今天给大家演示一个基于 ComfyUI 的双阶段生成与放大工作流，该流程通过加载不同的核心模型，结合提示词与负面提示的文本编码，先生成初始图像，再利用潜空间放大与二次采样实现高分辨率、细节更丰富的最终输出。工作流的设计重点在于用分层模型和节点组合，让生成画面在质量和尺寸上都能得到提升。

工作流介绍

这个工作流主要围绕两个核心模型展开：首先加载 DreamShaper_8_pruned.safetensors 用于初始图像生成，随后切换到 v1-5-pruned-emaonly-fp16.safetensors 来完成二次采样和增强，从而结合两者的优势，得到高质量且逼真的结果。在模型的支持下，工作流依靠多个 Node 节点协同完成，包括 EmptyLatentImage 负责建立潜空间输入，CLIPTextEncode 分别对正向与负向提示词进行编码，KSampler 执行采样生成，LatentUpscaleBy 进行潜空间图像放大，而 VAEDecode 则将潜空间结果解码成最终图像并通过 SaveImage 保存。整体流程通过这些节点的有机组合，实现了从文本到图像再到高分辨率图像的完整链路。

核心模型

在整个工作流中，模型的选择与切换起到至关重要的作用。初始的 DreamShaper 模型以更具艺术感和表现力的生成见长，而 v1-5 模型则保证了稳定扩散在细节还原和真实感方面的优势。这种双模型的结合让生成的图像既有创意风格，又能在放大环节保持清晰度和真实感。

Node节点

节点是整个工作流的骨架，承载着从潜空间创建到提示词编码，再到采样与解码的关键环节。CheckpointLoaderSimple 用于加载不同的模型，EmptyLatentImage 生成初始潜图尺寸，CLIPTextEncode 编码提示信息以指导采样，KSampler 负责在潜空间进行扩散采样，LatentUpscaleBy 用于潜空间层级的放大，而 VAEDecode 将潜图转化为可视化图像，最终由 SaveImage 节点输出结果。多个 CLIPSetLastLayer 和不同的 CLIPTextEncode 组合，使得正负提示在不同阶段都能得到优化。整体节点配合，使工作流能从低分辨率的初始结果平滑过渡到高质量的最终作品。

工作流程

整个工作流程分为两大阶段。第一阶段以 DreamShaper 模型为核心，通过 EmptyLatentImage 建立潜空间输入，结合正向提示与负向提示的文本编码，再由 KSampler 进行初始采样生成，并使用 VAEDecode 将潜空间转换为低分辨率图像。随后通过 LatentUpscaleBy 在潜空间放大图像，为后续的高精度再采样提供基础。第二阶段切换至 v1-5 模型，再次利用正向与负向提示词的 CLIP 编码与 KSampler 采样生成，结合放大后的潜空间图像输入，输出更高质量的图像，并最终通过 VAEDecode 和 SaveImage 得到细节丰富的成品。整个流程体现了分步生成、潜空间放大和再采样的有机衔接，使图像在清晰度和细节表现上得到显著提升。

应用场景

该工作流的应用场景主要集中在需要高质量图像输出的任务中。无论是创意插画还是真实感风景生成，它都能先快速生成低分辨率的初稿，再通过潜空间放大与二次采样获取高分辨率、高细节的终稿。对于艺术创作者而言，它能保证创意的表达与细节的呈现兼顾；对于设计与宣传行业，则可以在保证画面精美度的同时，快速生成符合使用需求的高分辨率图像。整体而言，这一工作流非常适合需要在效率与质量之间找到平衡的典型用户群体。

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