最近 ComfyUI對于Stable Cascade的支持越來越好了一些，官方也放出來一些工作流供參考。

這里簡單分享幾個比較常用的基礎工作流。

（如果還沒有下載模型，可以先閱讀上一篇Stable Cascade升級，現在只需要兩個模型）

🌋文生圖

StageC階段：

首先是使用基礎的模型加載節點，把stage_c模型加載進來，然后正常輸入正向提示詞和負向提示詞，稍微需要注意的是采樣里邊的參數和latentimage生成節點要使用StableCascade_EmptyLatentImage，這里邊的42，指的是1024分辨率需要壓縮42倍率去生成一個小的latent，用于后續Stage_c模型繼續采樣；

StageB階段：

將第一步生成的latent進行二次采樣和放大；這里需要將StageC階段的condition和stageC生成的latent作為控制條件進行輸入，然后繼續在空白噪聲上進行采樣；

最后通過VAE,也就是之前提到的三段式里邊的StageA，將圖像從潛空間還原為像素空間，就生成圖像了，這里的VAE是從StageB的模型中直接調取的。

測試用的提示詞為：A fashionably dressed anthropomorphic cat struts down the runway,3d,disney studio,cartoon,cute,

🚠圖生圖

輸入圖像為：

提示詞為：super man, close-up, walking in the desert, oasis in the background, nighttime, with a moon in the sky,

輸出圖像為：

效果部分，可以看到會參考輸入圖像畫風和構圖，并將畫面主體根據提示詞做了替換。

圖生圖部分，比較特別的是stabelcascade_stageC_vaeencode這個節點，通過這個節點將像素空間的圖像轉化為潛空間，類似之前的vae encoder，只是這里要將輸出的latent分別發給stageC階段的采樣器和StageB階段的采樣器，另外，StageC階段的采樣器，降噪不要太高，0.6左右比較合適，否則就跟圖像關系不大了。

🚀多圖融合

?提示詞留空，輸入圖像為兩張，分別是：

?輸出圖像為：

嗯，水母被巧妙的放在海邊的盒子中了，語義上是合理的。

CLIP Vision Encode節點可用于加載特定的CLIP視覺模型，類似于CLIP模型用于對文本提示進行編碼，CLIP視覺模型用于對圖像進行編碼。

注意這里的圖片是可以多級串聯的，只是串聯的太多，每張圖片的影響力理論上也會降低。

🎈工作流地址：

comfyui官方示例：Stable Cascade Examples | ComfyUI_examples

當然你也可以到網盤下載：https://pan.quark.cn/s/9b155ffd02ca

🎉寫在最后~

去年的時候寫了兩門比較基礎的Stable Diffuison WebUI的基礎文字課程，大家如果喜歡的話，可以按需購買，在這里首先感謝各位老板的支持和厚愛~

?StableDiffusion系統基礎課（適合啥也不會的朋友，但是得有塊Nvidia顯卡）：

https://blog.csdn.net/jumengxiaoketang/category_12477471.html

??🎆綜合案例課程（適合有一點基礎的朋友）：

https://blog.csdn.net/jumengxiaoketang/category_12526584.html

??

這里是聚夢小課堂，就算不買課也沒關系，點個關注，交個朋友😄