SD3.5 대형 깊이
SD 3.5를 사용하여 깊이 정보로 안내된 이미지를 생성합니다.
정보
이 워크플로는 깊이 맵으로 Stable Diffusion 3.5를 가이드해, 생성 결과가 레퍼런스 이미지의 구조와 원근을 따르도록 만드는 방법을 안내합니다. CheckpointLoaderSimple로 SD 3.5 Large 체크포인트(sd3.5_large_fp8_scaled.safetensors)와 고품질 VAE(vae-ft-mse-840000-ema-pruned.safetensors)를 로드합니다. 텍스트 프롬프트는 CLIPTextEncode로 인코딩되며, KSampler가 EmptySD3LatentImage로 정의된 잠재 데이터 캔버스를 사용해 확산을 처리하므로 정확한 출력 크기를 설정할 수 있습니다. VAEDecode, PreviewImage, SaveImage로 결과를 확인하고 내보내는 흐름을 완성합니다.
깊이 가이드는 ControlNet을 통해 제공됩니다. ControlNetLoader는 sd3.5_large_controlnet_depth.safetensors를 로드하고, ControlNetApplyAdvanced는 조절 가능한 강도 및 시작/종료 퍼센트로 깊이 조건화를 프롬프트에 연결합니다. 레퍼런스 이미지는 LoadImage로 가져오며, 필요 시 ImageScaleToTotalPixels로 리사이즈한 다음 포함된 depth 전처리 노드(6b0ed7ac-f476-44c9-9dad-b3f23ef985f8로 식별되는 커스텀 노드)가 lotus-depth-d-v1-1.safetensors 모델을 사용해 깊이 맵으로 변환합니다. 이미지-투-이미지 변형의 경우 VAEEncode가 레퍼런스 이미지 잠재 데이터를 KSampler에 시드로 제공할 수 있으며, 깊이 가이드 기반의 순수 텍스트에서 이미지로에서는 EmptySD3LatentImage를 사용합니다. 네거티브 프롬프트를 비우고 싶다면 ConditioningZeroOut을 사용할 수 있습니다. 이 조합으로 장면 레이아웃은 유지하면서 프롬프트로 스타일, 조명, 디테일을 자유롭게 변경하기 쉽습니다.
제공할 항목
- 워크플로 읽는 중
ComfyUI에서 실행됩니다. 이 워크플로는 이 페이지에서 실행할 수 없습니다. 모든 항목이 로드된 Comfy Cloud에서 열거나, 자체 ComfyUI에서 사용하려면 다운로드하세요.
Cloud에서 사용해 보기워크플로 내부
노드 그래프의 읽기 전용 미리보기입니다. 노드를 편집하려면 Comfy Cloud에서 열거나 다운로드하세요.
Loading the graph
Open full-size workflow preview코드에서 이 워크플로 사용하기
가능한 경우 워크플로 그래프와 입력을 기반으로 생성되며, 그렇지 않은 경우 저장된 예시가 표시됩니다. 비용이 발생할 수 있으므로 코드를 실행하기 전에 자격 증명과 엔드포인트를 검토하세요.
What you need
- Runs on
- Comfy Cloud
- 키
- COMFY_API_KEY
유료 Cloud 요금제와 크레딧이 필요합니다.
# Python 3.10+: pip install comfy-sdk==0.4.0
import os
from comfy_sdk import Comfy
api_key = os.environ.get("COMFY_API_KEY", "").strip()
if not api_key: raise RuntimeError("Set COMFY_API_KEY")
os.environ.setdefault("COMFY_BASE_URL", "https://cloud.comfy.org")
client = Comfy(api_key=api_key)
workflow = client.workflows.from_json({
"4": {
"class_type": "CheckpointLoaderSimple",
"inputs": {
"ckpt_name": "sd3.5_large_fp8_scaled.safetensors"
},
"_meta": {
"title": "Load Checkpoint"
}
},
"8": {
"class_type": "VAEDecode",
"inputs": {
"samples": [
"56",
0
],
"vae": [
"4",
2
]
},
"_meta": {
"title": "VAE Decode"
}
},
"9": {
"class_type": "SaveImage",
"inputs": {
"filename_prefix": "ComfyUI",
"images": [
"8",
0
]
},
"_meta": {
"title": "Save Image"
}
},
"33": {
"class_type": "EmptySD3LatentImage",
"inputs": {
"batch_size": 1,
"height": 1024,
"width": 1024
},
"_meta": {
"title": "EmptySD3LatentImage"
}
},
"45": {
"class_type": "LoadImage",
"inputs": {
"image": "sd3.5_large_depth_input_image.png"
},
"_meta": {
"title": "Load Image"
}
},
"46": {
"class_type": "ControlNetLoader",
"inputs": {
"control_net_name": "sd3.5_large_controlnet_depth.safetensors"
},
"_meta": {
"title": "Load ControlNet Model"
}
},
"56": {
"class_type": "KSampler",
"inputs": {
"cfg": 8,
"denoise": 1,
"latent_image": [
"77",
0
],
"model": [
"4",
0
],
"negative": [
"61",
1
],
"positive": [
"61",
0
],
"sampler_name": "euler",
"scheduler": "normal",
"seed": 1020711502084247,
"steps": 20
},
"_meta": {
"title": "KSampler"
}
},
"57": {
"class_type": "CLIPTextEncode",
"inputs": {
"clip": [
"4",
1
],
"text": "A cute, plush - like light green baby dragon with large, shiny eyes. It has light yellow horns and wing membranes. Its belly and parts of its wings have a soft, fuzzy texture. The dragon stands against a plain light green background, giving a warm and whimsical feel."
