AI 入门与 ComfyUI 出图课
L3 / A 线 / A4
L3 · 单品课 · A 线第 4 站

建筑毛坯 + 参考图出图

一张现状照片决定「房子长什么样」,一张参考图决定「它看起来什么气质」。两条 ControlNet 把形体钉住,IPAdapter 把氛围灌进去,最后 Flux2 补一刀细节。这是 A 线最长、也最像真实项目的一课。

01 / 一句话目标

用一张建筑现状照片加一张风格参考图,在 15 步内出一张构图不跑、材质和氛围跟着参考走的建筑效果图。

源文件 04📚基础版 建筑毛坯+参考图出图 .json 顶层节点 34 子图 3 层嵌套 采样 15 步 / CFG 3 工作分辨率 2400 px 数据核对日 2026-11-08
当前位置A 线 · 出图线 · 第 4 站(终点站)
A1
文生图
A2
线稿 + 参考图
A3
室内毛坯 + 参考
A4
建筑毛坯 + 参考你在这里
02 / PREREQUISITES

前置知识卡

这一课同时压上三套机制:结构控制、风格注入、潜空间重画。下面三张卡是硬前置,缺一张,第四节就会卡住。卡里出现的每个术语都给了人话版;想追原理,点术语链接去对应课。

L1-02

采样与步数

采样就是从一团噪声里一步步擦出图,步数就是擦几遍。懂了这两件事,才看得懂为什么 15 步够用、为什么 denoise 是 1.0 等于「从零重画」。见 KSampler 与 steps。

L1-05

ControlNet 与 IPAdapter

ControlNet 管「形」:它拿一张结构图,逼画面按结构走。IPAdapter 管「气」:它把参考图的色调和氛围变成向量,塞进模型。本课两条 ControlNet 是串联,IPAdapter 走 style transfer。见 ControlNet、IPAdapter。

L2-02

条件与提示词

条件(conditioning)就是编码后的提示词,模型真正读的那份。本课的正向条件不是手写,而是 Florence2 盯着参考图反推出来的一段英文。见 CONDITIONING、Florence2。

还需要装好这些:SDXL 建筑大模型、LoRA(美丽乡村)、diffusers_xl_depth_full 与 mistoLine_rank256 两个 ControlNet、IPAdapter plus 与 CLIP-ViT-H、Florence2-large、ComfyUI-Impact-Pack、ComfyUI-IPAdapter_plus、rgthree、pysssss、AIO Aux Preprocessor、Deep Translator。少一个,第四节对应节点就会报红。
03 / BLUEPRINT

工作流全景图

六段:输入 → 感知 → 条件 → 控制 → 采样 → 精修输出。看的时候盯住两条并行支路就行:结构信息走 Depth / Lineart,风格信息走 Florence2 / IPAdapter,最后在 KSampler 汇合。别试图一次记住 34 个节点。

STAGE 01 输入 STAGE 02 感知 STAGE 03 条件 STAGE 04 控制 STAGE 05 采样 STAGE 06 精修与输出 #15 现状照片 #33 风格参考图 两图分工: 左图定形体, 右图定气质。 #17 Depth 预处理 · 512 #50 Lineart 预处理 · 512 #60 Florence2 反推描述 #41 IPAdapterNoise · fade #62 英文 caption #59 正向 CLIPTextEncode #7 负向 · 空字符串 #85 → #86 翻译 · 死端 #37 IPAdapter · 0.7 style #12 Depth CN · 0.35 #48 Lineart CN · 0.30 叠加 顺序不可反: 先深度定空间, 再线稿锁轮廓。 #79 + #78 缩放到 2400 · keep #16 VAEEncode #31 Batch · 1 #4 KSampler · 15 / 3.0 euler_ancestral · denoise 1.0 #354 Flux2 精修 · 1 步 #87 SaveImage #89 Image Comparer 4 路并行 IMAGE COND COND LATENT MODEL:SDXL 大模型 → LoRA 0.49 → IPAdapter 0.70,一路送进 KSampler 图像 IMAGE 模型 MODEL 条件 CONDITIONING 潜空间 LATENT 控制 CONTROL_NET 文本 STRING 死端分支
绿色:图片流 紫色:条件流 粉色:潜空间 橙色:结构控制 蓝色:模型主干

