【ComfyUI教學】🎨Flux模型圖像質量提升:最佳配置與參數解析! #aigc #flux #comfyui

Hello 大家好
歡迎再次來到歐陽的視頻頻道
那麼這一期我們對究竟Flex相關的一系列生態
以及這段時間在歐陽使用當中
結合衆多的博主的相關經驗
我們來總結一下目前爲止
使用這個模型當中的一些小的技巧
我們話不多說
這就開始今天的教程
回來以後這一期我們還是以
端腦雲這樣一個線上平臺爲例
這裏開了一個歐陽的一個教學鏡像
我們直接來到這個鏡像
這裏我們還是沿用之前
遠程電用API的方式
來出我們的提示詞比較方便
同時比較精細精確
後面就是一系列
也是我們之前所講的
用的impact的一個pipe節點
進行了一個生成
其實之前Flex的標準工作流程當中
是沒有CFG的對不對
CFG也是我們在1.5最初瞭解
Steeple Diffusion的時候
要了解的最關鍵的一個參數
就是它對我們clip管道
以及模型管道當中的一個平衡
說白了就是給模型管道更多的發揮
還是更遵循提詞
它就是一個平衡的一個值
可是當它連入到我們任何一個
K採樣器以後
我們採樣器裏就是有這麼樣一個值
所以在這個地方我困惑了一段時間
就是這個值在原先的模型裏面
它到底代表着什麼
意味着什麼
那麼在我測試了一段時間
使用了一段時間以後發現
它其實還能變相的體現出
曾經1.5的一個CFG的特性
但是它還不完全是曾經的所謂的CFG
目前它的表現是在小參數的時候
作用比較明顯
在大參數的時候作用比較微弱
比如說我們小參數的時候
飽和度會更低
模型會發揮的更多
甚至是和我們的提詞沒有任何關係
而這個參數更大的時候
如果是曾經的話
上了20或者15以後
我們的圖像就會特別的擬合
或者是叫過度受傷
形容詞很多
但對於Flex來說
它並不會那麼的嚴重
比如說我現在生圖的CFG
基本上是在3到8
經過測試以後
其實在20以內
也都沒有太大的問題
這裏我們可以大概生成一下
比如說最明顯的是1
當我們CFG在1的時候
同樣的一幅圖
我們來看一下它的生成結果
OK
我們可以看到
首先它的飽和度很低
其次很多線條
以及物體不明確
也就是說沒有提示詞的太多的約束
而到了2以後
效果就會明顯好了
那麼自2到20
其實都沒有太大的變化
只是說在飽和度上
相對會過飽和
比如說我們調到15
那麼會發現圖像的整體的飽和度
它就要高很多
對吧
Flex的情況下
其實我們給到30的CFG
你會看到也不會特別糟糕
所以在Flex這裏
所有的K採樣器
但凡引入CFG
目前我感覺效果都差不太多
它並不是曾經的CFG
它可能是和之前
Cleaver編碼這個地方的引導
有一個相成的係數
也就是說引導和CFG
它是有一個相互關係
又或者CFG
它決定了引導的某種係數
關於Flex相關的
一些專門專用的參數
我們可以調用之前
我經常跟大家說
Essentials的節點
最近作者在採樣當中
專門更新了一個Flex的參數採樣
通過參數採樣器
我們可以便利任何它的參數
我們可以具體對比和具體查看
這些變量和參數有什麼不同
它的連接比較簡單
我們只需要把模型串過來
把正向提示詞串過來
以及給一個Latent
同時在便利生成的時候
我們也可以連接一個作者
在節點組當中
所提供的這麼一個圖表參數
這樣的話會方便我們羅列
所生成出來的X,Y,Z圖
或者是生成出來的
一系列便利的圖表
之後我們就可以把上面
VAE的解碼
我們Ctrl加C
Ctrl Shift加V
在關係複製下來以後
把Latent傳過來
把圖片傳到下面的圖表參數裏
同時把參數組也傳進來
之後我們就可以預覽圖像
這裏我們就便利一下
之前所說的引導
這樣的話是沒有CFG進行干擾的
我們這裏相當使用
原始的Flex的節點
原生的節點組合
來生成我們這一系列圖像
比如這裏我們就需要便利它的引導
我們從1開始便利
那麼便利到20
不長我們是個加號
V1
這樣的話就代表從1到20
不長是1
也就是我們一共要生成20張圖片
而每一張圖片
使用不同的引導參數
同時我們把下面的圖表
我們可以讓它排序一下
