企业官网建设流程全解析

基于ComfyUI的AI图像生成工作流实验*

一、 实验目的
1.掌握基于 ComfyUI 的 Stable Diffusion（SD 1.5）工作流搭建与图像反向扩散采样机制。
2.理解正向提示词（Prompt）与反向提示词（Negative Prompt）对潜在空间（Latent Space）生成方向的引导作用。
3.深入理解低秩适应模型（LoRA）的串联链路结构，探究不同 LoRA 权重强度（Strength）对图像材质、风格和维度迁移（2D 转向 3D 盲盒质感）的干预阈值。
二、 实验环境与硬件配置
实验平台：千里云算力平台
核心框架：ComfyUI (基于 PyTorch 与 Diffusers 架构)
三、 实验一：基于标准工作流的文生图

1. 实验节点拓扑与参数配置
   本实验首先在千里云平台搭建了标准的 SD 1.5 图像生成基础工作流。核心节点配置参数如下：
   基础大模型（Checkpoint）：v1-5-pruned-emaonly-fp16.safetensors
   Latent尺寸：512* 512 像素
   采样器参数：
   种子（Seed）：采用固定模式 fixed 以严格控制变量
   步数（Steps）：20
   CFG 引导系数：8.0

采样器/调度器：euler / normal
降噪幅度（Denoise）：1.00
文本编码输入：
正向提示词：A beautiful anime girl with pink hair, detailed background, masterpiece, 8k
反向提示词：low quality, blurry, bad anatomy, bad hands, deformed

2. 实验结果展示
   在固定的随机种子和原生 SD 1.5 大模型的作用下，系统成功解调并生成了标准的扁平二次元画风粉发女孩图像。
   组别 A：原生大模型标准生成（无 LoRA 干预）:
   
   

组别 B：修改 CFG 对比组（测试提示词控制力度）
操作：保持其他所有设置完全不变。
参数修改：将 KSampler 节点中的 cfg 从 8.0 提高到 20.0。
观察画面变化。你会发现画面的线条可能会变得极粗、色彩极度浓烈甚至有些失真。

组别 C：修改 Steps 对比组（测试生成步数/画质影响）
操作：将 cfg 重新改回 8.0。
参数修改：将 KSampler 节点中的 steps 从 20 降低到 5。
操作：点击 Queue Prompt。
保存素材：此时由于步数太低，AI 还没画完就输出了。你会看到一张充满模糊噪点、全是色块的废图。

四、实验二：基于 3D 盲盒风格 LoRA 的潜在空间微调实验

在保证随机种子及提示词完全一致的控制变量前提下，通过调整 Load LoRA 节点中的 strength_model 与 strength_clip 参数，得到了以下两组极具对比性的实验结果：
组别 A：标准融合组（LoRA 权重 = 1.0）

实验现象：当权重设为默认值 1.0 时，图像发生了轻微的维度跨越。原本实验一中扁平的 2D 动漫女孩，在面部五官和粉发大布局保持基本一致的情况下，材质表面呈现出稍微平滑的 PVC 塑料反光与，边缘阴影深度大幅增强，表现出3D渲2D的动漫效果。
组别 B：极端过载组（LoRA 模型强度权重 = 2.0）

实验现象：为了探究该 LoRA 模型的性能阈值，将权重强行拉高至 2.0。此时，3D 特征矩阵在潜空间中表现出过拟合（Overfitting）状态。画面立体感和角色边缘线条发生强烈的重塑与挤压，色彩饱和度高度浓缩，面部和衣服边缘出现局部硬化或艺术过载现象。

五、 实验总结与体会
控制变量在 AI 推理实验中的重要性：本实验通过在千里云平台上固定 Seed 种子，清晰地观察到了在底层随机噪声完全相同的情况下，仅通过改变模型链路和低秩权重，就能将画面从 2D 画风迁移至 3D 风格，充分证实了扩散模型在潜在空间中对特征方向控制的精准性。
LoRA 串联链路的本质：LoRA 并不是一个独立运作的生成器，它必须依附于基础大模型的 MODEL 与 CLIP 信号线之间。通过对交叉注意力机制（Cross-Attention）矩阵的微调，以极低的算力成本（仅约 103MB 的文件体积）撬动了 6GB 级别基础大模型的维度级艺术表现。
工程调参的敏感度法则：实验表明，该 3D LoRA 在 0.0 - 1.0 区间内表现为隐性微调至显性风格迁移，而在权重 > 1.5 后表现为强行干预与过拟合。在实际的 AIGC 工业生产中，推荐将该模型权重控制在 0.8 - 1.1 之间，以获得 3D 质感与大模型原生画风最自然的融合度。