},
"_meta": {
"title": "CLIP Text Encode (Prompt)"
}
},
"58": {
"class_type": "ConditioningZeroOut",
"inputs": {
"conditioning": [
"57",
0
]
},
"_meta": {
"title": "Conditioning Zero Out"
}
},
"61": {
"class_type": "ControlNetApplyAdvanced",
"inputs": {
"control_net": [
"46",
0
],
"end_percent": 1,
"image": [
"68:99",
0
],
"negative": [
"58",
0
],
"positive": [
"57",
0
],
"start_percent": 0,
"strength": 0.7000000000000002,
"vae": [
"4",
2
]
},
"_meta": {
"title": "Apply ControlNet"
}
},
"70": {
"class_type": "ImageScaleToTotalPixels",
"inputs": {
"image": [
"45",
0
],
"megapixels": 1,
"resolution_steps": 1,
"upscale_method": "lanczos"
},
"_meta": {
"title": "Scale Image to Total Pixels"
}
},
"73": {
"class_type": "PreviewImage",
"inputs": {
"images": [
"68:99",
0
]
},
"_meta": {
"title": "Preview Image"
}
},
"77": {
"class_type": "VAEEncode",
"inputs": {
"pixels": [
"68:99",
0
],
"vae": [
"4",
2
]
},
"_meta": {
"title": "VAE Encode"
}
},
"68:100": {
"class_type": "KSamplerSelect",
"inputs": {
"sampler_name": "euler"
},
"_meta": {
"title": "KSamplerSelect"
}
},
"68:101": {
"class_type": "SetFirstSigma",
"inputs": {
"sigma": 10000,
"sigmas": [
"68:95",
0
]
},
"_meta": {
"title": "SetFirstSigma"
}
},
"68:87": {
"class_type": "UNETLoader",
"inputs": {
"unet_name": "lotus-depth-d-v1-1.safetensors",
"weight_dtype": "default"
},
"_meta": {
"title": "Load Diffusion Model"
}
},
"68:89": {
"class_type": "VAELoader",
"inputs": {
"vae_name": "vae-ft-mse-840000-ema-pruned.safetensors"
},
"_meta": {
"title": "Load VAE"
}
},
"68:92": {
"class_type": "SamplerCustomAdvanced",
"inputs": {
"guider": [
"68:94",
0
],
"latent_image": [
"68:97",
0
],
"noise": [
"68:93",
0
],
"sampler": [
"68:100",
0
],
"sigmas": [
"68:101",
0
]
},
"_meta": {
"title": "SamplerCustomAdvanced"
}
},
"68:93": {
"class_type": "DisableNoise",
"inputs": {},
"_meta": {
"title": "DisableNoise"
}
},
"68:94": {
"class_type": "BasicGuider",
"inputs": {
"conditioning": [
"68:96",
0
],
"model": [
"68:87",
0
]
},
"_meta": {
"title": "Basic Guider"
}
},
"68:95": {
"class_type": "BasicScheduler",
"inputs": {
"denoise": 1,
"model": [
"68:87",
0
],
"scheduler": "normal",
"steps": 1
},
"_meta": {
"title": "BasicScheduler"
}
},
"68:96": {
"class_type": "LotusConditioning",
"inputs": {},
"_meta": {
"title": "LotusConditioning"
}
},
"68:97": {
"class_type": "VAEEncode",
"inputs": {
"pixels": [
"70",
0
],
"vae": [
"68:89",
0
]
},
"_meta": {
"title": "VAE Encode"
}
},
"68:98": {
"class_type": "VAEDecode",
"inputs": {
"samples": [
"68:92",
0
],
"vae": [
"68:89",
0
]
},
"_meta": {
"title": "VAE Decode"
}
},
"68:99": {
"class_type": "ImageInvert",
"inputs": {
"image": [
"68:98",
0
]
},
"_meta": {
"title": "Invert Image Colors"
}
}
})
# run() also passes api_key to the partner nodes in this workflow.
job = client.run(workflow, api_key=api_key)질문과 답변
네, 깊이 가이드는 참조 이미지에서 가져옵니다. LoadImage로 이미지를 불러오면 깊이 전처리기가 깊이 맵을 생성할 수 있습니다. 컨트롤을 분리하거나 strength를 0으로 설정하면 ControlNet 없이도 SD 3.5를 실행할 수 있지만, 이 경우 깊이 가이드를 사용할 수 없습니다.
ControlNetApplyAdvanced의 ControlNet strength는 모델이 깊이 맵을 얼마나 엄격하게 따르는지 결정합니다. (img2img에서 VAEEncode를 사용할 때) denoise strength는 전체적으로 출력이 초기 이미지에서 얼마나 변화하는지를 제어합니다. 높은 ControlNet strength는 구조를 유지하고, 낮은 denoise는 원본의 디테일과 질감을 더 많이 보존합니다.
EmptySD3LatentImage로 너비/높이(또는 전체 픽셀 수)를 정의하고, 그 LATENT를 KSampler에 연결하세요. 참조 이미지를 사용하는 경우, ImageScaleToTotalPixels로 크기를 조정해 깊이 맵의 스케일이 원하는 출력 크기와 호환되도록 하세요.
ControlNet strength를 높이고, ControlNetApplyAdvanced의 start 값을 0.0에 가깝게 설정해 깊이 적용이 초기에 이루어지도록 하세요. 스텝 수를 늘리거나 cfg 값을 약간 높여보세요. img2img를 사용할 경우, denoise strength를 낮추면 초기 latent의 구조를 더 잘 유지할 수 있습니다. 또한 깊이 전처리기 출력이 ControlNetApplyAdvanced에 제대로 연결되어 있는지 확인하세요.