Detta arbetsflöde för Konsekventa Karaktärer med Flux skapades av . Vi rekommenderar starkt att du tittar på hans detaljerade handledning för att lära dig hur du effektivt använder detta kraftfulla arbetsflöde för Konsekventa Karaktärer. Medan vi har återskapat arbetsflödet för Konsekventa Karaktärer och satt upp miljön för din bekvämlighet, går all kredit till Mickmumpitz för hans utmärkta arbete med att utveckla denna Flux-baserade lösning för Konsekventa Karaktärer.
Arbetsflödet för Konsekventa Karaktärer med Flux är ett kraftfullt ComfyUI-verktyg som upprätthåller konsistensen hos AI-genererade karaktärer över flera utgångar. Det är idealiskt för att skapa filmiska AI-filmer, barnböcker eller vilket projekt som helst som kräver stabila Konsekventa Karaktärsutseenden. Detta Flux-baserade arbetsflöde förenklar processen att uppnå enhetliga Konsekventa Karaktärsutseenden, vilket minskar behovet av flera uppmaningar och finjusteringar. Genom att använda Flux.1 dev-modellen förbättrar det stabiliteten hos genererade Konsekventa Karaktärer, vilket säkerställer att de behåller samma utseende och känsla, oavsett om de är animerade eller realistiskt återgivna.
Arbetsflödet för Konsekventa Karaktärer med Flux är uppdelat i fyra moduler (Karaktärsgenerering, Upscale + Face Fix, Poser, Känslor), var och en designad för att effektivisera processen att generera Konsekventa Karaktärer med ett enhetligt utseende över flera utgångar.
Efter att ha laddat Fast Groups Muter (rgthree) noden, körs modulerna 2, 3 och 4 automatiskt, och ingen ytterligare inställning krävs. Denna nod kontrollerar brytarna för alla fyra moduler, vilket gör processen för Konsekventa Karaktärer smidigare och mer effektiv.
Fast Groups Muter (rgthree) Node Control module switch (yes/no).
Denna modul använder Flux-modellerna och Flux ControlNet-modellen för att generera en tabell med Konsekventa Karaktärer genom att styra genereringsprocessen med uppmaningar. Ingången, som är ett posblad, fungerar som referens för att styra genereringen av Konsekventa Karaktärer. Genom att skapa lämpliga uppmaningar kan du styra modellen för att skapa önskade blad med Konsekventa Karaktärer.
Här är några exempel på uppmaningar:
Ett karaktärsblad med en amerikansk kvinna i en kappa, klädd i höstmode, med ett neutralt uttryck. Bladet ska ha en vit bakgrund, flera vyer från olika vinklar och ett synligt ansiktsporträtt. Den övergripande stilen ska likna ett mästerverk i fotografi.
Ett karaktärsblad som avbildar en alvskogsvakt med en mantel gjord av höstlöv, klädd i skogsfärger, med ett beslutsamt uttryck. Bladet ska ha en pergamentbakgrund, flera vyer från olika vinklar och ett synligt ansiktsporträtt. Skogsvakten ska åtföljas av en majestätisk hjort, bärandes en långbåge och koger på ryggen. Den övergripande stilen ska likna ett mästerverk i digital målning av en kvinnlig alv med långt gyllene hår.
Tips: Om det genererade bladet med Konsekventa Karaktärer inte uppfyller dina förväntningar, försök att justera frövärdet för att generera utgången med variationer.
Ultimate SD Upscale är en nod som används i bildgenereringspipelines för att förbättra bildupplösningen genom att dela bilden i mindre kakor, bearbeta varje kaka individuellt och sedan sy ihop dem igen. Denna process möjliggör generering av högupplösta bilder samtidigt som minnesanvändningen hanteras och artefakter som kan uppstå vid uppskalning minskas.
Parametrar:
upscale_by
: Faktorn med vilken bildens bredd och höjd multipliceras. För exakta dimensioner, använd versionen "No Upscale".seed
: Kontrollerar slumpmässigheten i genereringsprocessen. Att använda samma frö ger samma resultat.control_after_generate
: Justerar bilddetaljer efter generering.steps
: Antalet iterationer under bildgenerering. Fler steg ger finare detaljer men längre bearbetningstid.cfg
: Classifier-Free Guidance-skala som justerar hur strikt modellen följer inmatningsuppmaningarna.sampler_name
: Anger samplingsmetoden som används för bildgenerering.scheduler
: Definierar hur beräkningsresurser tilldelas under genereringen.denoise
: Kontrollerar nivån av brusreducering, vilket påverkar detaljbevarandet från originalbilden. Rekommenderas: 0.35 för förbättring, 0.15-0.20 för minimala förändringar.mode_type
: Bestämmer bearbetningsläget, såsom hur kakor bearbetas.tile_width
och tile_height
: Dimensionerna av kakorna som används i bearbetningen. Större storlekar minskar sömmar men kräver mer minne.mask_blur
: Suddar kanterna på maskerna som används för kakblandning, vilket mjukar övergångarna mellan kakorna.tile_padding
: Antalet pixlar från närliggande kakor som beaktas under bearbetningen för att minska sömmar.seam_fix_mode
: Metod för att korrigera synliga sömmar mellan kakor:
seam_fix_denoise
: Styrkan på brusreducering under sömfixering.seam_fix_width
: Bredden på de områden som bearbetas under sömfixering.seam_fix_mask_blur
: Suddar masken för smidigare sömkorrigeringar.seam_fix_padding
: Utfyllnad runt sömmar under korrigering för att säkerställa smidigare resultat.force_uniform_tiles
: Säkerställer att kakor behåller en enhetlig storlek genom att förlänga kantkakor vid behov, vilket minimerar artefakter.tiled_decode
: Bearbetar bildkakor individuellt för att minska minnesanvändningen under högupplöst generering.FaceDetailerPipe är en nod designad för att förbättra ansiktsdetaljer i bilder, med hjälp av avancerade bildbehandlingstekniker för att förbättra skärpan och tydligheten av ansiktsdrag. Det är en del av ComfyUI Impact Pack, som syftar till att tillhandahålla högkvalitativa förbättringar av ansiktsdetaljer för olika tillämpningar.
