MOSS-Image Rapid-MOSS SFT 4-Step | 빠른 Text2Image

MOSS-Image Rapid-MOSS SFT 4-Step 텍스트를 이미지로 변환하는 워크플로우#

이 ComfyUI 워크플로우는 MOSS-Image-SFT와 Rapid-MOSS 4단계 어댑터 및 전용 샘플러를 결합하여 빠르고 고품질의 텍스트-이미지 생성을 제공합니다. MOSS-Image Rapid-MOSS SFT 4-Step 파이프라인은 속도를 위해 조정되었으며, 프롬프트 충실도를 유지하여 사진 초상화, 일러스트레이션 장면, 원작 캐릭터 개념 및 초기 건축 아이디어에 이상적입니다.

모든 것이 연결되어 있어 프롬프트를 입력하고 크기를 선택한 후 단 네 단계로 렌더링할 수 있습니다. 어댑터는 자체 샘플러와 노이즈 스케줄을 제공하며, 분류기 없는 가이던스가 그러한 낮은 단계 수에서 결과를 안정적으로 유지하도록 예약됩니다. ComfyUI에서 세부적인 프롬프트를 존중하면서도 빠른 아이디어 생성 엔진을 원한다면, 이 MOSS-Image Rapid-MOSS SFT 4-Step 워크플로우가 당신을 위해 설계되었습니다.

Comfyui MOSS-Image Rapid-MOSS SFT 4-Step 워크플로우의 주요 모델들#

• OpenMOSS-Team의 MOSS-Image-SFT. 프롬프트를 해석하고 잠재 공간에서 이미지를 합성하는 주요 텍스트-이미지 모델입니다. 이 워크플로우 전반에 걸쳐 사용되는 UNet과 텍스트 인코더를 제공합니다. OpenMOSS-Team/MOSS-Image-SFT
• Rapid-MOSS 4-step 어댑터 LoRA. MOSS-Image-SFT와 함께 최상의 결과를 제공하기 위해 일치하는 샘플러와 시그마 스케줄을 노출하는 경량 어댑터입니다. darask0/MOSS-Image_4-step_adapter_lora
• MOSS 이미지 VAE. 모델 잠재를 RGB 이미지로 디코딩하는 데 사용되는 변분 오토인코더입니다. ComfyUI와 호환 가능한 사전 패키지 가중치가 제공됩니다. nif0/MOSS-Image-SFT-ComfyUI
• ComfyUI-KJNodes 가이던스 유틸리티. 이 워크플로우는 안정적인 4단계 결과를 위해 예약된 분류기 없는 가이던스에 의존합니다. 참조 구현 및 문서는 여기에서 찾을 수 있습니다. kijai/ComfyUI-KJNodes

Comfyui MOSS-Image Rapid-MOSS SFT 4-Step 워크플로우 사용 방법#

모델 및 토크나이저 로딩에서 프롬프트 인코딩으로, 그런 다음 Rapid-MOSS로 구동되는 4단계 샘플러로, 마지막으로 VAE 디코딩 및 저장으로 흐릅니다. 아래 단계는 캔버스 이름으로 키 노드를 참조합니다.

모델 및 토크나이저 로더#

• MOSSImageUNETLoader (#11)은 MOSS-Image-SFT UNet을 로드하여 잠재 노이즈를 제거합니다. 이는 노이즈를 텍스트에 맞는 구조로 변환하는 방법을 배우는 엔진으로 취급됩니다.
• MOSSImageCLIPLoader (#10)은 MOSS-Image 텍스트 인코더를 제공하여 프롬프트를 UNet이 이해할 수 있는 임베딩으로 변환할 수 있습니다. UNet과 동일한 모델 패밀리와 함께 쌍으로 유지하여 불일치를 피하십시오.
• VAELoader (#12)는 MOSS VAE를 가져와 마지막에 디노이즈된 잠재를 픽셀로 변환합니다. 이 분리는 샘플링을 빠르게 하고 디코딩을 정확하게 유지합니다.

