课目表/L1 原理/L1-01 潜空间

L1 原理 · 第一课

潜空间:
AI 画图,其实先在一张 1/8 大的草稿上动笔

你按下生成,屏幕上出现 1024×1024。模型真正动手的地方,只有 128×128。这一课只解决一个问题:图为什么必须先缩小。

预计 12 分钟零基础可读对应节点:EmptyFlux2LatentImage / EmptyLatentImage

01 / 场景你的显卡能打开 4K 图,却生不出一张 2400 的图

这一课解决的就是这个别扭的问题。看图软件秒开 2400×2400,为什么模型一跑就爆显存?

先把账算清楚。一张 2400×2400 的彩色图,每个像素(pixel,图上的一个小点)有红、绿、蓝三个数。乘起来是 1728 万个数字。如果直接在这堆数字上迭代 15 次,显存(VRAM,显卡自己的内存)先扛不住,速度也慢到没法等。

行业里的做法很务实:不在原图上算,先缩到一张更小的草稿上算,算完再还原。这张草稿叫潜空间(Latent Space,按 1/8 缩小的画布)。把图送进去、再接出来的活,交给 VAE(Variational Autoencoder,变分自编码器,一台有损翻译机)。它怎么翻,下一节细讲;这一课你只要知道它在两头搬运。

一句话结论:采样器(sampler,负责擦噪声的那个角色,L1-02 专讲)全程只在潜空间里干活,从没直接碰过像素。图要进出这张草稿,得靠 VAE 在两头翻译。

02 / 机制一张图进来,先被缩小,再被画,最后被放大回去

下面这条链路,是几乎所有“图生图 / 参考图”工作流的骨架。盯住中间那个蓝盒子:真正耗时的采样发生在那儿,不在最后的出图上。

像素图 · 2400 × 2400 × 3 约 1728 万个数字 VAE 编码 潜空间 · 300 × 300 × 4 约 36 万个数字 · 采样在这里进行 VAE 解码 出图 · 2400 × 2400 × 3 数字量回到原来的规模 同样的画面信息,中间只用了约 1/48 的数字
编码把长宽各压 8 倍,通道(channel,同一点上叠了几层数字)从 3 变 4;解码做反向还原。两头各翻一次,中间那层才是采样器真正动笔的地方。
01

加载像素

你上传一张图。LoadImage 把它读成一张 0–1 之间的数字表,尺寸写成“长 × 宽 × 3 通道”。

02

VAE 编码:压小

编码(encode)把长宽各除以 8,通道从 3 变 4。数字少了,画面信息还在。

03

在潜空间里采样

采样器在这张小画布上加噪、去噪,再按提示词(prompt,你写的那句“要什么画面”,L2-02 专讲)改写。步数、CFG、种子都只在这一层起作用,后面各有专课。

04

VAE 解码:还原

解码(decode)把 4 通道的潜变量翻回 3 通道像素。这一步有损,细看能发现差别。

05

保存

SaveImage 把最终像素写成 PNG 或 JPG。它只管存,不参与生成。

五步里,编码和解码各只占一步。算力几乎全花在第 03 步,所以“图太大了跑不动”这句话,说的其实是草稿太大。

为什么是 8 倍,而不是随便压

8 倍不是拍脑袋定的。长宽各除 8,面积只剩 1/64;通道从 3 加到 4,又乘回 4 倍。两边一抵,数字量剩 3 ÷ (4/64) = 48,也就是大约 1/48。

这个比例在训练时就写死了。你运行时改不了,只能选对 VAE。

Flux 系的 VAE 空间压缩比例同为 8 倍,但潜通道常见为 16 个,数字量只降到约 1/12。具体以你加载的 VAE 为准,别把这组数字当成所有模型的通用常数。

原图长边像素数字量潜空间长边潜空间数字量
512786,4326416,384
10243,145,72812865,536
240017,280,000300360,000

按 3 通道像素、4 通道潜变量、8 倍压缩计算。长宽不必是 8 的整数倍时,实际会做取整,结果会有个位数差异。

自己算一遍:长边 → 潜空间

2400 px
像素数字量
17,280,000
潜空间尺寸
300 × 300 × 4
压缩比
48 ×

拖动滑杆只改这张示例,不动你的工作流。真实显存还受模型、批次(batch,一次同时出几张)和模型内部实现影响,别只按这个比例硬推。

03 / VAE 的位置VAE 在这条链路里只做两件事

入口一件:像素翻成潜变量。潜变量(latent,草稿上的那几层数字)长宽各是原图的 1/8,通道从 3 变 4。一张 2400×2400 的照片进去,出来是 300×300×4,这一步叫编码(encode)。

出口一件:潜变量翻回像素。长宽各乘 8,通道回到 3,变成你能保存、能看的图,这一步叫解码(decode)。两次翻译都有损耗——翻过去再翻回来,画面不会一个像素不差地回到原样,细看能发现差别。这就是有损(lossy)的意思。

04 / 落到工作流在本套 JSON 里,和潜空间有关的就这几个

表里的编号全部来自真实的 workflow JSON。打开对应的 .json,在画布上按编号找,位置对得上。

节点真实位置本套里的实际值 / 作用
VAEEncode / VAEDecode04 建筑毛坯 · 根图 #16 / #9编码与解码两头。节点细节、VAELoader 与子图里的第二套编解码,放到 L1-01b 专讲。
EmptyFlux2LatentImage04 · 子图 #338没有源图时,直接造一张 1024 × 1024 的空潜变量。
EmptyLatentImage文生图工作流 · 根图 #8同一件事的普通版:1600 × 904、batch 3 的空潜变量。

术语不熟可以先跳到 L2-01 · VAE 和 L2-03b · Latent 查表,再回来继续。

文生图绕开入口:没有源图可编码,它用 EmptyLatentImage / EmptyFlux2LatentImage 按你填的尺寸直接造一张空潜变量,采样就从这张空画布开始。只有图生图、参考图、局部重绘,才需要先把现有图片编码进去。

05 / 动手两个小实验,把概念变成手感

1

把子图里的 #338 EmptyFlux2LatentImage 从 1024 改成 768,只跑一次,观察出图尺寸和显存占用。

目标:体会潜空间尺寸直接决定计算量,而像素尺寸是最后解码出来的。

2

用上面的滑杆算 1536 长边:像素数字量、潜空间尺寸、压缩比各是多少?再手算一遍核对。

参考:1536 ≈ 8 的 192 倍,潜空间为 192×192×4 = 147,456;像素为 1536²×3 = 7,077,888;比值 48。

06 / 自检能用自己的话答上来,再进下一课

勾选你真正理解的条目(本机自动记住)

如果只记一句话:像素是给人看的,潜空间是给模型算的,采样器只在草稿上动笔。VAE 怎么选、节点怎么接,下一节拆。