比如說我們用的是引導值
行數因爲我們只有一個參數
就不需要設置
提示詞我們也可以不要
最後我們可以讓它只顯示參數
也就是我們不同的引導值
我們來換個提示詞進行生成
這裏我們就使用一個寫實的美女照片
OK
那麼現在我們來看一下
這一組關於引導參數的是
從1到20
這個過度我們就先看三張
一二三
第一張它就比較柔和
還有一些噪點
類似於一點噪點沒有渲染完畢
那麼第二張感覺渲染完了
但它的細節還沒有出來
整體呈現出一種光滑的質感
第三張通常用的3.5到4
慢慢就會感覺它的細節
就會凸顯出來
同時光影也出來了
對不對
那麼再往後我們可以看
它就類似於CFG一樣的感覺
越往後它的飽和度越高
光影對比度也更高更強烈
可以看到對比度很強的
它前面光有點假了都對吧
那麼後面跳到七八九十
後面我們可以看一下
基本上就是我們CFG類似的感覺
但是即便到了20
我們看到第20個
也沒有說是特別的過擬和
或者特別的喫
那個圖片它沒有損失的那麼嚴重
但是過渡當中
你就會發現有一些油膩感
這就是引導參數
在這個過程當中
所起到的一個重要的引導作用
那麼這邊看回來
看到我們上面CFG這裏
這裏我同樣使用20步
CFG使用1
那麼引導參數我們默認3.5
可以看到我在這個地方產生的圖像
和我們第一張圖像
是不是一模一樣的
所以在這個地方
我感覺現在的KESEMBLER
就是把CFG轉移了
那就是和它進行了一個相乘
或者類似於相互的一個運算
其實這個CFG就約等於
我們本身Flux當中的引導參數
那麼這就是關於引導的一些作用
我們可以把它變相的理解爲
新型的Flux的一個CFG
那麼引導參數值得一說
就是其實在1的時候
它的效果是最不好的
如果它的效果降到1以下以後
反而能體現出一種更素的
素雅的這種感覺
比如說把它調到1以下
比如說0.7
你會發現這一張圖片
它是不是要比上一張好一些
反而要比之前的
我們1的效果要好
對不對
1的感覺它當中
還是有很多的噪點的感覺
但是這一張我們要平滑很多
反而還沒它高是0.7
甚至引導參數是0
它都能產生出來一個
相對另類的一個結果
就是說它的風格性會比較強
當我們渲染一些
比如說水彩畫油畫的時候
低的CFG
也就是低的引導參數
會帶來一些這樣的風格
那麼說完引導參數之後
我們就要說一下
FLUX當中
針對的一個採樣器和調度器
這個時候我們同樣可以通過
Essentials當中這個節點來便利
比如說這個地方
我們可以除了OlerA
我們還可以逗號來輸入其他的
但如果我們不記得
或者是懶得輸入的話
作者也很貼心
在Essentials節點當中
同樣是採樣
這個裏面我們可以看到
有兩個採樣和調度器
兩個助手
可以方便我們直接勾選來添加
我們雙擊這裏來直接輸入助手
這個咖啡Y更新新版以後特別好
就是能用中文進行搜索
這個還是比較貼心的
那麼現在我們有了採樣助手
和調度助手
直接把這個節點當中的
採樣提升爲變量
以及Scheduler
我們調度提升爲變量
之後就可以把這兩個
對應的我們輸入過來
當然都是字符串了
可以看到都是字符串
我們需要哪個就來便利哪個
這裏我們還是給到它
一個默認的3.5
那麼對於採樣和調度來說
這段時間大家總結出來的
最優選基本都差不多
這裏歐陽也直接給答案
首先採樣來說
我們最常用的就是OLER
之後是DPM-A
在下面還有2M
2M可能穩定性要差一點
它的採樣部署可能要更多一些
接下來就是比較特殊的
一個IPNDM-A
這個我之前也沒有用過
但是在Flex當中測試還是可以的
如果是生成寫實的話
是比較不錯的
之後就是大家常用的這兩個
DIS和DDM
DDM之前我是會比較常用的
因爲它的收斂比較快
而且出的效果比較不錯
最後還有一個UNIPC-BHR
這樣一個採樣器
之後調度器
這裏我勾了個NOMAL
因爲我默認是一個NOMAL
但是對於Flex而言
它不是最佳選擇
最佳選擇應該是後面這三個
SGM的UNIFORM
和我們常用的SIMPLE
比較簡單的一個曲線
再往下還有一個BETA
這是剛出的一個調度器
除了這三個我們常用之外