프롬프트 및 컨디셔닝#

• Prompt (#3)은 텍스트 프롬프트를 입력하는 곳입니다. 노드는 설명을 임베딩으로 인코딩합니다. 여기서의 명확성과 구체성은 구성, 주제 및 스타일에 강한 영향을 미칩니다.
• ConditioningZeroOut (#14)는 분류기 없는 가이던스를 위한 무조건적 브랜치를 제공합니다. 이는 비어 있는 부정 프롬프트처럼 작동합니다. 사용자 정의 부정을 선호하는 경우 다른 텍스트 인코더로 교체하고 이를 가이던스의 부정 입력에 연결하십시오.

Rapid 4-step 적응 및 샘플링#

• RapidMOSSAdapter (#2)는 Rapid-MOSS 4-step LoRA를 기본 모델에 연결하고 일치하는 sampler 및 sigmas 번들을 출력합니다. 이를 함께 유지하면 스케줄과 디노이저가 4단계의 안정적인 결과를 위해 정렬됩니다.
• ScheduledCFGGuidance (#13)는 모델을 랩핑하고 시간 인식 스케줄과 함께 분류기 없는 가이던스를 적용합니다. 이는 이미지가 프롬프트를 따르도록 도와주며, 단기 스케줄에서 세부 사항이 과도하게 노출되거나 씻겨 나가는 것을 방지합니다.
• RandomNoise (#5)는 생성에 시드를 제공합니다. 고정된 시드를 사용하여 구성을 반복하거나 무작위로 대안을 빠르게 탐색하세요.
• EmptyFlux2LatentImage (#6)는 선택한 너비와 높이에서 빈 잠재를 생성하여 캔버스 크기를 설정합니다. 더 큰 크기는 더 많은 세부 사항을 캡처할 수 있지만 네 단계로 구성하기가 더 어려울 수 있습니다. 목표 종횡비에 가까운 크기로 시작하고 세분화하세요.
• SamplerCustomAdvanced (#7)는 실제 네 단계 디노이징을 수행합니다. 노이즈, 가이던스 랩핑된 모델 및 Rapid-MOSS sampler와 sigmas를 가져와 어댑터가 기대하는 스케줄과 예측자를 정확히 제공합니다.

디코딩 및 저장#

• VAEDecode (#8)는 로드된 MOSS VAE를 사용하여 최종 잠재를 이미지로 변환합니다. 여기서 색상, 질감 및 세부 사항이 가시화됩니다.
• SaveImage (#9)는 MOSS-Image Rapid-MOSS SFT 4-Step 워크플로우에서 생성된 결과를 명확한 접두사와 함께 디스크에 저장합니다. 새로운 시드로 다시 실행하여 빠르게 다양한 옵션을 구축할 수 있습니다.

Comfyui MOSS-Image Rapid-MOSS SFT 4-Step 워크플로우의 주요 노드들#

RapidMOSSAdapter (#2)#

이 노드는 MOSS-Image Rapid-MOSS SFT 4-Step 접근의 핵심입니다. Rapid-MOSS LoRA를 UNet에 주입하고 네 단계 샘플링을 가능하게 하는 전용 sampler 및 sigmas를 게시합니다. steps를 조정할 필요가 있는 경우에만 조정하십시오. 어댑터는 4단계에 맞춰 설계되었습니다. lora_strength를 조정하여 4단계 동작에 대한 엄격한 준수와 느슨하고 일반적인 디노이징 느낌 사이의 균형을 조정합니다.

ScheduledCFGGuidance (#13)#

이 가이던스 래퍼는 짧은 궤적 전반에 걸쳐 스케줄과 함께 분류기 없는 가이던스를 적용하여 프롬프트 충실도를 향상시킵니다. cfg를 높이면 프롬프트의 끌림이 강해지고 주제가 선명해지며, 낮추면 복잡한 장면에서 과포화 및 아티팩트를 피할 수 있습니다. 스케줄 창을 변경하는 경우 가이던스가 매끄럽게 유지되도록 4단계 지평과 일관되게 유지하십시오.