Parametrar:
image
: Ingångsbilden som ska förbättras, som fungerar som huvudsak för ansiktsdetaljering.guide_size
: En parameter som kontrollerar storleken på styrningsområdet som används för att förbättra ansiktsdrag, vilket påverkar hur mycket kontext som beaktas.guide_size_for
: Avgör om guide-storleken ska tillämpas för specifika områden.max_size
: Anger maximal storleksgräns för bearbetade bilder, vilket säkerställer minneshantering.seed
: Kontrollerar slumpmässigheten i bildförbättringsprocessen, vilket möjliggör reproducerbara resultat när samma frö används.steps
: Antalet iterationer för att förbättra detaljer. Fler steg resulterar i finare detaljer men kräver mer bearbetningstid.cfg
: Classifier-Free Guidance-skalan, som justerar hur nära modellen följer inmatningsstyrningen.sampler_name
: Definierar samplingsmetoden som används för detaljförfining.scheduler
: Bestämmer den beräkningsschemaläggningsstrategi som används under bearbetningen.denoise
: Kontrollerar styrkan på brusreducering som tillämpas under förbättringsprocessen. Lägre värden bevarar fler originaldetaljer, medan högre värden ger smidigare resultat.feather
: Kontrollerar smidigheten i övergången mellan förbättrade och ursprungliga områden, vilket hjälper till att blanda ändringarna sömlöst.noise_mask
: Aktiverar eller inaktiverar användningen av en brusmask för att rikta specifika områden för brusreducering.force_inpaint
: Tvingar påmålning i områden som behöver ytterligare förbättring eller korrigeringar.bbox_threshold
: Ställer in tröskeln för att upptäcka ramar runt ansiktsdrag, vilket påverkar känsligheten.bbox_dilation
: Utvidgar de upptäckta ramarna för att säkerställa att alla relevanta drag inkluderas under förbättringen.bbox_crop_factor
: Justerar beskärningsfaktorn för upptäckta ramar, vilket kontrollerar fokusområdet för förbättringen.sam_detection_hint
: Anger ytterligare tips eller styrningar för upptäcktsprocessen.sam_dilation
: Justerar dilationen som tillämpas på de upptäckta regionerna, vilket möjliggör bredare täckning.sam_threshold
: Definierar tröskeln för känslighet inom SAM-processen (Segment Anything Model).sam_bbox_expansion
: Utvidgar de ramar som upptäckts av SAM, vilket hjälper till att inkludera mer omgivande kontext.sam_mask_hint_threshold
: Justerar tröskeln för masktipsen som tillhandahålls av SAM, vilket kontrollerar hur regioner definieras för maskning.sam_mask_hint_use_negative
: Avgör om negativa tips ska användas, vilket påverkar maskningen av vissa regioner.drop_size
: Anger storleken på dropparna som tillämpas under förbättringsprocessen, vilket kan påverka graden av förfining.refiner_ratio
: Kontrollerar förhållandet för att förfina ansiktsdetaljer, vilket balanserar mellan att bevara originaldrag och lägga till klarhet.cycle
: Anger antalet förfiningscykler som ska tillämpas, vilket påverkar djupet av förbättringen.noise_mask_feather
: Justerar fjädringen av brusmasken, vilket ger en smidigare övergång mellan brusiga och avbrusade områden.Denna modul låter dig använda bildbeskärningsnoden för att separera varje pose från det genererade karaktärsbladet och spara individuella poser av karaktären för vidare användning eller justeringar.
Denna modul använder Photo Expression Editor (PHM) noden för att justera ansiktsuttryck i foton. Parametrarna möjliggör finjustering av olika ansiktsaspekter, såsom huvudrörelser, blinkningar och leenden
Expression Editor Parameters:
rotate_pitch
: Kontrollerar upp-och-ned-rörelsen av huvudet.rotate_yaw
: Justerar sid-till-sid-rörelsen av huvudet.rotate_roll
: Bestämmer lutningsvinkeln av huvudet.blink
: Kontrollerar intensiteten av ögonblinkningar.eyebrow
: Justerar ögonbrynsrörelser.wink
: Kontrollerar blinkningar.pupil_x
: Flyttar pupillerna horisontellt.pupil_y
: Flyttar pupillerna vertikalt.aaa
: Kontrollerar munformen för vokalljudet "aaa".eee
: Kontrollerar munformen för vokalljudet "eee".woo
: Kontrollerar munformen för vokalljudet "woo".smile
: Justerar graden av ett leende.src_ratio
: Bestämmer förhållandet av källuttrycket som ska tillämpas.sample_ratio
: Bestämmer förhållandet av provuttrycket som ska tillämpas.sample_parts
: Anger vilka delar av provuttrycket som ska tillämpas ("OnlyExpression", "OnlyRotation", "OnlyMouth", "OnlyEyes", "All").crop_factor
: Kontrollerar beskärningsfaktorn för ansiktsregionen.Flux-modeller och arbetsflödets strömlinjeformade moduler gör det enkelt för dig att upprätthålla Konsekventa Karaktärsutseenden över olika utgångar. Du kommer att kunna väcka dina karaktärer till liv som aldrig förr, och skapa en verkligt uppslukande upplevelse för din publik!
© Copyright 2024 RunComfy. Alla Rättigheter Förbehållna.