ComfyUIን እንዴት መጠቀም እንደሚቻል፡ ለጀማሪዎች የተግባር፣ ደረጃ በደረጃ መመሪያ
ComfyUI “በnode ላይ የተመሰረተ እና እጅግ በጣም ኃይለኛ” እንደሆነ ሰምተው ነገር ግን በሁሉም ሳጥኖች እና ሽቦዎች ተስፋ እንደቆረጡ ከተሰማዎት, ብቻዎን አይደሉም። መልካሙ ዜና፡ ጥቂት መሰረታዊ ፅንሰ-ሀሳቦችን - የመፈተሻ ነጥቦችን (checkpoints)፣ ኢንኮደሮችን (encoders)፣ ናሙናዎችን (samplers) እና ዲኮደሮችን (decoders) ከተማሩ በኋላ - ልክ እንደ ባለሙያ የምስል የስራ ፍሰቶችን ይገነባሉ። ይህ ተግባራዊ መመሪያ ComfyUIን ከመጫን ጀምሮ እስከ መጀመሪያዎቹ የSDXL ምስሎች ድረስ፣ በተጨማሪም ለ ControlNet፣ LoRAs እና የጥራት/አፈጻጸም ማስተካከያ የስራ ፍሰቶችን እንዴት መጠቀም እንደሚችሉ ይመራዎታል።
በመጨረሻ፣ ግምታዊነት ሳይኖር ወጥ የሆነ፣ ሊደገም የሚችል እና ተለዋዋጭ የምስል ትውልዶችን ለመስራት ComfyUIን እንዴት በትክክል እንደሚጠቀሙ ይገነዘባሉ።
ComfyUI ምንድን ነው እና ለምን እንጠቀምበታለን?
ComfyUI የእርስዎን የምስል መስመር ደረጃ በደረጃ እንዲነድፉ የሚያስችል ለStable Diffusion የእይታ፣ በnode ላይ የተመሰረተ በይነገጽ ነው። ነጠላ “Generate” የሚለውን ቁልፍ ከመጠቀም ይልቅ ሞዴል መጫን፣ ጽሑፍን ኢንኮድ ማድረግ፣ ድብቅ ነገሮችን ናሙና ማድረግ ወይም የመጨረሻውን ምስል መፍታት (decoding) የመሳሰሉ የተለያዩ ተግባራትን የሚያስተናግዱ ኖዶችን ያገናኛሉ። ፈጣን፣ ሞዱላር እና ግልጽ ነው - ለመማር፣ ለሙከራ እና የምርት ፍሰት ፍጹም ነው።
ፈጣን ጅምር፡ ComfyUIን መጫን እና ማስጀመር
- Windows/macOS/Linux: ኦፊሴላዊውን ማከማቻ (repo) እና የማህበረሰብ መጫኛ መመሪያዎችን ይከተሉ። በእርስዎ መድረክ እና GPU ላይ በመመስረት በእጅ መጫኛ (Python + dependencies) ወይም የታሸጉ ዘዴዎችን መጠቀም ይችላሉ። ComfyUI wiki ለ Windows፣ macOS (Apple Siliconን ጨምሮ) እና Linux ደረጃ በደረጃ ማዋቀር ያቀርባል።
- ሞዴሎች (Models)፡ የእርስዎን Stable Diffusion የመፈተሻ ነጥቦች (ለምሳሌ SDXL base/refiner ወይም SD 1.5) በ
models/checkpoints አቃፊ ውስጥ ያስቀምጡ። የ VAE ፋይሎችን በ models/vae፣ LoRAsን በ models/loras፣ ControlNet ሞዴሎችን በ models/controlnet ውስጥ ያስቀምጡ።