EmptyFlux2LatentImage (#6)#

샘플링 전에 출력 크기와 종횡비를 설정하는 데 사용합니다. 일반적인 확산 스트라이드에 맞는 치수를 선호하고 주제에 대한 종횡비를 적절하게 유지하여 왜곡을 줄이십시오. 반복 시, 크기를 고정하고 시드를 탐색하여 구성 차이가 캔버스 이동이 아닌 노이즈로 인한 것임을 확인하십시오.

SamplerCustomAdvanced (#7)#

이 샘플러는 어댑터의 sampler와 sigmas를 소비하고 네 단계 디노이즈를 실행합니다. 관련 없는 샘플러나 스케줄을 교환하지 마십시오. 어댑터를 변경하지 않으면 속도와 안정성을 제공하는 페어링이기 때문입니다. 변형을 위해 샘플러-스케줄 페어를 유지하고 시드, 프롬프트 또는 가이던스만 변경하십시오.

Prompt (#3)#

여기에서 단어가 임베딩으로 변환됩니다. 주제를 먼저 제시하고, 구성 및 조명을 추가한 후 스타일 힌트를 마무리하세요. 명확하고 구체적으로 유지하여 MOSS-Image Rapid-MOSS SFT 4-Step 파이프라인이 매우 적은 단계에서 자신감 있는 구조를 해결할 수 있도록 도와주세요.

선택적 추가 기능#

• 초상화를 위해 프레이밍, 렌즈 힌트 및 조명을 지정하세요. 일러스트레이션 장면의 경우 매체 및 팔레트 힌트를 포함하세요.
• 사용자 정의 부정 프롬프트를 원할 경우 ConditioningZeroOut (#14)를 다른 CLIPTextEncode로 대체하고 이를 ScheduledCFGGuidance (#13)의 부정 입력에 연결하십시오.
• RandomNoise (#5)에서 시드를 잠그어 단어를 반복하십시오. 잠금을 해제하여 빠른 변형을 탐색하십시오.
• ScheduledCFGGuidance (#13)에서 적당한 가이던스로 시작하십시오. 이미지가 프롬프트에서 벗어날 경우에만 위로 조정하십시오.
• RapidMOSSAdapter (#2)와 SamplerCustomAdvanced (#7)에서 어댑터의 네 단계 페어링을 유지하여 속도와 품질의 균형을 최적으로 유지하십시오.

감사의 글#

이 워크플로우는 다음의 작업 및 리소스를 구현하고 기반으로 합니다. MOSS-Image-SFT를 위한 OpenMOSS-Team, Rapid-MOSS 4단계 어댑터 및 ComfyUI 노드를 위한 darask0, MOSS-Image-SFT 양자화 모델 파일을 위한 nif0의 기여와 유지 보수에 감사드립니다. 권위 있는 세부 사항은 아래에 연결된 원본 문서 및 저장소를 참조하십시오.

리소스#

• OpenMOSS-Team/MOSS-Image-SFT
  • GitHub: OpenMOSS/MOSS-Image
  • Hugging Face: OpenMOSS-Team/MOSS-Image-SFT
  • arXiv: 2610.23374
• darask0/MOSS-Image_4-step_adapter_lora
  • Hugging Face: darask0/MOSS-Image_4-step_adapter_lora
• nif0/MOSS-Image-SFT-ComfyUI
  • Hugging Face: nif0/MOSS-Image-SFT-ComfyUI
• r/comfyui/The Greatest Model Ever: MOSS-Image-SFT at 4 steps (workflow discussion)
  • Docs / Release Notes: Reddit post

참고: 참조된 모델, 데이터 세트 및 코드의 사용은 해당 저자 및 유지 관리자가 제공한 라이선스 및 조건에 따릅니다.