读图顺序:先看左两张输入,再看上方两条结构支路(橙),然后看下方风格支路(紫/蓝),最后汇入右侧黑色 KSampler 与 Flux2 精修。虚线粉色框是本课要特别指出的死端。

04 / NODE BY NODE

逐节点拆解

参数全部从 04📚基础版 建筑毛坯+参考图出图 .json 逐项读出,节点编号与文件里一致。建议把 ComfyUI 开在旁边,一段一段对。

N1

双图入口

分组 2️⃣ 与 3️⃣
#15LoadImage现状照片

整条结构链的唯一来源。它的图片同时送往四个下游:Depth 预处理、Lineart 预处理、尺寸归一、对比器 A 面。

image7db588f3ca5c3824c1ea88d2cbc5cd5.jpg
IMAGE → #17 #50 #79 #89

文件名是上传后的哈希名,说明它是从本机 input 目录读的,换电脑必须重新上传。

#33LoadImage风格参考图

风格来源。一路进 Florence2 被“读成文字”,一路进 IPAdapter 被“读成向量”,还有一路进 IPAdapterNoise 生成负向图。

image8d9696b3605f2c04a95676aeca73d57.jpg
IMAGE → #60 #41 #37
#38Anything Everywhere隐形总线

它把 LoRA 输出的 MODEL、CLIP 和主模型的 VAE 广播给画布上所有“同类型但没接线的输入”。你在图上找不到线,不代表没有连接。

排查提示:如果某个节点参数对但结果不对,先怀疑它被 Anything Everywhere 悄悄接上了。
MODEL ← #2CLIP ← #2VAE ← #1
N2

风格理解链

参考图 → 英文描述 → 正向提示词
#61DownloadAndLoadFlorence2Model视觉描述模型

加载 Florence2 多模态模型,只负责“看图说话”,不参与最终出图。

modelmicrosoft/Florence-2-large
precisionfp16
attentionsdpa
lorafalse
#60Florence2Run反推描述

输入是风格参考图,输出是一段英文详细描述。这段描述之后会成为正向提示词的正文。

taskmore_detailed_caption
max_new_tokens1024
num_beams3
do_sampletrue
fill_masktrue
keep_model_loadedfalse
seed116959146131277 / randomize
IMAGE ← #33caption → #62
#62ShowText | pysssss描述中转站

把 Florence2 的输出显示出来,同时分两路:一路给翻译节点做中文展示,一路直接进正向 CLIPTextEncode。

STRING → #85 #59

当前内容是那段以 “The image is a 3D rendering of a two-story building…” 开头的英文。注意:它描述的是参考图,不是你的现状建筑。

#85DeepTranslatorTextNode翻译 · 仅展示

把英文描述翻成中文,接到 #86 显示。它的输出没有任何下游连线——翻译结果不参与出图。

from / toauto → english
serviceGoogleTranslator
add_proxiesfalse
反直觉:参数写的是 auto→english,但 #86 里显示的是中文;且这条链是死端。别把它当必要环节。
#59CLIPTextEncode正向条件

正向提示词由 #62 的英文描述实时覆盖,所以你在节点框里看到的那段 “modern high-rise building…” 是历史残留,不生效。

clip← #2 LoRA
text← #62(连线优先)
CONDITIONING → #12
#7CLIPTextEncode负向条件

完全空字符串,不加任何负向词。画面的“干净程度”主要交给采样参数和精修子图控制。

text""(空)
CONDITIONING → #12 negative
N3

双 ControlNet 结构锁

先深度,后线稿
#17 → #12Depth 支路管空间关系

#17 把现状照片转成深度图,#12 用深度 ControlNet 约束采样。强度 0.35,属于“明显但不死板”的档位。

preprocessorDepthAnythingV2Preprocessor
resolution512
control_netSDXL/diffusers_xl_depth_full.safetensors
strength0.35
start / end0 / 1
IMAGE ← #15POS ← #59NEG ← #7→ #48
#50 → #48Lineart 支路管轮廓线

#50 提取标准线稿,#48 把线稿约束叠加在深度约束之上。强度 0.30,比深度略低,避免线条把材质压死。

preprocessorLineartStandardPreprocessor
resolution512
control_netSDXL/mistoLine_rank256.safetensors
strength0.30
start / end0 / 1
IMAGE ← #15POS/NEG ← #12→ #4