- ማስጀመር (Launch)፡ ለOSዎ የጀምር ስክሪፕቱን ያሂዱ; ComfyUI በአሳሽዎ ውስጥ ይከፈታል። ሸራው ኖዶችን አንድ ላይ የሚያገናኙበት ቦታ ነው።
ጠቃሚ ምክር፡ ለበለጠ አፈጻጸም የGPU ነጂዎችዎን እና የCUDA መሣሪያ ስብስብዎን ወቅታዊ ያድርጉ።
መሰረታዊ ፅንሰ-ሀሳብ፡ አነስተኛው የጽሑፍ-ወደ-ምስል የስራ ፍሰት
የ ComfyUI መሰረታዊ የጽሑፍ-ወደ-ምስል ፍሰት (የSD 1.5 ዘይቤ) ይህን ይመስላል፡
- ውጤት፡ UNet፣ CLIP እና VAE ክፍሎች
- Node: CLIP Text Encode (አዎንታዊ)
- Node: CLIP Text Encode (አሉታዊ)
- ግቤቶች፡ UNet፣ አዎንታዊ/አሉታዊ ሁኔታዎች፣ ዘር፣ ደረጃዎች፣ ናሙና (ለምሳሌ DPM++ 2M Karras) እና CFG scale
ይህ መሰረታዊ ግራፍ - Checkpoint → CLIP (pos/neg) → KSampler → VAE Decode → Save - በ ComfyUI ውስጥ ለሚያደርጉት ነገር ሁሉ መሠረት ነው።
SDXL የስራ ፍሰት፡ ቤዝ + (አማራጭ) ሪፋይነር
SDXL ባለሁለት የጽሑፍ ኢንኮደሮችን ይጠቀማል እና ብዙ ጊዜ ከሪፋይነር ማለፊያ ይጠቀማል።
- SDXL ቤዝ መጫን፡ ከSDXL ጋር የሚስማማ የመፈተሻ ነጥብ (checkpoint) ይጠቀሙ። ብዙ የSDXL አብነቶች ሁለት CLIP ኢንኮደሮችን ያካትታሉ (ለትልቅ/ትንሽ ኮንቴክስት)። ሁለቱንም አዎንታዊ እና አሉታዊ ጥያቄዎችን ይመግቡ።
- KSampler (ቤዝ)፡ በ1024×1024 (ወይም በዒላማዎ) ድብቅ ነገሮችን ይፍጠሩ። ድብቅ ምስሎችን ወይም የተፈቱ ምስሎችን ያስቀምጡ።
- አማራጭ ሪፋይነር፡ የSDXL Refiner የመፈተሻ ነጥብ ይጫኑ እና በመሠረት ውጤት ላይ በተመሰረተ ተጨማሪ የ KSampler ማለፊያ ያሂዱ፣ ከዚያ በ VAE ይፍቱ።
ይህ ባለ ሁለት-ደረጃ ሂደት በከፍተኛ ጥራቶች ላይ ዝርዝር እና ወጥነትን በእጅጉ ሊያሻሽል ይችላል።
ተግባራዊ፡ የመጀመሪያውን ComfyUI ግራፍዎን ይገንቡ
- ከአብነት ጀምር፡ በጎን አሞሌው ውስጥ፣ አብሮ የተሰራ የጽሑፍ-ወደ-ምስል ምሳሌ ጫን።
- የመፈተሻ ነጥቡን ይቀይሩ፡ የእርስዎን SDXL ወይም SD 1.5 ሞዴል ይምረጡ።
- ጥያቄዎን ይፃፉ፡ አዎንታዊ እና አሉታዊ CLIP ኖዶችን ይጠቀሙ። ምሳሌ:
- አዎንታዊ፡ “ሲኒማቲክ ፎቶግራፍ፣ ለስላሳ ስቱዲዮ ብርሃን፣ 85ሚሜ ሌንስ፣ ከፍተኛ ዝርዝር ያለው፣ የፊልም ቅንጣት”
- አሉታዊ፡ “የደበዘዘ፣ ዝቅተኛ ጥራት ያለው፣ የተበላሸ፣ ተጨማሪ ጣቶች፣ የውሃ ምልክት”
- ደረጃዎች፡ ለፍጥነት/ጥራት ሚዛን 20–35
