為什么要先講SD原理 ？
- 邏輯理解:?ComfyUI是節點式操作，需要自行搭建工作流，理解原理才能靈活定制工作流
- 學習效率: 基礎原理不懂會導致后續學習吃力，原理是掌握ComfyUI的關鍵
- 核心價值: ComfyUI最有價值的功能就是自主搭建工作流，這需要深入理解SD原理
Stable Diffusion?擴散算法
- 基本概念: SD基于擴散算法(diffusion)生成圖像，中文譯為"穩定的擴散"
- 核心過程:
- 正向擴散: 生噪過程，增加噪點
- 反向擴散: 去噪過程，消除噪點
- 實現方式: 先將圖片鋪滿噪點，然后根據步數逐步降噪，最終得到目標圖像
- 關鍵結論: 圖像生成是從噪點到清晰圖片的漸進過程
工作流示例
我們現在用一個實例來走一遍AI生圖的流程。比如說我們要讓AI生成一個美麗的女孩。
我們把關鍵詞"beautiful girl"輸入給計算機的時候，計算機無法理解"beautiful girl"。人類語言與計算機語言需要轉換，就像中英文交流需要翻譯。這就需要一個翻譯：CLIP。
CLIP
CLIP是Text Encoder(文本編碼器）的一種，其作用是將文本信息（"beautiful girl"）數字化，根據模型訓練經驗識別特征(大眼睛、好身材等)。將人類語言翻譯為計算機能理解的數字化描述(函數/向量)。CLIP使AI能捕捉文本含義，是SD工作流的關鍵組件。
Latent Space(潛空間)
剛才被CLIP編譯完的數字化信息會進入到 Latent Space(潛空間)。我們所使用的調度器，采樣器，CFG Scale都是在潛空間里進行工作的。
在 ComfyUI 中，Latent Space 是連接文本、模型和生成圖像的橋梁。它的核心價值在于：
高效性：壓縮表示降低計算成本。
靈活性：支持多種潛在空間操作和擴展。
模塊化：與 ComfyUI 的節點式工作流完美契合，便于可視化調試。
我們這里說一下其節省計算成本的作用，例如我要生成一張512x512的圖片。
在Latent Space(潛空間)內，數據會被壓縮：
Latent Space(潛空間)中有U-Net（作用是給圖片去噪），其可以對隨機種子生成噪聲圖進行引導。
VAE解碼器
到這一步，圖片其實已經被生成出來了，只不過此時的圖片是一張被壓縮的，數字化的（一堆向量和參數）的圖片，我們人類還無法看懂。
我們需要解碼器對圖片進行解壓，解碼器的作用是將計算機數據轉變為人類可視圖像
以上就是文生圖的大致工作流程，下圖為Comfy UI的工作流節點
)