两个 ControlNet 是串联而非并联:#48 吃的是 #12 输出的正负条件,所以顺序写死在链路里。

N4

IPAdapter 风格注入

参考图 → 负向噪声图 → 风格权重
#36 + #44IPAdapter 与视觉编码器装载

#36 装 IPAdapter 权重,#44 装 CLIP Vision 视觉塔,二者一起把参考图编码成风格向量。

ipadapter_fileip-adapter-plus_sdxl_vit-h.safetensors
clip_nameCLIP-ViT-H-14-laion2B-s32B-b79K.safetensors
#41IPAdapterNoise生成负向图

把参考图“打糊”成一张负向参考图,告诉 IPAdapter:风格像它,但不要这么具体。

typefade
strength0.4
blur5
IMAGE ← #33→ #37 image_negative→ #42 预览
#37IPAdapterAdvanced风格注入

把风格向量注入 LoRA 之后的模型。用 style transfer 模式而不是 composition,是为了只借气质、不借构图。

weight0.70
weight_typestyle transfer
combine_embedsconcat
start_at0
end_at0.95
embeds_scalingV only
MODEL ← #2IMAGE ← #33NEG ← #41MODEL → #4
N5

潜空间与采样

2400 px 工作分辨率
#78 → #79尺寸归一2400 px

#78 给死值 2400,#79 按“保持比例”缩放到 2400×2400 的框内,并对齐到 32 的倍数。

width / height2400 / 2400(来自 #78)
methodkeep proportion
interpolationlanczos
multiple_of32
IMAGE ← #15IMAGE → #16
#16 → #31VAEEncode + Batch进入潜空间

#16 把起始图压进潜空间,#31 设定一次出 1 张。按 2400 长边计算,潜空间约 300×300,这是本课显存压力的主要来源。

vae← #1 主模型 VAE
batch_size1
IMAGE ← #79LATENT → #4
#4KSampler主采样

15 步、CFG 3、euler_ancestral。虽然喂了起始图,但 denoise 是 1.0,等于从纯噪声重画,构图完全依赖两条 ControlNet。

seed901186358219662 / randomize
steps15
cfg3.0
samplereuler_ancestral
schedulernormal
denoise1.0
MODEL ← #37POS/NEG ← #48LATENT ← #31→ #9
N6

Flux2 精修子图

#354 → #353 → #352(真身在 2b1a38bb)
#354New Subgraph × 3一步精修

SDXL 解码出的图先缩到 200 万像素,再进 Flux2 Klein 做 1 步参考精修,然后重新解码输出。展开要连点三层,因为三个子图都叫 “New Subgraph”。

UNETLoaderflux-2-klein-base-9b-fp8
CLIPLoaderqwen_3_8b_fp8mixed · flux2
VAELoaderfull_encoder_small_decoder
ImageScaleToTotalPixels2 MP · nearest-exact
CFGGuider1.0
KSamplerSelecteuler
Flux2Schedulersteps 1 · 1024×1024
CR Text8K,4K,增加细节
RandomNoise524953574022149 / randomize
IMAGE ← #9IMAGE → #87 #89
N7