其實還有一個DDM的UNIFORM
這個比較特殊
就是它的多樣性會多一些
有點像我們曾經的高級的DPM
就是後面帶A的
對不對
這樣一個高級
它是一個不收斂的
所以說它會隨着步長
進行更多樣式的變化
它的隨機性會比較強
接下來我們來便利一下這些參數
這時候我們來直接運行
OK
那麼之後我們來看一下
這4種調度器
以及7種不同的採樣器
首先我們看OLOR
默認的一種
整體的表現比較統一
沒有太大的一個偏差
唯一是在細節上
稍微有一些不太一樣
比如說NOMAL
它的效果就比較平
那麼對於簡單的
和我們第一個叫什麼
BETA
它是相對自然一些的
第二個就是DPM
這個曾經它是一個多樣性的採樣器
就未收斂的一個採樣器
但是整體表現我們對比一下
可以看到它的採樣的方式
決定了人物的一個傾向
對不對
這個人物它就更像歐美人物
而我們上面的OLOR
所生成的人物
就更像東方人物
因爲它曲線不一樣
可能收斂的位置不一樣
4種不同的採樣器
其實沒有特別大的區別
接下來我們來看-2M
這個2M其實用的不多
但是在某一些特定的條件下
它的效果是比較好的
這三個來說
我們其實沒有看到特別大的一個出入
第二章對於NOMAL來說
這個採樣器它不是特別優選的
你可以看到沒有完全去燥
本身2M它的收斂就比較慢
而且NOMAL它是一個線性的
所以說我們可能還需要更多的步數
才能把它這些細節去進一步的完善
接下來我們再看IPNDM
很多人推薦的這麼一個採樣器
我們之前用的並不多
它對於寫實人物的採樣是比較好的
對於這4個而言
每一個都有不錯的一個結果
因爲我們畢竟是跑了20步
沒有跑特別多的步數
所以說在20步收斂的話
這個結果還是可以
之後DEIS
這個大體看來和之前的OLOR有些相似
對於不同的調度器來說
它的結果也不是相差特別的多
下面DDM其實是我最近比較喜歡用的
可以看到它生成的人物的皮膚質感
就要自然一些
沒有那麼多的不自然的紋理
當然了有些人可能說它比較油膩
這是FLEX的一個特性
因爲我們用的是一個原始的模型
並沒有加任何的LOLRA
那麼最後一個UNIPC的
這個也不是很常用
可以看到UNIPC配合NOMAL的調度器
它一樣會形成沒有完全收斂
也就沒有降噪
所以NOMAL的收斂還是不夠的
它的面部特徵也要偏向一些西方人
那麼這就是對於我們常用的調度器
以及採樣器的一個選擇
當然NOMAL不要選擇
因爲它是默認
我們就勾選一下它實驗一下
其實後面這三個調度器都OK的
這邊我通常就用DDM
有些朋友可能習慣用DS
OK
那麼說完這個以後
最後我們再來說一個參數
就是SHIFT偏移值
有最大偏移和基本偏移
同時在這裏我們搜FLEX
我們也會看到有一個
針對FLEX的模型採樣算法
這個可以連接到我們的模型管道
來設置最大偏移和最小偏移
同時要根據我們的圖像大小
來進行合理的設置
那麼這個採樣算法
其實和我們之前任何一個CFG
任何一個東西都一樣
對吧
它只是微調了一下
模型管道的內容
在大家進行了大量的測試之後
其實發現還不如曾經的CFG縮放
會對最終圖像有一個明顯的影響
簡單來說
越高SHIFT會給圖像增加越多的噪點
使得最終圖像出來以後會銳利一些
當SHIFT變低
圖像會越來越柔和
會趨近於圓滑和柔和
甚至是模糊
不管從低到高
對畫面內容的影響並不是很大
當中那些銳化的銳點
或者一些圖案中的樣式
可能會有一些小的變化
但是它不起決定性作用
甚至是我覺得SHIFT所影響的最終圖像
完全可以通過後期的一些圖像修整
修復達到那樣的效果
所以這裏我就不列舉這個參數了
其實它是一個可選項
有和無 無傷大雅
真的是無傷大雅
所以說這麼多變量
我就覺得不需要再跟大家去深究這個東西了
因爲很多東西我們抓重點就好
把一些沒有太大影響的參數
給它忽略掉就OK了
那麼在說完採樣器和調度器以後
最後我們再來說一下它的部署
在Flex當中
部署真的是很有意思的一個東西
同樣是這一套題詞
我們在便利這個地方
給它便利一下部署
比如說我們從15步開始
然後我們的步長是5步
那麼這邊我們使用的就是Oler和Simper
