comfyui 文生图正反关键词
时间: 2025-05-23 14:23:57 浏览: 27
### ComfyUI 中文字生成图像的正向与负向关键词使用方法
在 ComfyUI 工具中,实现基于文本的文字生成图像(Text-to-Image, TTI)功能时,正向和负向关键词的作用至关重要。这些关键词用于指导 AI 模型生成更符合预期的结果。
#### 正向关键词
正向关键词是指希望模型重点表现的内容描述。它们通常由用户输入到 **Positive Prompt** 字段中。该字段中的内容会被传递给 Clip 编码器进行处理,从而影响最终生成的图像风格、主题以及细节特征[^1]。
例如:
```plaintext
A detailed painting of a fantasy landscape with mountains and rivers.
```
这段文本会引导模型生成一幅详细的幻想风景画,包含山脉和河流等元素。
#### 负向关键词
负向关键词则用来排除不想要的效果或特性,减少某些特定类型的视觉干扰项。这类信息被放置于 **Negative Prompt** 输入框内,并同样经过 Clip 编码阶段参与计算逻辑[^2]。
比如设置如下负面提示语句可以有效抑制低质量或者偏离目标方向的作品出现几率:
```plaintext
Blurry images, low resolution, bad anatomy.
```
上述例子能够防止模糊不清的照片、分辨率过低的情况发生,同时也改善人体解剖结构可能出现错误的概率。
#### 实际操作指南
当构建一个完整的图片生产管线时,这两个参数分别对应不同的节点位置。对于标准工作流而言,“加载检查点文件”之后紧接着就是定义好正面及背面提词串再继续后续步骤像建立空白潜藏域映射图层之类的操作直至最后完成整个渲染周期结束导出成果物为止。
以下是简化版 Python 风格伪代码表示这一系列动作顺序关系:
```python
def generate_image_with_prompts(positive_prompt, negative_prompt):
model = load_checkpoint() # 加载预训练好的扩散模型
positive_encoding = encode_clip_text(model.clip_encoder, positive_prompt)
negative_encoding = encode_clip_text(model.clip_encoder, negative_prompt)
latent_sample = sample_latent_space(
sampler=model.sampler,
positive_conditioning=positive_encoding,
negative_conditioning=negative_encoding
)
initial_empty_latent = create_empty_latent_image()
final_generated_image = decode_vae(latent_sample + initial_empty_latent, vae_decoder=model.vae)
save_image(final_generated_image)
```
此脚本展示了如何利用提供的正反两组关键字来控制创作流程的不同方面,进而得到更加精确满足需求的艺术作品。
阅读全文
相关推荐

















