77 lines
3.4 KiB
Markdown
77 lines
3.4 KiB
Markdown
# Documentation
|
|
- Class name: MixingMaskGeneratorNode
|
|
- Category: mask/generation
|
|
- Output node: False
|
|
- Repo Ref: https://github.com/ttulttul/ComfyUI-Iterative-Mixer
|
|
|
|
该节点旨在为迭代混合过程生成噪声掩码，提供了一种灵活的机制，用于创建可以提高混合质量和结果的各种类型的掩码。
|
|
|
|
# Input types
|
|
## Required
|
|
- mask_type
|
|
- 掩码类型参数决定了要生成的噪声掩码的类型，如Perlin或random。它从根本上影响了输出掩码的性质及其在不同混合场景中的适用性。
|
|
- Comfy dtype: COMBO[perlin,random]
|
|
- Python dtype: str
|
|
- seed
|
|
- 种子参数确保了噪声生成过程的可重复性。它对于在不同运行中获得一致的结果至关重要，这对于实验和测试目的尤其重要。
|
|
- Comfy dtype: INT
|
|
- Python dtype: int
|
|
- width
|
|
- 宽度参数定义了噪声掩码的水平维度。它影响了掩码的空间分辨率，从而影响了其在混合输出中捕捉细节的能力。
|
|
- Comfy dtype: INT
|
|
- Python dtype: int
|
|
- height
|
|
- 与宽度参数类似，高度参数定义了噪声掩码的垂直维度，影响其空间分辨率和它能表示的细节水平。
|
|
- Comfy dtype: INT
|
|
- Python dtype: int
|
|
- batch_size
|
|
- 批次大小参数决定了一次操作中生成的噪声掩码的数量。它对处理效率很重要，并可以影响流水线中节点的吞吐量。
|
|
- Comfy dtype: INT
|
|
- Python dtype: int
|
|
## Optional
|
|
- perlin_scale
|
|
- 在生成Perlin噪声掩码时，此参数调整噪声的规模，这会影响掩码的细节水平和整体外观。它对于调整掩码以适应特定的混合要求至关重要。
|
|
- Comfy dtype: FLOAT
|
|
- Python dtype: float
|
|
|
|
# Output types
|
|
- masks
|
|
- 输出掩码对迭代混合过程至关重要，作为混合和组合不同元素的媒介。它们在决定混合的最终结果中起着关键作用。
|
|
- Comfy dtype: TENSOR
|
|
- Python dtype: torch.Tensor
|
|
|
|
# Usage tips
|
|
- Infra type: GPU
|
|
|
|
# Source code
|
|
```
|
|
class MixingMaskGeneratorNode:
|
|
"""
|
|
A node that can generate different kinds of noise mask batches for
|
|
iterative mixing purposes.
|
|
"""
|
|
MASK_TYPES = ['perlin', 'random']
|
|
MAX_RESOLUTION = 8192
|
|
|
|
def __init__(self):
|
|
self.device = comfy.model_management.intermediate_device()
|
|
|
|
@classmethod
|
|
def INPUT_TYPES(s):
|
|
return {'required': {'mask_type': (s.MASK_TYPES, {'default': 'perlin'}), 'perlin_scale': ('FLOAT', {'default': 10.0, 'min': 0.1, 'max': 400.0, 'step': 0.01}), 'seed': ('INT', {'default': 0, 'min': 0, 'max': 18446744073709551615}), 'width': ('INT', {'default': 512, 'min': 16, 'max': s.MAX_RESOLUTION, 'step': 8}), 'height': ('INT', {'default': 512, 'min': 16, 'max': s.MAX_RESOLUTION, 'step': 8}), 'batch_size': ('INT', {'default': 1, 'min': 1, 'max': 4096})}}
|
|
RETURN_TYPES = ('MASK',)
|
|
CATEGORY = 'mask/generation'
|
|
FUNCTION = 'get_masks'
|
|
|
|
def get_masks(self, mask_type, perlin_scale, seed, width, height, batch_size):
|
|
mask_height = height // 8
|
|
mask_width = width // 8
|
|
if mask_type == 'perlin':
|
|
perlin_tensors = perlin_masks(batch_size, mask_width, mask_height, device=self.device, seed=seed, scale=perlin_scale)
|
|
masks = perlin_tensors.view(batch_size, 1, mask_height, mask_width)
|
|
elif mask_type == 'random':
|
|
masks = torch.randn([batch_size, width // 8, height // 8])
|
|
else:
|
|
raise ValueError('invalid mask_type')
|
|
return (masks,)
|
|
``` |