一、背景

        通过基础文生图出图之后，虽然得到一张比较清晰的照片，但是有很多需要处理的地方。麦橘V7是一个非常好的大模型。配合的图片精修lora数不胜数，闲来无事可以到liblib下载配套lora玩玩。虽然这些模型随着AI快速迭代，逐渐淡出，但内在逻辑基本一致，而且小而精，不追求新技术也不影响任何场景的使用。而且，使用这些小而精的模型，有搭积木的乐趣，新出的绝大多数模型追求的都是all in one，普通人暂时只能花钱学习。

        AI生图的核心是“控图”。在上一篇中的第六节中已详细列出常见的问题以及解决方案。就第一小节中的启用动态阈值，对图片进行第一步精修。

二、功能定位与核心价值

1. 本质与作用​

        Dynamic Thresholding（简称 DT 功能）是AI 图像生成的进阶优化工具，通过在采样过程中动态调整模型对 Prompt 的响应阈值（替代固定 CFG Scale 的生硬约束），实现 “核心特征严格匹配、细节风格灵活生成” 的效果，解决传统固定阈值导致的 “过度贴合 Prompt 显僵硬” 或 “风格发散失焦” 问题。​

2. 适配场景

场景类型	核心优势	对比固定阈值
复杂场景生成（如多人 + 复杂背景）	优先保证主体比例 / 位置，细节自动适配	避免固定高 CFG 导致的细节堆砌、低 CFG 导致的主体崩坏
风格化创作（如赛博朋克 + 写实人像）	风格基调稳定，局部细节保留艺术自由度	平衡 “风格统一性” 与 “细节丰富度”
长 Prompt 优化（含 10 + 关键词）	自动权重分配，核心关键词优先响应	避免关键词冲突导致的生成逻辑混乱

三、前置准备：功能获取与环境适配

1. 功能来源说明​

DT 功能不隶属于 BMAB 插件，需通过以下两种方式获取：​

• 方式 1（ComfyUI）：安装专用节点「ComfyUI-DynamicThresholding」（第三方社区开发，适配 ComfyUI 0.3.0 + 版本）；​

• 方式 2（Stable Diffusion）：通过「Advanced Options」扩展面板启用（部分 SD 整合包内置，如秋叶、Bubbliiiing 整合包）。

2. 环境配置要求

平台	版本要求	安装 / 启用步骤
ComfyUI	核心版本≥0.3.0，Python≥3.10	1. 打开「Manager→Custom Nodes Manager」；2. 搜索「DynamicThresholding」；3. 安装后重启 ComfyUI
SD	WebUI 版本≥1.6.0，扩展面板启用	1. 进入「设置→扩展」；2. 勾选「启用 Advanced Options」；3. 重启 SD，在生成界面显示「Dynamic Thresholding」面板

注意：SD平台基本已经淘汰，尽量抽出精力转入ComfyUI，不再关注SD平台。

四、分平台启动流程详解​

ComfyUI 平台：DT 节点启动全步骤，SD平台省略

步骤 1：节点调用与画布接入​

1. 在节点面板搜索「Dynamic Thresholding」，拖拽「DynamicThresholdingNode」至工作流画布；​
2. 核心连接逻辑（以 “生成 + DT 优化” 基础流程为例）：

关键端口：将「Load Model」的「MODEL」「CLIP」端口接入 DT 节点对应接口，DT 节点的「MODEL_OUT」接入 KSampler 的「MODEL」接口。

步骤 2：核心参数配置（启动关键）

参数名称	取值范围	作用说明	新手推荐值
Base CFG Scale	2.0-8.0	基础阈值，决定 Prompt 核心匹配度	5.0（平衡基础约束与灵活性）
Max CFG Scale	Base CFG~12.0	动态阈值上限，控制细节响应强度	Base CFG+2.0（如 7.0）
Threshold Schedule	下拉选择	阈值变化曲线（线性 / 指数 / 阶梯）	Linear（平稳过渡，新手首选）
Dynamic Range	0.1-1.0	动态调整幅度，数值越高灵活性越强	0.6（避免过度发散）