输出与对比

分组 4️⃣
#87SaveImage落盘

只保存精修后的图,不保存 SDXL 中间结果。文件名前缀固定为 ComfyUI。

filename_prefixComfyUI
#89Image Comparer (rgthree)前后对比

A 面是原始现状照片,B 面是精修结果。这个节点不参与生成,但它是你调参时最重要的反馈来源。

A ← #15B ← #354
05 / CHEAT SHEET

参数速查表

只挑「动了看得出差别」的 14 个。规矩一条:先把种子固定,之后每次只动一行。一次动三个,你永远分不清是谁起的作用。

参数现值位置调大之后调小之后建议区间
LoRA 强度0.49#2 strength_model 风格更重,建筑细节开始被 LoRA 带偏 更接近底模,画面更“素” 0.3 – 0.7
Depth 控制强度0.35#12 strength 体块、进退关系更死;过高会像白模贴图 体积感变松,透视容易跑 0.25 – 0.55
Lineart 控制强度0.30#48 strength 轮廓更硬、更像线稿填色 边缘更自由,材质更松 0.20 – 0.45
IPAdapter 权重0.70#37 weight 色调氛围更贴参考图,可能盖过材质 参考图只剩一点点影响 0.55 – 0.85
风格结束点0.95#37 end_at 接近 1.0,风格贯穿全程 后段放自由,细节更自然 0.80 – 1.00
负向图模糊fade / 0.4 / 5#41 type / strength / blur 负向更“糊”,参考图的具体内容被抑制得更多 负向接近原图,风格约束变紧 0.3 – 0.6
工作分辨率2400#78 ImpactInt 细节更多,显存暴涨(潜空间按平方涨) 更快,但边缘会糊 1600 – 2400
批量张数1#31 batch_size 一次多张,等效成倍耗时 —(最小为 1) 1 – 2
采样步数15#4 steps 细节更收敛,超过 25 收益很小 低于 10 容易出脏块 15 – 25
CFG3.0#4 cfg 更听提示词,但容易过饱和、发硬 更自由,可能忽略描述 2.5 – 5.0
去噪强度1.0#4 denoise —(已到顶,纯重画) 开始保留原图,0.5 左右像“精修” 0.8 – 1.0
精修像素量2 MP子图 #349 更清,Flux2 更慢、更吃显存 快,但放大痕迹明显 1.5 – 3 MP
精修步数1子图 #351 2–4 步会更“重绘”,可能改掉原构图 0 步等于只做缩放 1 – 2
Florence 描述长度1024#60 max_new_tokens 描述更啰嗦,常出现无关细节 描述过短,风格抓不准 512 – 1024
06 / TRAPS

踩坑

每一条都能在文件里指到具体节点,不是泛泛的「注意这个」。前两条纠正容易看错的连线;后面几条会直接导致「换台电脑就跑不起来」。

07 号 · 根画布 #3 → #2 → #4

一条“看起来在放大”的支路,其实没接到输出

07 号画布左边挂着 #3 UpscaleModelLoader(4x-UltraSharp)→ #2 ImageUpscaleWithModel → #4 ImageScaleBy(0.5)。但 #4 的 outputs[0].links 是空数组,SaveImage 只吃 #390 那条链。

结果:你以为在用 4× 模型直出,实际输出的是 Flux2 精修链。想对比两种放大,得手动把 #4 接到 SaveImage。

修法:给 #4 单独接一个 SaveImage 用于对比,或整段删掉,避免误判。

07 号 · #381 → #372 → CFGGuider

“07 把正向提示词接进负向槽”是误判,别照着改

把连线逐条追一遍:#377 CR Text “8K,4K,增加细节” → #381 CLIPTextEncode → #372 ReferenceLatent → CFGGuider slot 1,slot 1 是正向;负向 #369 是空串,走 #370 → slot 2。04 号的接法完全相同(#348 → #350 → #343 → slot 1),两者都没接反。

容易看错的原因是子图里节点挤在一起,ReferenceLatent 又遮住半条线。验证方法:选中 CFGGuider,按 model / positive / negative 的顺序看输入,再往上游追两个 ReferenceLatent。

结论:这条不是坑。把它写进踩坑清单,反而会让人改坏本来正确的接线。

04 号 · definitions.subgraphs;07 号同类

子图全叫 “New Subgraph”,还越套越深

04 号是三层:#354(46decb)→ #353(d3037d)→ #352(2b1a38bb),前两层各只有 1 个节点,真正的 18 个节点在第三层。07 号更夸张:#390 → #389 → #388 → #387 四个空壳,才到 22 个节点的真身。

修法:重命名为“Flux2 一步精修”,删掉空壳层;至少在子图描述里写清输入输出。

04 号 · #15 / #33;01 号 · #222;05 号 · CLIPSpace

换机即断的图片引用

04 号两张输入是上传后的哈希名 7db588f3…jpg 与 8d9696b3…jpg,只存在于作者本机的 ComfyUI/input。01 号更直接,写的是 image (26).png;05 号的手绘蒙版用的是 clipspace/clipspace-painted-masked-…png [input]。

修法:给工作流配一个 input/ 素材包,文件名统一成 04_site.jpg / 04_ref.jpg,导入后重新选图。

04 号 · #85 → #86

翻译节点是死端,中文只是给你看的

DeepTranslator 的输出只连到 ShowText,没有进入任何 CLIPTextEncode。正向提示词用的仍是 Florence2 的英文原文(#62 → #59)。更反直觉的是:节点参数写 auto → english,显示的却是中文。

修法:要么把 #85 输出接到一个英文 CLIPTextEncode 后再进 #12,要么直接删掉这条展示链,减少误导。

04 号 · #59

节点框里的提示词是“历史残留”

