2025年—Comfy UI 和 Stable Diffusion底层原理

为什么要先讲SD原理 ？

• 逻辑理解: ComfyUI是节点式操作，需要自行搭建工作流，理解原理才能灵活定制工作流
• 学习效率: 基础原理不懂会导致后续学习吃力，原理是掌握ComfyUI的关键
• 核心价值: ComfyUI最有价值的功能就是自主搭建工作流，这需要深入理解SD原理

Stable Diffusion 扩散算法

• 基本概念: SD基于扩散算法(diffusion)生成图像，中文译为"稳定的扩散"
• 核心过程:
  • 正向扩散: 生噪过程，增加噪点
  • 反向扩散: 去噪过程，消除噪点
• 实现方式: 先将图片铺满噪点，然后根据步数逐步降噪，最终得到目标图像
• 关键结论: 图像生成是从噪点到清晰图片的渐进过程

工作流示例

我们现在用一个实例来走一遍AI生图的流程。比如说我们要让AI生成一个美丽的女孩。

我们把关键词"beautiful girl"输入给计算机的时候，计算机无法理解"beautiful girl"。人类语言与计算机语言需要转换，就像中英文交流需要翻译。这就需要一个翻译：CLIP。

CLIP

CLIP是Text Encoder(文本编码器）的一种，其作用是将文本信息（"beautiful girl"）数字化，根据模型训练经验识别特征(大眼睛、好身材等)。将人类语言翻译为计算机能理解的数字化描述(函数/向量)。CLIP使AI能捕捉文本含义，是SD工作流的关键组件。

Latent Space(潜空间)

刚才被CLIP编译完的数字化信息会进入到 Latent Space(潜空间)。我们所使用的调度器，采样器，CFG Scale都是在潜空间里进行工作的。

在 ComfyUI 中，Latent Space 是连接文本、模型和生成图像的桥梁。它的核心价值在于：

高效性：压缩表示降低计算成本。

灵活性：支持多种潜在空间操作和扩展。

模块化：与 ComfyUI 的节点式工作流完美契合，便于可视化调试。

我们这里说一下其节省计算成本的作用，例如我要生成一张512x512的图片。

在Latent Space(潜空间)内，数据会被压缩：

Latent Space(潜空间)中有U-Net（作用是给图片去噪），其可以对随机种子生成噪声图进行引导。

VAE解码器

到这一步，图片其实已经被生成出来了，只不过此时的图片是一张被压缩的，数字化的（一堆向量和参数）的图片，我们人类还无法看懂。

我们需要解码器对图片进行解压，解码器的作用是将计算机数据转变为人类可视图像

以上就是文生图的大致工作流程，下图为Comfy UI的工作流节点