コアノード
ComfyUIで画像を編集したり、条件付けを行ったりするための主要ノードを学び、強力なAIアートワークフローを構築しましょう。
Image(画像の読み込み・編集・保存)
Pad Image for Outpainting(画像の外側に描き足し用の余白を追加)

Outpainting(画像の外側への描き足し)に使用する余白とマスクを作成します。このノード自体が描き足しを行うわけではありません。出力した画像とマスクをVAE Encode(部分再描画用の画像変換)などに接続して使用します。
パラメータ:
left(左)、top(上)、right(右)、bottom(下):それぞれの方向に追加する余白の量
feathering(境界のぼかし):元画像と拡張部分の境界をなじませる範囲
Save Image(画像を保存)

Load Image(画像を読み込む)
ImageBlur(画像にぼかしを加える)
画像にぼかし効果を加えます。
パラメータ:
sigma(ぼかしの広がり):ガウスぼかしの広がりを調整します。同じフィルターサイズでは、値が小さいほど中心付近のピクセルが強く影響します。
Image Blend(2枚の画像を合成)
合成率や合成方法を指定して、2枚の画像を重ね合わせます。
Image Quantize(画像の色数を減らす)
画像の色数を減らします。
パラメータ:
colors(色数): 画像の色数を指定します。1にすると、画像は1色だけになります。
dither(ディザリング/細かな点で中間色を表現する処理): 減色によって失われる色の変化を、細かな点の配置で補います。使用する方式、または無効にする設定を選びます。
Image Sharpen(画像をくっきりさせる)
パラメータ:
sigma(シャープ化に使うぼかしの広がり):シャープ化処理で参照する周辺ピクセルの重み付けを調整します。同じフィルターサイズでは、値が小さいほど中心付近のピクセルが強く影響します。
Invert Image(画像の色を反転)
画像の色を反転します。
Upscaling(画像の拡大・解像度の変更)
9.1 Upscale Image(モデルを使用/画像拡大用モデルで高解像度化)
9.2 Upscale Image(補間処理で画像サイズを変更)
Upscale Image(画像サイズを変更)ノードを使うと、ピクセル画像のサイズを変更できます。
パラメータ:
upscale_method(拡大・縮小の補間方法):サイズ変更時にピクセルを補間する方法を選択します。
width(幅):変更後の画像の幅
height(高さ):変更後の画像の高さ
crop(切り抜き):指定サイズに合わせて画像を切り抜くかどうか
Preview Image(画像をプレビュー)

Loaders(ローダー/各種モデルの読み込み)
Load CLIP Vision(画像の特徴を読み取るCLIP Visionモデルを読み込む)
画像の特徴を解析するCLIP Visionモデルを読み込みます。CLIP Vision Encode(画像の特徴を数値データに変換)と組み合わせて使用します。このノード自体が画像の説明文やプロンプトを生成するわけではありません。
Load CLIP(テキストを処理するCLIPモデルを読み込む)

指定したCLIPモデルを読み込みます。CLIPは、テキストプロンプトを画像生成モデルが利用できる条件情報に変換するために使われます。
*画像生成モデルに対応したCLIPモデルを使用してください。対応していない組み合わせでは、正常に動作しなかったり、意図した画像が生成されなかったりする場合があります。Load Checkpoint(チェックポイントを読み込む)では、チェックポイントに含まれるCLIPも読み込まれます。
unCLIP Checkpoint Loader(画像を生成条件として使うunCLIP用モデルを読み込む)

unCLIPに対応したチェックポイント(学習済みモデルのデータ)を読み込みます。unCLIPは、テキストだけでなく、入力画像から抽出した特徴も生成条件として利用する仕組みです。チェックポイントに含まれる画像生成モデル、VAE(画像と潜在データを相互変換するモデル)、CLIP(テキストを処理するモデル)、CLIP Vision(画像の特徴を読み取るモデル)を読み込みます。
*すべてのチェックポイントがunCLIPに対応しているわけではありません。画像を生成条件として利用するには、対応するモデルを使用してください。
Load ControlNet Model(構図や輪郭などを指定するControlNetモデルを読み込む)

