今天给大家演示一个基于 DreamShaper 模型 的 ComfyUI 工作流，它以文本生成图像为核心，同时配合双重采样与高质量超分辨率放大处理，实现了既具备艺术氛围又拥有清晰细节的画面。该工作流的亮点在于通过两次图像生成与潜空间的解码/再编码衔接，结合 RealESRGAN 超分辨模型完成高精度放大，最终导出自然、细腻并且兼具复古质感的成片效果。读者能直观理解到，这是一个从提示词到高清成品的完整流程，涵盖了模型加载、文本编码、采样生成、超分与导出等关键环节。

工作流介绍

该工作流整体上围绕 文本到图像生成 与 非潜空间超分辨率放大 两大核心展开，首先通过 DreamShaper 模型加载 VAE 与 CLIP 编码器来完成文字描述的语义条件输入，随后经由 KSampler 执行两阶段采样，生成初步的潜空间图像。接着，利用 VAE 解码还原像素级图像并引入 RealESRGAN 放大模型进行清晰度提升，再通过缩放与重新编码衔接第二次采样过程，以实现最终更具表现力的画面。整体流程既兼顾了画面艺术感，也保证了成品在尺寸和细节上的实用性。

核心模型

在核心模型部分，工作流采用 DreamShaper 作为主要生成模型，它兼容文本到图像的多风格表达，并通过 VAE 模块实现潜空间与像素空间的互转。同时，RealESRGAN 超分辨率模型被用于提升生成图像的清晰度和分辨率，使得输出效果能在保证艺术质感的同时，满足高清展示或二次创作的需要。两者相互配合，构建了完整的生成与放大环节。

Node节点

本工作流的节点设置围绕采样、解码、放大和存储几个关键环节展开。CheckpointLoaderSimple 节点承担模型加载的起始作用，CLIPTextEncode 将正向和负向提示词编码为条件输入，KSampler 则在潜空间中执行采样生成。VAEEncode 与 VAEDecode 构建了像素空间和潜空间的桥梁，确保图像在多阶段处理之间保持连贯性。UpscaleModelLoader 与 ImageUpscaleWithModel 为超分放大提供支撑，而 ImageScale 节点进一步保证了图像尺寸的合理性。最终，SaveImage 节点完成成片导出，形成完整的工作闭环。

工作流程

该工作流的执行逻辑分为模型加载、文本到图像生成、潜空间与像素空间的互转、超分辨率放大以及最终成品导出几个连续阶段。首先加载 DreamShaper 模型及其相关的 VAE 与 CLIP 编码器，随后通过正向与负向提示词完成语义条件设定。在 KSampler 中执行第一次潜空间采样并解码为像素级图像，再结合 RealESRGAN 模型进行放大与细节增强。放大后的结果经过尺寸缩放与 VAE 再编码后，进入第二次采样环节以提升画面质感与一致性，最后通过解码与 SaveImage 节点生成高清成片。整个流程不仅保证了提示词驱动的图像生成效果，还通过双重采样与非潜空间超分辨技术实现画面细节与尺寸的全面优化。

应用场景

该工作流广泛适用于需要 高质量艺术图像生成与放大 的应用场景，尤其是在要求既具备艺术美感又要保持高清细节的内容创作中表现突出。无论是设计师在进行概念艺术图稿创作，还是摄影爱好者追求复古胶片质感的模拟，本流程都能提供从文本输入到高清图像的完整解决方案。通过二次采样与超分辨率结合，不仅可以生成具有电影感与复古氛围的画面，还能满足商业插画、视觉展示和高清壁纸等多样化输出需求，为用户带来可直接应用于作品或产品的成品图像。

开发与应用

更多 AIGC 与 ComfyUI工作流 相关研究学习内容请查阅：

ComfyUI使用教程、开发指导、资源下载

更多内容桌面应用开发和学习文档请查阅：

AIGC工具平台Tauri+Django环境开发，支持局域网使用
AIGC工具平台Tauri+Django常见错误与解决办法
AIGC工具平台Tauri+Django内容生产介绍和使用
AIGC工具平台Tauri+Django开源ComfyUI项目介绍和使用
AIGC工具平台Tauri+Django开源git项目介绍和使用