ComfyUI 学习笔记：图像生成过程全总结

一、一句话总览

从纯随机噪声出发，在文本提示词的引导下，一步步减去噪声，最终"雕刻"出一张清晰图像。

二、核心原理：扩散模型

两个阶段

阶段	方向	操作	目的
训练	清晰 → 噪声	加噪声	让模型学会识别噪声
生成	噪声 → 清晰	去噪声	得到图像

训练学"加"，生成用"减"，这就是扩散模型的核心对称性。

三、完整生成流程（文生图）

复制代码

① 文字提示词
        │
        ▼
② [CLIP 文本编码器] → 文本特征向量
        │
        ▼
③ [Empty Latent Image] → 纯噪声图（潜空间）
        │
        ▼
④ [KSampler] 循环去噪 N 次 ←── 文本特征作为引导
        │
        ▼
⑤ 干净的潜空间图
        │
        ▼
⑥ [VAE Decode] → 像素图像
        │
        ▼
⑦ [Save Image] → 最终图片

四、每一步详解

① 输入提示词

正向提示词：你想要的内容
负向提示词：你不想要的内容

② 文本编码

CLIP 把文字转成数值向量
这个向量贯穿整个去噪过程，作为"方向引导"

③ 生成纯噪声

Empty Latent Image 生成随机数值张量
例如 1024×1024 图 → 潜空间 128×128×4
全是随机数，没有任何图像信息

④ KSampler 去噪（核心）

每一步重复：

模型看着当前带噪图，预测里面的噪声
用 CFG 公式结合提示词方向
减掉预测的噪声
得到稍微干净一点的图
重复 N 次（N = 采样步数）

CFG 公式：

复制代码

最终噪声预测 = 无条件预测 + CFG ×（有条件预测 − 无条件预测）

CFG 越大 → 越听提示词
CFG 越小 → 越自由发挥

⑤ 得到干净潜空间图

去噪完成后，潜空间里已是"确定数值"
但人眼还看不懂，需要解码

⑥ VAE Decode

把潜空间图还原成像素图
潜空间（128×128×4）→ 像素（1024×1024×3）

⑦ 保存输出

得到最终可见的图片

五、三个核心参数

参数	控制什么	推荐值
采样步数 Steps	去噪次数	20~30
CFG Scale	听提示词的程度	5~8
分辨率	图像大小	SDXL 用 1024

六、关键概念回顾

概念	含义
像素空间	人眼可见的 RGB 图像世界
潜空间	AI 内部压缩表示，计算在此进行
纯噪声图	全随机数值，生成的起点
去噪	把随机数值逐步修正为确定值
VAE Encode	像素 → 潜空间（压缩）
VAE Decode	潜空间 → 像素（还原）

七、为什么在潜空间做？

对比	像素空间	潜空间
尺寸	1024×1024×3	128×128×4
数据量	~314 万	~6.5 万
速度	慢	快约 48 倍
显存	大	小

扩散全程在潜空间，最后才 Decode 回像素 ------ 这就是 Latent Diffusion。

八、常见误区

误区	真相
AI 凭空画出图像	从噪声逐步去噪而来
去噪 = 擦掉噪点	去噪 = 把随机数值修正为确定值
提示词直接画图	提示词只是引导方向
步数越多越好	20~30 步后收益递减
扩散在像素上做	实际在潜空间做

九、终极记忆口诀

噪声是起点，去噪是过程。

训练学加噪，生成反着减。

提示词指方向，CFG 定听话。

步数管细腻，潜空间里算。

Decode 回人间，像素终可见。