ControlNetモデルを読み込みます。ControlNetは、輪郭やポーズ、奥行きなどの画像情報を生成条件として利用する仕組みです。Apply ControlNet(ControlNetを生成条件に適用)と組み合わせて使用します。
Load LoRA(画風や被写体の特徴を追加するLoRAモデルを読み込む)

Load VAE(画像と潜在データを相互変換するVAEモデルを読み込む)

Load Upscale Model(画像を高解像度化する拡大用モデルを読み込む)
Load Checkpoint(画像生成の基本となる学習済みモデルを読み込む)

Load Style Model(画像のスタイルを生成条件に加えるモデルを読み込む)

Styleモデル(画像のスタイルを生成条件に反映するモデル)を読み込みます。Apply Style Model(スタイルモデルを適用)などと組み合わせ、参照画像の特徴を生成に反映するために使用します。
*対応するモデル形式は、ComfyUIのバージョンによって異なります。T2I-Adapter(画像の情報を生成条件に加える仕組み)用など、使用するノードに対応したStyleモデルを選択してください。
Hypernetwork Loader(生成モデルの働きを調整するHypernetworkを読み込む)

Hypernetwork(生成モデルの内部処理を調整する追加モデル)を読み込みます。LoRAと同様に、画風や被写体などの表現を調整するために使われます。複数のHypernetworkを連結して使用することもできます。
Conditioning(条件付け/生成内容への指示や条件の設定)
Apply ControlNet(ControlNetを生成条件に適用)
ControlNetモデルを条件情報に適用し、入力画像の輪郭やポーズなどを生成に反映します。複数のControlNetを順番に適用することもできます。
パラメータ:
strength(適用の強さ):値が大きいほど、ControlNetによる制約が強くなります。
*ControlNetに渡す画像は、モデルが想定する形式に合わせてください。たとえば、Canny(輪郭検出)用モデルには、Cannyの前処理で作成した輪郭画像を入力します。必要に応じて、元画像とControlNetの間に対応する前処理ノードを追加してください。
CLIP Text Encode(Prompt)(テキストプロンプトを生成条件に変換)