- ናሙና፡ DPM++ 2M Karras (አስተማማኝ) ወይም Euler a (ፈጣን)
- CFG: 4.5–7.5 (ከፍ ያለ ጥያቄውን የበለጠ ይገፋል፣ ነገር ግን ሊያሟላ ይችላል)
- ዘር፡ ለመራባት ያስተካክሉት; ለምርመራ ይለያያል።
- ጥራት፡ ለ SD 1.5 በ 512×512 ወይም 768×768 ይጀምሩ። ለSDXL, 1024×1024 በደንብ ይሰራል።
- መፍታት እና ማስቀመጥ፡ VAE Decode → Save Imageን ያክሉ። ለመፍጠር Queue Prompt የሚለውን ጠቅ ያድርጉ።
ቁልፍ ኖዶችን መረዳት (በቀላል ቋንቋ)
- Checkpoint Loader: የእርስዎን ስርጭት ሞዴል (UNet)፣ የጽሑፍ ኢንኮደር(ዎች) (CLIP) እና VAE ይጭናል። እንደ “ሞተርዎ + የቋንቋ አንጎል + የምስል አስተርጓሚ” አድርገው ያስቡት።
- CLIP Text Encode: ጥያቄዎን ሞዴሉ ወደሚረዳቸው የቁጥር መክተቻዎች ይለውጣል። ሁለቱንም አዎንታዊ እና አሉታዊ የጽሑፍ ኢንኮደሮችን ይጠቀሙ።
- KSampler: የምስል ውህደት ልብ። የእርስዎን ጥያቄ እና የናሙና ዘዴ በመጠቀም ድብቅ ጫጫታን ያስወግዳል።
- VAE Decode: የመጨረሻ ድብቅ ነገሮችን ወደሚታይ ምስል ይለውጣል። VAEዎችን መቀየር የቀለም/የንፅፅር ታማኝነትን ይለውጣል።
- Save Image: በኋላ ላይ ውጤቶችን እንደገና መፍጠር እንዲችሉ ውጤቱን ከሜታዳታ ጋር ወደ ዲስክ ይጽፋል።
በእነዚህ የግንባታ ብሎኮች ላይ ጥልቅ ለመጥለቅ፣ ለጀማሪ ተስማሚ የሆኑ ትንታኔዎችን እና የnode ማብራሪያዎችን ይመልከቱ።
Power‑Ups: LoRA, ControlNet እና ምስል-ወደ-ምስል
ለቅጥ ወይም ለርዕሰ ጉዳይ ቁጥጥር LoRAን ይጠቀሙ
- የ LoRA Loader node ያክሉ እና ከሞዴል ቅርንጫፍዎ ጋር ያገናኙት።
- ጥንካሬ፡ በ0.6–0.8 አካባቢ ይጀምሩ; በቅጥ ጥንካሬ ወይም ከመጠን በላይ መገጣጠም ላይ በመመስረት ያስተካክሉ።
- ብዙ LoRAs: ሰንሰለት ወይም ያዋህዱ፣ ነገር ግን ግጭቶችን ይጠብቁ; በሚደራረቡበት ጊዜ ጥንካሬዎችን ዝቅ ያድርጉ።
ትክክለኛ ድርሰትን ለመቆጣጠር ControlNetን ያክሉ
- የ ControlNet ኖዶች የግብዓት ካርታ (Canny, Depth, OpenPose, ወዘተ) በመጠቀም ድርሰትን እንዲመሩ ያስችሉዎታል።
- የተለመደ ፍሰት፡ ControlNet ሞዴልን ጫን → የመመሪያ ምስልህን አስቀድመህ አዘጋጅ (ለምሳሌ Canny edge) → ከጽሑፍ ሁኔታህ ጋር ControlNet ሁኔታን ወደ KSampler ይመግቡ።
- ክብደት፡ 0.5–1.2 ጥሩ ጅምር ነው። በጣም ከፍ ያለ ጥያቄዎን ሊያሸንፍ ይችላል።