步骤 3：启动与效果预览

1. 配置完成后点击画布顶部「Queue Prompt」；​
2. 生成过程中 DT 节点会实时显示 “当前采样步阈值”（可在节点日志查看）；​
3. 生成完成后对比无 DT 的效果：主体更贴合 Prompt，细节更自然。

五、与 BMAB 插件的联动方案（实战强化）

1. 核心联动逻辑​

DT 功能负责「生成阶段的阈值优化」，BMAB 节点负责「生成后的细节修复」，形成 “生成优化→细节强化” 的闭环：

2. 实战案例：写实人像生成 + 优化

ComfyUI 联动步骤​

1. 节点组合：Load Model(RealVisXL_V5.0_Lightning_fp16) → DynamicThresholdingNode → KSampler → BMAB After Detailer → Save Image，根据这个预设流程，先加入DynamicThresholdingNode，下一节再做BMAB After Detailer精修处理；​
2. 关键配置：​
   • DT 节点：Base CFG=5.0，Max CFG=7.0，Dynamic Range=0.6；​
   • BMAB AD 节点：Detection Model=face_yolov8n，Inpaint Strength=0.5；
3. 效果：生成的人像既贴合 “写实 + 光影通透” 的 Prompt 核心，又通过 BMAB 修复了 DT 可能遗留的五官细节模糊问题。
4. 实际上在图像控制过程中有非常多的方法，使用动态阈值控制只是部分解决写实 + 光影通透的问题，其实效果不算明显，这种优化属于可有可无。本节课的价值在于安装插件节点。麦橘V7是1.5模型，而RealVisXL是XL模型，他们分属不同的生态，但是1.5模型与XL模型生态是可以共存的。

使用麦橘V7为主模型，分辨率512*768，增加动态阈值与不增加的对比。中国人比较喜欢看眼睛。

使用RealVisXL为主模型，分辨率768*1024，增加动态阈值与不增加的对比。外国人比较喜欢看雀斑。

1.5模型的最高分辨率需控制在768以下，XL模型最高分辨率需控制在1024以下，否则图片会崩坏。

六、常见问题与解决方案

问题现象	根本原因	解决步骤
ComfyUI 找不到 DT 节点	未安装专用节点 / 版本不兼容	1. 确认 ComfyUI 版本≥0.3.0； 2. 重新安装「ComfyUI-DynamicThresholding」； 3. 检查 Python 环境是否满足要求
生成后主体失焦	Max CFG 过高 / 动态范围过大	1. 降低 Max CFG 至 Base CFG+1.5 以内； 2. 减小 Dynamic Range 至 0.4-0.5
细节缺失 / 风格生硬	Base CFG 过低 / 阈值曲线选择不当	1. 提高 Base CFG 至 5.0-6.0；2. 切换 Threshold Schedule 为「Exponential」
与 BMAB 联动时生成卡顿	显存不足（DT+BMAB 双重负载）	1. 降低生成分辨率至 1024x1024 以下；2. 关闭 ComfyUI 多余节点，清理缓存

七、RealVisXL_V5.0_Lightning本地部署硬件要求

1、核心硬件要求：基础门槛与实测数据​

RealVisXL_V5.0_Lightning_fp16 作为 “闪电加速版”，硬件要求低于标准版，但受限于 “非官方测试版” 的优化不足，显存占用略高于 V4.0 Lightning。以下为 2025 年社区实测的核心参数：

1. 最低运行配置（能启动但需妥协）

硬件类型	具体要求	适配场景	限制说明
GPU	NVIDIA 显卡（支持 CUDA 12.0+），显存≥8GB（如 RTX 3060 12GB、RTX 2070 8GB）	1024x1024 基础分辨率，4-6 步快速生成	① 无法启用 Hires.fix；② 生成速度≥5 秒 / 张；③ 复杂场景易触发显存溢出
CPU	4 核以上（如 Intel i5-10400F、Ryzen 5 3600）	仅负责模型加载与参数调度	低于 4 核会导致模型加载时间超过 3 分钟
内存	≥16GB DDR4（可用内存≥10GB）	基础推理	8GB 内存会频繁触发虚拟内存调用，加载速度变慢 50%
存储	≥20GB 空闲空间（SSD 优先）	模型存放与缓存	HDD 会导致模型加载时间增加 2-3 倍
系统与驱动	Windows 10/11 64 位 / Ubuntu 22.04NVIDIA 驱动≥535.xx	全场景	驱动版本过低会导致 CUDA 初始化失败

