Edición de imágenes guiada por instrucciones con el flujo de trabajo Boogu Image Edit ComfyUI#
El flujo de trabajo Boogu Image Edit ComfyUI convierte una imagen fuente única más indicaciones claras de edición positiva y negativa en ediciones realistas guiadas por instrucciones que preservan el sujeto y el encuadre de la cámara. Está diseñado para creadores que necesitan ajustes controlados de vestuario, material, color o escena sin reconstruir toda la imagen. El flujo de trabajo utiliza la ruta Flux VAE para mantener el detalle y la estructura, y fue validado en un retrato editorial convertido en una edición de moda, lo que lo hace ideal para resultados impactantes de antes y después.
Construido para RunComfy, el flujo de trabajo Boogu Image Edit ComfyUI carga el modelo Boogu-Image-0.1-Edit con una configuración de codificación de texto Qwen3-VL, luego muestrea ediciones que respetan la composición original. Obtienes comparaciones lado a lado y un visor deslizante de inmediato, por lo que es fácil revisar las diferencias e iterar rápidamente.
Modelos clave en el flujo de trabajo Comfyui Boogu Image Edit ComfyUI#
- Boogu-Image-0.1-Edit. El modelo central de edición guiada por instrucciones que reescribe la apariencia mientras preserva la identidad del sujeto y el diseño. Mapea las instrucciones del prompt a cambios locales en lugar de regenerar toda la escena. Model card
- Codificador de texto Qwen3-VL. Un codificador de texto alineado multimodal utilizado aquí para fortalecer la comprensión de las indicaciones para la intención y las restricciones de edición. En este flujo de trabajo se proporciona como parte del paquete de pesos Boogu ComfyUI. Weights collection
- Flux VAE. El autoencoder utilizado en la familia Flux que comprime y reconstruye imágenes con alta fidelidad, ayudando al flujo de trabajo a preservar la composición y la textura durante la edición. Reference repository
Cómo usar el flujo de trabajo Comfyui Boogu Image Edit ComfyUI#
Este pipeline sigue un camino directo desde la entrada hasta la comparación: carga y dimensiona la imagen fuente, codifica instrucciones, muestrea ediciones, decodifica, luego compara o guarda. El flujo de trabajo Boogu Image Edit ComfyUI mantiene tu encuadre original al ajustar el lienzo latente a las dimensiones de entrada.
Entrada y dimensionamiento#
Comienza cargando tu foto de referencia. El nodo LoadImage (#62) trae la imagen al gráfico, y LayerUtility: ImageScaleByAspectRatio V2 (#64) la escala mientras preserva la relación de aspecto. Esta etapa prepara una resolución limpia y amigable para el modelo, opcionalmente añadiendo bandas negras para evitar distorsiones. GetImageSize (#65) lee el ancho y la altura de la imagen escalada para que los pasos posteriores puedan ajustar el lienzo latente exactamente. Debido a que el flujo de trabajo Boogu Image Edit ComfyUI edita en su lugar, mantener las proporciones de entrada es clave para resultados estables y realistas.
Modelo y codificadores#
El modelo y los codificadores se inicializan antes de que ocurra cualquier muestreo. UNETLoader (#70) carga la red Boogu-Image-0.1-Edit, CLIPLoader (#69) proporciona la columna vertebral de codificación de texto Qwen3-VL, y VAELoader (#71) establece la ruta Flux VAE. Esta combinación alinea tus instrucciones de texto con el contenido visual mientras retiene la estructura espacial. No se requieren entradas del usuario aquí más allá de asegurar que los archivos de modelo correctos estén disponibles en tu entorno.
Codificación de instrucciones#
Tus indicaciones se convierten en guías de edición en TextEncodeBooguEdit (#63). Proporciona una indicación positiva clara describiendo el cambio que deseas y, opcionalmente, una indicación negativa enumerando lo que deseas evitar. El nodo también ingiere la imagen fuente, que ancla la identidad, la pose, la iluminación y el encuadre para que la edición respete la foto original. El resultado es un par de flujos de acondicionamiento que guían la generación hacia tu intención mientras resisten desviaciones no deseadas.
Lienzo latente y reproducibilidad#
Para preservar la composición, EmptyLatentImage (#66) crea un lienzo latente dimensionado al input escalado utilizando las dimensiones de GetImageSize (#65). Una semilla reproducible proviene de Seed (rgthree) (#61), lo que te permite rehacer la edición exacta o intencionalmente aleatorizar variaciones. Mantener el latente alineado al input ayuda al flujo de trabajo Boogu Image Edit ComfyUI a mantener la geometría del sujeto y la continuidad del fondo. Esto también hace que los ajustes pequeños y dirigidos sean más predecibles a lo largo de iteraciones.
Muestreo#
El muestreo es donde las ediciones toman forma. ModelSamplingAuraFlow (#60) configura el comportamiento de muestreo del modelo, y KSampler (#67) aplica tu acondicionamiento positivo y negativo al lienzo latente. La idea central del sampler es el refinamiento iterativo guiado por tus instrucciones y las características de la imagen fuente. Si deseas cambios sutiles y localizados, enfatiza la preservación en tu indicación y mantén la fuerza de edición modesta; para intercambios de material o paleta más audaces, incrementa la fuerza de edición y aclara los nuevos atributos. El flujo de trabajo Boogu Image Edit ComfyUI está afinado para ediciones controladas, por lo que la claridad de la indicación generalmente importa más que un muestreo agresivo.