ምስል-ወደ-ምስል ወይም Inpainting
- የመጀመሪያውን ጫጫታ በ VAE Encode በኩል በምስል ድብቅ ይተኩ።
- ምን ያህል ኦርጅናል ምስል እንደሚቀር ለመቆጣጠር በ KSampler ውስጥ ያለውን የ denoise ጥንካሬ ያስተካክሉ።
- ለ inpainting፣ ጭምብል ግብዓት እና inpaint-aware sampler pipeline ይጠቀሙ።
የጥራት ማስተካከያ፡ ጥያቄዎች፣ CFG፣ ናሙናዎች እና ዘሮች
- ጥያቄ ኢንጂነሪንግ፡ አንቀጾች ሳይሆን አጭር ገላጭዎችን ይጠቀሙ። ቅደም ተከተል ግልጽነት ያነሰ አስፈላጊ ነው፣ ነገር ግን ወሳኝ ባህሪያትን ከፊት ያስቀምጡ።
- ዝቅተኛ (3–5)፡ የበለጠ ፈጠራ፣ አነስተኛ የጥያቄ ታማኝነት
- ከፍተኛ (9–12)፡ ጠንካራ ታማኝነት፣ ቅርሶችን መፍጠር ይችላል
- DPM++ 2M Karras: ንጹህ፣ አስተማማኝ
- Euler a: ፈጣን እና ገላጭ፣ ለቅድመ እይታዎች ምርጥ
- UniPC / Heun / DDIM: መሞከር ተገቢ ነው; ውጤቶች እንደ ሞዴል ይለያያሉ
- የተስተካከለ ዘር = ሊባዛ የሚችል ውጤት
ለስላሳ ስዕሎች የአፈጻጸም ጠቃሚ ምክሮች
- VRAM በጀት ማውጣት፡ OOMን ከነካህ ጥራት፣ ደረጃዎች ወይም የቡድን መጠን ዝቅ አድርግ። በ 1024 × 1024 SDXL እንደ ኖዶች ከ 8–12 ጊባ VRAM ሊፈልግ ይችላል።
- ግማሽ ትክክለኛነት፡ ጥራት በሌለው ጥራት ኪሳራ ትልቅ የማህደረ ትውስታ ቁጠባዎችን ለማግኘት fp16 በሚደገፍበት ቦታ አንቃ።
- ማንጠፍጠፍ እና ድብቅ አሻሽሎች፡ ትንሽ ይፍጠሩ፣ ከዚያ VRAM ለመቆጠብ በድብቅ አሻሽል ኖድ ወይም የምስል አሻሽል ሞዴል በኩል ያሻሽሉ።
- መሸጎጫ፡ ጥያቄዎች በማይቀየሩበት ጊዜ በሩጫዎች ላይ የ CLIP ኢንኮዲንግዎችን እና የተፈቱ VAEዎችን እንደገና ይጠቀሙ።
- አስፈላጊ ያልሆኑ ቅርንጫፎችን ያስወግዱ፡ ተጨማሪ ያልተገናኙ ኖዶች በተመሳሳይ ወረፋ ውስጥ ሲፈጸሙ አሁንም ማህደረ ትውስታን ይበላሉ።
የስራ ፍሰቶችን ልክ እንደ ፕሮፌሽናል ማደራጀት
- የቡድን ኖዶች፡ ክፍሎችን ለማደራጀት ፍሬሞችን/መለያዎችን ይጠቀሙ (ጥያቄ፣ ሞዴል፣ ናሙና፣ ውፅዓት፣ ወዘተ)።
- የፓራሜትር ፓነሎች፡ ቀላል ማስተካከያ ለማድረግ ከላይ “የመቆጣጠሪያ” ኖዶችን ይፍጠሩ (ለምሳሌ ባዶ የጥያቄ ሳጥኖች፣ ተንሸራታቾች)።
- ማስቀመጥ/ማጋራት፡ የስራ ፍሰት JSONዎን ወደ ውጭ ይላኩ እና ለመራባት
ያገለገሉ ሞዴሎች ማስታወሻ ያስቀምጡ።
- ስሪት መቆጣጠር፡ ለSD 1.5፣ SDXL እና ልዩ የቧንቧ መስመሮች (anime, photoreal, depth-to-image, ወዘተ) የተለዩ ግራፎችን ያስቀምጡ።
