60 lines
3.4 KiB
Markdown
60 lines
3.4 KiB
Markdown
# Documentation
|
|
- Class name: LayeredDiffusionDecodeSplit
|
|
- Category: Image Processing
|
|
- Output node: False
|
|
- Repo Ref: https://github.com/huchenlei/ComfyUI-layerdiffuse.git
|
|
|
|
LayeredDiffusionDecodeSplit 类旨在以子批次的方式高效解码 RGBA 图像，提高处理吞吐量和内存管理。它通过解码较小的图像组来处理大型图像数据集，从而优化计算资源并为各种应用简化解码过程。
|
|
|
|
# Input types
|
|
## Required
|
|
- samples
|
|
- “samples”参数是必需的，因为它包含了解码过程所需的潜在表示。它直接影响解码图像的质量和准确性，是整个操作的基础。
|
|
- Comfy dtype: LATENT
|
|
- Python dtype: Dict[str, torch.Tensor]
|
|
- images
|
|
- “images”参数对于解码过程至关重要，它提供了需要处理的输入图像。它是节点执行的核心，并影响最终输出，决定了解码图像的视觉方面。
|
|
- Comfy dtype: IMAGE
|
|
- Python dtype: torch.Tensor
|
|
- frames
|
|
- “frames”参数决定了图像解码的频率，有效地控制子批次的大小。它在平衡计算效率和内存使用方面发挥着关键作用，确保处理过程顺畅且优化。
|
|
- Comfy dtype: INT
|
|
- Python dtype: int
|
|
- sd_version
|
|
- “sd_version”参数指定要使用的稳定扩散模型的版本，这对于确定解码算法及其与输入数据的兼容性至关重要。它影响整体性能和生成图像的质量。
|
|
- Comfy dtype: ENUM
|
|
- Python dtype: StableDiffusionVersion
|
|
- sub_batch_size
|
|
- “sub_batch_size”参数对于管理计算负载至关重要，因为它定义了每个子批次处理的图像数量。它在优化解码过程的速度和资源分配方面起着重要作用。
|
|
- Comfy dtype: INT
|
|
- Python dtype: int
|
|
|
|
# Output types
|
|
- image
|
|
- “image”输出代表解码后的 RGBA 图像，是节点操作的主要结果。它封装了从输入数据处理得到的视觉信息，展示了节点将潜在表示转换为可感知视觉内容的能力。
|
|
- Comfy dtype: IMAGE
|
|
- Python dtype: torch.Tensor
|
|
- alpha
|
|
- “alpha”输出包含解码图像的 alpha 通道信息，对于需要透明度的应用来说非常重要。它突出了节点处理复杂图像属性的能力，并为最终视觉输出的丰富性做出了贡献。
|
|
- Comfy dtype: IMAGE
|
|
- Python dtype: torch.Tensor
|
|
|
|
# Usage tips
|
|
- Infra type: GPU
|
|
|
|
# Source code
|
|
```
|
|
class LayeredDiffusionDecodeSplit(LayeredDiffusionDecodeRGBA):
|
|
"""Decode RGBA every N images."""
|
|
|
|
@classmethod
|
|
def INPUT_TYPES(s):
|
|
return {'required': {'samples': ('LATENT',), 'images': ('IMAGE',), 'frames': ('INT', {'default': 2, 'min': 2, 'max': s.MAX_FRAMES, 'step': 1}), 'sd_version': ([StableDiffusionVersion.SD1x.value, StableDiffusionVersion.SDXL.value], {'default': StableDiffusionVersion.SDXL.value}), 'sub_batch_size': ('INT', {'default': 16, 'min': 1, 'max': 4096, 'step': 1})}}
|
|
MAX_FRAMES = 3
|
|
RETURN_TYPES = ('IMAGE',) * MAX_FRAMES
|
|
|
|
def decode(self, samples, images: torch.Tensor, frames: int, sd_version: str, sub_batch_size: int):
|
|
sliced_samples = copy.copy(samples)
|
|
sliced_samples['samples'] = sliced_samples['samples'][::frames]
|
|
return tuple((super(LayeredDiffusionDecodeSplit, self).decode(sliced_samples, imgs, sd_version, sub_batch_size)[0] if i == 0 else imgs for i in range(frames) for imgs in (images[i::frames],))) + (None,) * (self.MAX_FRAMES - frames)
|
|
``` |