访问官网
Github
Huggingface
文档
论文ComfyUI-TCD
如果我的工作对你有帮助，请考虑给它一个星标。
本仓库是TCD论文中提到的TCD采样器在ComfyUI上的自定义节点实现。
TCD受一致性模型启发，是一种新型蒸馏技术，能够将预训练扩散模型的知识蒸馏到少步采样器中。众所周知，LCM在生成清晰和详细图像方面存在一些问题。TCD比LCM显著提高了图像质量，且使用更少的步骤。此外，TCD允许调整样本中的随机噪声水平，产生不同程度细节的结果。
也就是说：
- 在相同去噪步数下，TCD生成的细节比LCM更好。
- TCD可以通过参数控制细节的丰富程度。
- 此外，当步数较大时，TCD也会比LCM产生更好的结果。
我的一些其他可能对你有帮助的项目：
:star2: 更新日志
- [2024.6.03] :wrench: 修复gamma为0时的采样问题。
- [2024.4.28] :rocket: 官方PR进行中。
- [2024.4.28] 初始仓库。
示例工作流
examples目录中有工作流示例。assets文件夹中有使用TCD和LCM生成的图像。
TCD在高NFEs（步数）下仍保持优秀的生成质量。
| TCD结果 | LCM结果 | |
|---|---|---|
| 低NFEs |  |  |
| 高NFEs |  |  |
[!注意]
除了cfg、step和sampler外，其他参数保持不变。
| ddim 30步 | dpmpp_2m 30步 | TCD 4步 | LCM 4步 |
|---|---|---|---|
 |  | | |
上述比较结果显示，TCD能够产生比LCM更好的细节效果，不再那么模糊和平淡。
LoRA模型
TCD可用的一些LoRA模型。
TCD团队的TCD LoRAs：
字节跳动团队的Hyper-SD 1-Step统一LoRAs：
安装
git clone https://github.com/JettHu/ComfyUI-TCD
# 或使用ComfyUI-Manager
节点参考
TCD模型离散采样
输入
- model：由
Load Checkpoint和其他模型加载器加载的模型。
配置参数
- steps：去噪过程中使用的步数（与KSampler节点相同）。
- scheduler：使用的调度类型（与KSampler节点相同）。
- 我只保留了
simple和sgm_uniform。simple的行为与diffusers相同。sgm_uniform是ComfyUI作者推荐的另一种用于LCM的调度器。
- 我只保留了
- denoise：应该被噪声擦除的潜在信息量（与KSampler节点相同）。
- eta：一个随机参数（在论文中称为
gamma），用于控制每一步的随机性（结果的细节丰富程度）。当eta = 0时，表示确定性采样，而eta = 1表示完全随机采样。建议在调整较大步数和使用不同LoRA时微调此参数。默认值为0.3。