然後我們給一個預覽圖像來直接生成
OK 那麼我們接下來來看一下
這個提示詞當中的不同的部署的體現
在Flex當中有一個比較有趣的現象
就是部署是有階段性的
如果你針對性的去便利部署的時候
會發現部署在25到30步的時候
會有一個明顯的改變
之後會在35到40步會有個改變
當然這個不一定是絕對的
有可能是在25到30之間
有可能是在30到40或者40到45之間
所以在這個例子中
我們的部署改變應該是收斂的結果會不同
比如說25到30步
這兩張圖像的差距就比較大
而前後都沒有太大的差別
對於15步而言其實是Flex的一個基礎
在這個一步它的渲染還沒有完全
所以說有些地方會比較糊
甚至有些地方沒有渲染的特別到位
比如說這個球拍這個地方就不明確
也不知道是什麼
它就沒有渲染完成
而對於15步來說
它是一個很好的一個預覽階段
比如說我們想快速預覽一張圖像的結構
可以從15步開始
那麼在20步的時候
它達到了一個初步的收斂
也就是我們可以看到它的清晰度和飽和度上
都已經完成了
同時有一些手部和這個球拍一些細節
也基本上是成型完成了
所以20步是我們認爲的一個基礎
就是一個合格線
到25步的時候
它會在這個基礎上
更完善的把細節去豐富一下
比如說球拍
我們可以看到後面就有一個白色的手把
它的手環叫什麼來着
護腕對護腕
它的細節就更豐富一些
包括背景當中
其實也有一些細節的改變
而這些都是在20到25步
這個過程當中是一個算是一個完善
第一階段的完善
那麼到了30步爲什麼會這樣
在各大博主研究當中
我聽到的一個結論
就比較有意思的結論
就是對於flex模型
它是進行了兩重
甚至是三重的收斂
第一層的收斂是在20到25步之間
第二層的生成以及收斂是到30到40步之間
這就是它對於第二層的全重的一個收斂
所以造成了圖形的變化
那麼第一次收斂
可以看到它的細節是重新進行了一些重構的
並沒有延續之前的細節
到了35步
它會完善第30步的一個細節
那麼有一些圖像或者不同的採樣器
可能在40步到45步之間
會有第三次收斂
會造成它的第三次的改變
第三次的變化
那麼這種變化也就是三重收斂
有人說是越往後的層數收斂
它越偏向寫實或者越偏向3D
如果是平面的話
越往後它的平面感就會越弱
立體感就會越強
對於這個概念來說
我覺得蠻有意思
就對於flex
那麼我們對於不同的風格
其實應該使用的步數
其實也是有一定的選擇的
對吧
比如說如果是特別平面的手繪風格
或者是簡單的這種MG類似的風格
我們可以直接20步
甚至是15步就完成了
如果再往後它進行多層收斂的話
可能就會慢慢的偏向寫實
或者是3D
或者沒有那麼平面的感覺
而對於寫實的照片
或者3D感
我們可以嘗試讓它進行三次收斂
或者是二次收斂的效果
進行更多的一個細節上的完善
所以我們知道的是
它會有不同的層進行
不同步數的收斂
但是不知道的是
它收斂以後
到底它的結果好不好
是否適合我們的風格
是否會產生多次的收斂
像我們這個例子當中
它就沒有第三次的收斂
只有兩次
OK 那麼這就是關於Flex模型
現在目前爲止
大家所探索到的一些東西
和使用的一個大概的基礎方法
這其中更多的一些內容
我是健健李
一位YouTube博主
也就是IP Adapter的作者
Matthew
他是在大量的
幾千張的生成圖片當中
找到的一些規律
和一些使用方法
我只是結合了不同的博主
以及自己的使用經驗
最直接的把答案告訴給大家
希望能節省大家更多的測試時間
那麼這就是這一期
跟大家分享的
主要關於Flex
目前近期的技術和使用技巧了
希望本期內容對大家有所幫助
最後再次感謝端腦雲平臺的支持
那要說的是近期歐陽
還會給大家爭取邀請碼
和免費使用體驗券的這麼一個活動
可能應該是下一期
或者是下一期視頻
歐陽會發布抽獎活動
這一次的獎勵金額比較大了
具體是多少
我們到時候再公佈
那麼最後如果覺得
本期內容對大家還有所幫助的話
千萬不要忘了
點擊系列按鍵來支持歐陽先生了
如果對AI領域感興趣的朋友
也不要忘了關注歐陽一波
未來我們一起學習
一同進步了
那我們這期就到這裏
我們下期再見