入力したテキストプロンプトを、画像生成モデルが利用できる条件情報に変換します。通常は、ポジティブプロンプト(生成したい内容)用とネガティブプロンプト(避けたい内容)用に、それぞれ別のノードを使用します。
CLIP Vision Encode(画像の特徴を数値データに変換)
CLIP Visionモデルを使って、入力画像から特徴を抽出します。この特徴データを対応するノードに渡すことで、画像の情報を生成条件として利用できます。説明文やプロンプトを生成するノードではありません。Load CLIP Vision(CLIP Visionモデルを読み込む)と組み合わせて使用します。
CLIP Set Last Layer(CLIPのどの層まで使用するかを設定)
CLIP Skip(CLIPの後段の層を省略する設定)に相当する調整を行います。モデルによっては-2を使用しますが、適切な値はモデルごとに異なるため、モデルの推奨設定を確認してください。
GLIGEN Textbox Apply(指定した領域にテキストの生成条件を適用)
GLIGEN(位置を指定して生成内容を制御する仕組み)を使い、画像内の指定した領域にプロンプトの内容を反映します。対応するGLIGENモデルが必要です。
*ComfyUIの座標系の原点は、画像の左上隅です。
unCLIP Conditioning(画像の特徴をunCLIPの生成条件に追加)
CLIP Visionモデルで抽出した画像の特徴を、unCLIPモデルへの追加の生成条件として使用します。このノードを連結し、複数の画像の特徴を条件に加えることもできます。
Conditioning Average(2つの条件情報を指定した割合で混ぜる)
2つの条件情報を、指定した割合で混ぜ合わせます。
conditioning_to_strength(混ぜ合わせる際のconditioning_toの割合)を1にすると、conditioning_to(混合先の条件情報)のみを使用します。0にすると、conditioning_from(混合元の条件情報)のみを使用します。
Apply Style Model(スタイルモデルを生成条件に適用)
Styleモデルと参照画像から抽出した特徴を使い、生成条件に視覚的な情報を追加します。生成画像のスタイルなどを調整するために使用します。
Conditioning(Combine)(2つの条件情報をまとめる)
2つの条件情報を1つにまとめ、両方を生成に使用できるようにします。
Conditioning(Set Area)(条件を適用する領域を指定)
画像内の指定した領域に条件情報を適用します。Conditioning(Combine)(条件情報をまとめる)と組み合わせることで、領域ごとに異なる内容を指定できます。
パラメータ:
width(幅):条件を適用する領域の幅
height(高さ):条件を適用する領域の高さ
x(横方向の位置):領域の左上のX座標
y(縦方向の位置):領域の左上のY座標
strength(強さ):条件情報の適用の強さ
*ComfyUIの座標系の原点は、画像の左上隅です。
図の例では、左側に「cat(猫)」、右側に「dog(犬)」を指定します。
Conditioning(Set Mask)(条件を適用する範囲をマスクで指定)
マスクを使って、条件情報を適用する範囲を指定します。Conditioning(Combine)(条件情報をまとめる)と組み合わせることで、範囲ごとに異なる内容を指定できます。
Latent(潜在データ/画像生成モデルが内部で扱う画像表現)
VAE Encode(Inpainting用)(部分再描画用に画像を潜在データに変換)
Inpainting(画像の一部を描き直す処理)に使用します。画像とマスクを入力し、マスク部分の元画像の情報を取り除いたうえで、潜在データに変換します。マスクは、Load Image(画像を読み込む)ノードの画像を右クリックし、Open in MaskEditor(マスク編集画面を開く)などから作成します。
Set Latent Noise Mask(潜在データに再描画範囲のマスクを設定)
VAE Encode(画像を潜在データに変換)などで用意した潜在データに、ノイズ処理の対象範囲を示すマスクを設定します。このノード自体が画像の変換や再生成を行うわけではありません。
通常のVAE Encodeで変換した潜在データを使う場合、マスク部分にも元画像の情報が残ります。denoise(ノイズ除去の強さ)を低めに設定することで、元画像の特徴を残しながら描き直しやすくなります。
Rotate Latent(潜在データを回転)
潜在データを、指定した角度で回転します。
Flip Latent(潜在データを反転)
潜在データを水平方向または垂直方向に反転します。
Crop Latent(潜在データを切り抜く)
潜在データから、指定した位置とサイズの範囲を切り抜きます。
VAE Encode(画像を潜在データに変換)
VAE Decode(潜在データを通常の画像に変換)
Latent From Batch(バッチから指定した潜在データを取り出す)
バッチ(複数のデータをまとめたもの)から、指定した潜在データを取り出します。開始位置と取得数を指定して、1枚分または連続する複数枚分のデータを選択できます。
パラメータ:
batch_index(開始位置):最初に取り出す潜在データの番号。通常は0から数えます。
length(取得数):取り出す潜在データの数
Repeat Latent Batch(潜在データのバッチを複製)