Decodificar, comparar y guardar#
Una vez que finaliza el muestreo, VAEDecode (#57) reconstruye la imagen editada utilizando el Flux VAE. Para la evaluación, ImageConcanate (#58) coloca las imágenes original y editada lado a lado, y Image Comparer (rgthree) (#73) proporciona una comparación visual estilo deslizador. Puedes guardar el resultado editado único con SaveImage (#72) y la comparación lado a lado con otro SaveImage (#68). Estas salidas hacen que sea simple revisar si el flujo de trabajo Boogu Image Edit ComfyUI cumplió con tu encargo y para iterar en las indicaciones cuando sea necesario.
Nodos clave en el flujo de trabajo Comfyui Boogu Image Edit ComfyUI#
TextEncodeBooguEdit (#63)#
Este nodo convierte tus indicaciones positivas y negativas, junto con la imagen de referencia, en un acondicionamiento que dirige la edición. Usa un lenguaje conciso y descriptivo para el cambio deseado y enumera explícitamente los elementos a proteger cuando sea necesario. Si el modelo sobre-edita, fortalece los términos de preservación en la indicación o añádelos a la negativa. Mantener los atributos deseados explícitos ayuda al nodo a fijar la identidad, la pose y la iluminación.
KSampler (#67)#
KSampler realiza los pasos iterativos de eliminación de ruido que realizan la edición. Los controles más impactantes son la fuerza de edición, los pasos, la escala de guía, el sampler y el programador. Una menor fuerza preserva más de la fuente, mientras que una mayor fuerza permite cambios más grandes de vestuario, material o color. Si la adherencia a la indicación parece débil, aumenta ligeramente la guía o prueba una familia de samplers diferente; si los resultados parecen sobrecargados, baja la guía o los pasos. Para obtener información adicional sobre el comportamiento del sampler, consulta la implementación de referencia de k-diffusion en GitHub. Repository
ModelSamplingAuraFlow (#60)#
Este nodo ajusta las características de muestreo del modelo antes de que comience la eliminación de ruido. Los pequeños cambios aquí influyen en la coherencia, el contraste y en qué medida el modelo sigue la indicación. Si deseas ediciones más suaves, reduce el efecto; para cambios más estilizados, aumenta ligeramente. Trátalo como un control de tono global que complementa la configuración propia del sampler.
LayerUtility: ImageScaleByAspectRatio V2 (#64)#
Un dimensionamiento adecuado previene la distorsión y mantiene al sujeto en su lugar. Este nodo escala la fuente mientras preserva la relación de aspecto y puede añadir bandas negras para alcanzar dimensiones amigables. Mantener estables las proporciones de la imagen mejora la retención de identidad y hace que las ediciones se transfieran limpiamente a los fondos. Usa esto cuando tus entradas varíen ampliamente en tamaño u orientación.
Extras opcionales#
- Escribe las indicaciones como instrucciones: qué cambiar, qué mantener y dónde, en ese orden.
- Enumera los atributos protegidos explícitamente en la indicación positiva para reforzar la preservación.
- Usa la indicación negativa para los artefactos que consistentemente no te gustan, como texto, logotipos o piel sobreprocesada.
- Bloquea la reproducibilidad con una semilla fija, luego explora variaciones aleatorizándola después de encontrar una buena base.
- Para ajustes sutiles, reduce primero la fuerza de edición antes de cambiar samplers o pasos.
- Al comparar resultados, confía en el visor deslizante para detectar tonos de color, textura de tela y fidelidad de bordes.
- Si escalas o recortas fuera del flujo de trabajo, vuelve a ejecutar el flujo de trabajo Boogu Image Edit ComfyUI para mantener el encuadre y la consistencia.
Agradecimientos#
Este flujo de trabajo implementa y se basa en los siguientes trabajos y recursos. Agradecemos a Boogu por el modelo Boogu-Image-0.1-Edit, a Comfy-Org y ComfyUI por los pesos Boogu-Image reempaquetados para ComfyUI y el tutorial oficial de Boogu, y a RunComfy y RunningHub por el flujo de trabajo compartido en la nube y la referencia del flujo de trabajo por sus contribuciones y mantenimiento. Para detalles autorizados, consulta la documentación y los repositorios originales enlazados a continuación.
Recursos#
- RunningHub/Boogu Image Edit ComfyUI Workflow Reference
- Docs / Release Notes: RunningHub post
- RunComfy/Cloud Save ComfyUI Workflow
- Docs / Release Notes: RunComfy workflow
- Boogu/Boogu-Image-0.1-Edit
- GitHub: boogu-project/Boogu-Image
- Hugging Face: Boogu/Boogu-Image-0.1-Edit
- Docs / Release Notes: Model card
- Comfy-Org/Boogu-Image
- Hugging Face: Comfy-Org/Boogu-Image
- Docs / Release Notes: Model files for ComfyUI
- ComfyUI/Boogu-Image-0.1 ComfyUI Workflow Example
- GitHub: boogu-project/Boogu-Image
- Hugging Face: Comfy-Org/Boogu-Image
- Docs / Release Notes: ComfyUI tutorial
Nota: El uso de los modelos, conjuntos de datos y código referenciados está sujeto a las respectivas licencias y términos proporcionados por sus autores y mantenedores.