#59 的文本框里还留着一段以 “modern high-rise building…” 开头的描述,但它的 text 输入已被 #62 占用。连线优先,框里的字完全不生效。照着框里的字去改,会得到“改了没反应”的假象。

修法:清空文本框,或断开 #62 改成手写提示词,二选一,别让两种来源并存。

04 号 · #38

Anything Everywhere 的线是“看不见”的

它把 MODEL / CLIP / VAE 自动广播给所有未连线的同类型输入。画布上看不到一根线,但节点确实被接上了。调试时如果“参数没错、结果不对”,优先检查它。

修法:排错时先静音(mute)#38,再逐个显式连线,问题会立刻暴露。

04 号 · #4 / #16

denoise = 1.0:起始图其实只是“定尺寸”

虽然走了 #15 → #79 → #16 → #31 的图生图链路,但 denoise 是 1.0,采样从纯噪声开始。起始图的内容不参与生成,只贡献了宽高与 batch。构图能保住,靠的是两条 ControlNet。

修法:想保留原图材质,把 denoise 降到 0.55–0.75;想完全重画,就接受“起始图只是尺寸模板”。

01 号 · #132;04 号 · #87

保存前缀会骗人

01 号的 SaveImage 前缀写成 Flux2-Klein-4b-base,但实际加载的是 flux-2-klein-base-9b-fp8;04 号则只写了通用的 ComfyUI,出图后根本分不清是哪一版参数。

修法:前缀统一成 04_building_{模型}_{LoRA}_{seed} 这类可追溯格式。

07 / PRACTICE

动手练习 + 自检清单

按顺序做,一个练习只改一个变量。做完再回看第五节,你会突然看懂表里那几行数字。

EX 01 · 5 分钟

先跑通,再谈效果

准备一张建筑照片和一张风格参考图,替换 #15 / #33,其余不动,直接排队。记录耗时与显存峰值。

看什么:能否出图、有没有节点报红、显存是否爆。
EX 02 · 10 分钟

固定 seed,只动 LoRA

把 #4 的 control_after_generate 改成 fixed,然后让 LoRA 强度在 0.2 / 0.49 / 0.9 各跑一次。

看什么:哪些变化来自 LoRA,以及 0.9 时建筑细节是否开始变形。
EX 03 · 10 分钟

拆掉一条 ControlNet

先把 #12 强度设 0,再把 #48 设 0,各跑一次,与原始结果三张并排。

看什么:Depth 管体积、Lineart 管边缘,谁一走形最明显。
EX 04 · 10 分钟

风格衰减实验

#37 的 end_at 依次设 0.6 / 0.8 / 0.95 / 1.0,IPAdapter 权重保持 0.7。

看什么:风格从第几步开始退场,以及 0.6 时画面是否变“素”。
EX 05 · 15 分钟

精修到底值不值

把 #354 静音,直接保存 #9 的输出;再恢复 #354,对比同 seed 两张图。

看什么:Flux2 一步精修带来的锐度、材质与 AI 感差异。
EX 06 · 15 分钟

修一个真实的坑

按第六节修法,删掉 #85/#86 死端,或把 #59 的残留文案清空;再给工作流配一套规范命名的 input 素材。

看什么:工作流能否脱离原作者机器独立跑通。

自检清单(勾选状态会存在本机)

  • 我能说清 #15 与 #33 各自负责“形”还是“气”。
  • 我知道两条 ControlNet 是串联,且深度在前、线稿在后。
  • 我能指出正向提示词的真实来源是 #62,而不是 #59 的文本框。
  • 我知道 #85/#86 翻译链不参与出图。
  • 我理解 denoise=1.0 时,起始图只贡献尺寸。
  • 我能独立找到并展开 #354 里的 Flux2 子图,说出它做了一步什么。
  • 我改过至少一个参数,并能解释结果为什么变。
本课数据来源与核对方式:ComfyUI_工作流架构/04📚基础版 建筑毛坯+参考图出图 .json。顶层 34 个节点、52 条连线、5 个分组;3 个子图定义(18 + 1 + 1 个节点)。参数逐项读取自 widgets_values,连线关系读取自 links;跨课程对比涉及 01 号与 07 号 JSON。节点编号、文件名、模型名均保留原样,未做改写。