2. 推荐流畅配置（无压力生成）

硬件类型	具体要求	适配场景	限制说明
GPU	NVIDIA RTX 4070 Ti（12GB）、RTX 3080（10GB）	1024x1536 分辨率，4 步生成≤2 秒 / 张	人像写真、简单静物，支持轻度 Hires.fix（放大 1.2 倍）
CPU	Intel i7-12700K、Ryzen 7 7700X	模型加载时间≤40 秒	批量生成、实时调整参数
内存	32GB DDR5（可用内存≥16GB）	同时加载模型 + LoRA 无压力	多模型切换、插件联动（如 BMAB 细节修复）
存储	NVMe SSD（读取速度≥3000MB/s）	模型加载速度提升 40%	频繁更换模型的创作场景

3. 专业创作配置（高分辨率 + 细节优化）​

针对 8K 输出、复杂场景生成需求，需强化 GPU 显存与算力：​

• GPU：RTX 4090（24GB）、A100（40GB）—— 支持 2048x2048 分辨率 + Hires.fix（放大 1.5 倍），8 步生成≤3 秒 / 张；​

• 核心优势：可叠加 3 个以上 LoRA（如皮肤质感 + 光影强化），无显存压力。

2、关键影响因素：分辨率与参数对硬件的附加要求

RealVisXL_V5.0_Lightning_fp16 的硬件负载与生成参数强相关，以下为实测的 “参数 - 显存” 对应关系：​

生成参数组合	预估显存占用	推荐 GPU	风险提示
1024x1024 + 4 步 + CFG=1.5	8.3-9.0GB	RTX 3060 12GB	安全区，无溢出风险
1280x960 + 6 步 + CFG=2.0	9.5-10.2GB	RTX 4070 Ti	需关闭其他后台程序
1536x1024 + 8 步 + CFG=2.5	11.8-12.5GB	RTX 3090（24GB）	8GB 显存必溢出
1024x1024 + Hires.fix（1.5 倍）	13.0-14.2GB	RTX 4090	需启用 8bit 加载优化

3、显存优化技巧：低配置设备的适配方案

若硬件未达推荐标准，可通过以下设置降低负载（实测可减少 20-30% 显存占用）：​

1. 软件层面优化​

• 启用 8bit/4bit 加载：在 SD WebUI 启动参数中添加--load-in-8bit（减少 40% 显存占用），或--load-in-4bit（减少 60%，但画质略有损失）；​

• 关闭冗余插件：禁用 “图像历史记录”“实时预览” 等插件，可节省 500MB-1GB 显存；​

• 选择轻量采样器：优先使用DPM++ SDE Karras（该模型推荐采样器），避免Euler a（显存占用高 15%）。​

2. 生成参数妥协策略​

• 分辨率压缩：用 1024x768 替代 1280x960，显存占用降低 1.2GB；​

• 减少采样步数：从 6 步降至 4 步，显存减少 800MB，生成速度提升 30%（画质差异极小）；​

• 禁用 Hires.fix：改用后期工具（如 Topaz Gigapixel）放大，可节省 4-6GB 显存。​

4、特别注意事项（必看）​

1. 非官方版本的适配局限：该模型为社区泄露的测试版，未经过 Segmind 官方优化，在低显存设备上的稳定性弱于 V5.0 Lightning（如偶发 “黑图”“纹理断裂” 问题）；​
2. AMD 显卡的兼容性：需通过 ROCm 框架部署（仅支持 Linux 系统），显存要求比 NVIDIA 高 10-15%（如 NVIDIA 需 8GB，AMD 需 9-10GB）；​
3. 云端替代方案：若本地硬件不足，可使用 Segmind 官方 API 调用（支持 V5.0 Lightning，单张成本 $0.005）或 Civitai 在线生成工具，无需考虑硬件限制。