ComfyUI-TCD

如果我的工作对你有帮助，请考虑给它一个星标。

本仓库是TCD论文中提到的TCD采样器在ComfyUI上的自定义节点实现。

TCD受一致性模型启发，是一种新型蒸馏技术，能够将预训练扩散模型的知识蒸馏到少步采样器中。众所周知，LCM在生成清晰和详细图像方面存在一些问题。TCD比LCM显著提高了图像质量，且使用更少的步骤。此外，TCD允许调整样本中的随机噪声水平，产生不同程度细节的结果。

也就是说：

我的一些其他可能对你有帮助的项目：

:star2: 更新日志

examples目录中有工作流示例。assets文件夹中有使用TCD和LCM生成的图像。

tcd

tcd_with_low_NFEs

TCD在高NFEs（步数）下仍保持优秀的生成质量。

tcd_with_high_NFEs

	TCD结果	LCM结果
低NFEs
高NFEs

[!注意]
除了cfg、step和sampler外，其他参数保持不变。

ddim 30步	dpmpp_2m 30步	TCD 4步	LCM 4步
<img src="https://yellow-cdn.veclightyear.com/835a84d5/40efa16f-d7a6-47c9-81c7-eae291698004.png" width="150"/>	<img src="https://yellow-cdn.veclightyear.com/835a84d5/47cc4081-4b04-43fb-bf38-8d9d542ca14c.png" width="150"/>	<img src="https://yellow-cdn.veclightyear.com/835a84d5/883d555b-6cfd-4082-9d2c-695dbf9baa0d.png" width="150"/>	<img src="https://yellow-cdn.veclightyear.com/835a84d5/1df53322-cc07-43df-87a1-7979d31c11ac.png" width="150"/>

上述比较结果显示，TCD能够产生比LCM更好的细节效果，不再那么模糊和平淡。

TCD可用的一些LoRA模型。

TCD团队的TCD LoRAs：

git clone https://github.com/JettHu/ComfyUI-TCD

# 或使用ComfyUI-Manager

steps：去噪过程中使用的步数（与KSampler节点相同）。
scheduler：使用的调度类型（与KSampler节点相同）。
- 我只保留了simple和sgm_uniform。simple的行为与diffusers相同。sgm_uniform是ComfyUI作者推荐的另一种用于LCM的调度器。
denoise：应该被噪声擦除的潜在信息量（与KSampler节点相同）。
eta：一个随机参数（在论文中称为gamma），用于控制每一步的随机性（结果的细节丰富程度）。当eta = 0时，表示确定性采样，而eta = 1表示完全随机采样。建议在调整较大步数和使用不同LoRA时微调此参数。默认值为0.3。