潜在データのバッチを指定した回数だけ繰り返します。Img2Img(画像から画像を生成)のワークフローで、1枚の画像から複数のバリエーションを作る場合などに使用します。
パラメータ:
amount(繰り返し回数):元のバッチを何回分並べるかを指定します。
Rebatch Latents(潜在データを指定した枚数のバッチに組み直す)
潜在データを分割または結合し、指定した枚数ごとのバッチにまとめ直します。
Upscale Latent(潜在データの解像度を変更)
補間処理を使って、潜在データの解像度を変更します。
パラメータ:
upscale_method(拡大・縮小の補間方法):潜在データのサイズ変更に使用する方法
width(幅):変更後の画像に相当する幅
height(高さ):変更後の画像に相当する高さ
crop(切り抜き):指定サイズに合わせて切り抜くかどうか
*潜在データを拡大して、そのままVAE Decode(潜在データを画像に変換)で画像に戻すと、画質が劣化する場合があります。KSampler(ノイズを除去して画像を生成するノード)などで追加のサンプリングを行うことで、細部を整えられる場合があります。
Latent Composite(潜在データを重ね合わせる)
1枚分の潜在データを、別の潜在データの指定した位置に重ね合わせます。
パラメータ:
x(横方向の位置):重ね合わせる位置のX座標
y(縦方向の位置):重ね合わせる位置のY座標
feather(境界のぼかし):重ね合わせる部分の境界をなじませる範囲
*通常の画像を使う場合は、事前にVAE Encode(画像を潜在データに変換)で潜在データに変換してください。
Latent Composite Masked(マスクを使って潜在データを合成)
マスクを使って、1枚分の潜在データを別の潜在データに重ね合わせます。通常は、マスクの白い部分が合成され、黒い部分は貼り付け先の内容が残ります。
入力:
destination(貼り付け先):合成の土台となる潜在データ
source(貼り付け元):上に重ねる潜在データ
パラメータ:
x(横方向の位置):合成する位置のX座標
y(縦方向の位置):合成する位置のY座標
resize_source(貼り付け元のサイズ調整):貼り付け元の潜在データを、貼り付け先のサイズに合わせて変更するかどうか
Empty Latent Image(空の潜在データを作成)
指定したサイズと枚数の空の潜在データを作成します。サンプリングノードでノイズを加えてから除去することで、Text2Img(テキストから画像を生成)などのワークフローに利用できます。
Mask(マスク/処理する範囲の指定)
Load Image As Mask(画像をマスクとして読み込む)
Invert Mask(マスクの白黒を反転)
Solid Mask(指定した濃さの単色マスクを作成)
指定したサイズで、全体が同じ値のマスクを作成します。通常は0が黒、1が白で、中間の値はグレーになります。Mask Composite(マスクを合成)などと組み合わせて使用できます。
Convert Mask To Image(マスクを通常の画像に変換)
Convert Image To Mask(画像の色や透明度の情報をマスクに変換)
画像の赤・緑・青・透明度のいずれかのチャンネル(成分)を選び、その値をマスクとして取り出します。
Feather Mask(マスクの端をぼかす)
マスクの端にグラデーションを加え、境界をなだらかにします。
Crop Mask(マスクを切り抜く)
マスクから、指定した位置とサイズの範囲を切り抜きます。
Mask Composite(2つのマスクを合成)
2つのマスクを、指定した位置と演算方法で合成します。Solid Mask(単色マスクを作成)などで用意したマスクを接続して使用します。合成結果は、各マスクの値と選択した演算方法によって変わります。
入力:
destination(貼り付け先):合成の土台となるマスク。通常は、処理対象の画像と同じサイズにします。
source(貼り付け元):合成するマスク
パラメータ:
X(横方向の位置)、Y(縦方向の位置):貼り付け元のマスクを配置する位置
operation(合成の演算方法):multiply(乗算)、add(加算)、subtract(減算)などから選択します。乗算では貼り付け元の黒い部分で貼り付け先を黒くし、加算では貼り付け元の白い部分を貼り付け先に加えられます。
Sampler(サンプラー/ノイズ除去による画像生成)
KSampler(基本的なサンプリング処理)
入力:
latent_image(処理対象の潜在データ):ノイズを加え、生成条件に従ってノイズ除去を行う対象
出力:
LATENT(処理後の潜在データ):サンプリングを終えた潜在データ。VAE Decode(潜在データを画像に変換)に接続して画像に戻します。
KSampler Advanced(サンプリング処理の詳細設定)
ノイズを追加するかどうかや、処理を開始・終了するステップなどを細かく設定できます。
Advanced(高度な設定)
Load Checkpoint With Config(設定ファイルを指定してモデルを読み込む)
チェックポイント(学習済みモデルのデータ)と設定ファイルを指定して、画像生成モデルを読み込みます。
その他のノード(更新中)
AIO Aux Preprocessor(各種画像前処理をまとめて選択できるノード)
輪郭検出やポーズ推定など、さまざまな前処理を選択し、ControlNetなどに入力するための画像を生成します。
Last updated