocessen samtidigt som den övergripande stilen och sammanhållningen i den ursprungliga bilden bevaras.
Nu finns det två modeller släppta: textkonditionerad ombelysningsmodell och bakgrundskonditionerad modell. Båda typerna tar förgrundsbilder som indata.
Under huven utnyttjar IC-Light kraften i Stable Diffusion-modeller för att koda och avkoda bilder. Processen kan delas in i följande steg:
2.1. Kodning: Indatabilden skickas genom Stable Diffusion VAE (Variational Autoencoder) för att få en komprimerad latent rymdreprestation. 2.2. Redigering: De önskade redigeringarna tillämpas på specifika områden av den latenta representationen. Detta görs vanligtvis genom att kombinera den ursprungliga latenta med en mask som anger de områden som ska modifieras, tillsammans med motsvarande redigeringsuppmaningar. 2.3. Avkodning: Den modifierade latenta representationen skickas genom Stable Diffusion-avkodaren för att rekonstruera den redigerade bilden. Genom att arbeta i den latenta rymden kan IC-Light göra lokala redigeringar samtidigt som den övergripande sammanhållningen och stilen i bilden bevaras.
Den huvudsakliga noden du kommer att arbeta med är "IC-Light Apply"-noden, som hanterar hela processen med att koda, redigera och avkoda din bild.
"IC-Light Apply"-noden kräver tre huvudsakliga indata:
För att skapa c_concat-indatan:
Efter att ha bearbetat dina indata, kommer "IC-Light Apply"-noden att generera en enda parameter:
För att generera din slutliga redigerade bild, anslut helt enkelt utdata-modellen till de lämpliga noderna i ditt ComfyUI-arbetsflöde, såsom KSampler och VAEDecode-noderna.
För mer information, besök gärna github
© Copyright 2024 RunComfy. Alla Rättigheter Förbehållna.