የተለመዱ ችግሮችን መላ መፈለግ
- የተሳሳተ VAE ወይም የ VAE Decode የለም
- Denoise በጣም ዝቅተኛ (ለምሳሌ በ img2img <0.2)
- ሌላ VAE ይሞክሩ; አንዳንድ VAEs ንፅፅርን በግልጽ ያሻሽላሉ
- CFGን ዝቅ ያድርጉ ወይም ናሙናውን ይቀይሩ
- ዘሩ ተስተካክሏል; በዘፈቀደ ማንቃትን አንቃ ወይም አዲስ ዘር አዘጋጅ
- ጥራትን፣ ደረጃዎችን ወይም የቡድን መጠንን ይቀንሱ; ወደ fp16 ይቀይሩ
- ሌሎች የጂፒዩ መተግበሪያዎችን ዝጋ; ControlNet/LoRA ቁልሎችን ቀለል ያድርጉ
- የፋይል መንገዶችን እና የሞዴል አቃፊዎችን ያረጋግጡ; የፋይል ቅጥያዎችን ያረጋግጡ
በቅድመ-ግንቡ የስራ ፍሰቶች በፍጥነት ይማሩ
የቪዲዮ ማብራሪያዎች እና የጀማሪ ተከታታዮች ለአፍታ ማቆም እና መበተን በሚችሉት ዝግጁ በሆኑ ግራፎች የመማሪያዎን ኩርባ ሊያፋጥኑ ይችላሉ።,. የተፃፉ ትምህርቶች እና ዊኪዎች የnode ማብራሪያዎችን እና የዘመኑ የመጫኛ ደረጃዎችን ወቅታዊ ለማድረግ ይሰጣሉ።
የላቀ፡ ግራፎችዎን ሞዱል ማድረግ እና ማስፋፋት
- API/External nodes: አንዳንድ ትምህርቶች ComfyUIን በልዩ ኖዶች በኩል ከውጫዊ AI አገልግሎቶች ጋር ማገናኘትን፣ ድብልቅ የቧንቧ መስመሮችን ማንቃት እና ከባድ ስራዎችን ማውረድን ይሸፍናሉ።
- Node libraries and extensions: ለጊዜ ሰሌዳዎች፣ አሻሽሎች እና ቅድመ-ሂደት (pose, depth, segmentation) የማህበረሰብ ኖዶችን ያስሱ። ሁልጊዜ ከ ComfyUI ስሪትዎ ጋር ተኳሃኝነትን ያረጋግጡ።
- SDXL refiners and chained samplers: የተደረደሩ denoising (base → refiner) ወይም እንዲያውም ለስታይሊስቲክ ውህደት ብዙ ናሙናዎችን ያሂዱ።
ልብ ሊባል የሚገባው፡ Sider.AIን በመጠቀም ጥያቄዎችን ማፋጠን
በጥያቄዎች፣ ማጣቀሻዎች ወይም መግለጫዎች ላይ በተደጋጋሚ የሚደግሙ ከሆነ፣ ልዩነቶችን ለማጤን እና ለማጣራት የሚረዳ አጋር ሊፈልጉ ይችላሉ። በነገራችን ላይ Sider.AI የተዋቀሩ ጥያቄዎችን በፍጥነት ለመንደፍ፣ አሉታዊ የጥያቄ ዝርዝሮችን ለመፍጠር እና በሩጫዎች መካከል ክትትል እንዳያጡ የስራ ፍሰት ሙከራዎችዎን ለማጠቃለል ሊረዳዎት ይችላል። እዚህ መሞከር ይችላሉ: ቀላል SDXL ማስጀመሪያ የስራ ፍሰት (ይህን ንድፍ ይቅዱ)
- Checkpoint Loader (SDXL Base)
- CLIP Text Encode (አዎንታዊ) - “እጅግ በጣም ዝርዝር የምርት ፎቶ፣ ለስላሳ የብርሃን ሳጥን፣ 50ሚሜ ሌንስ፣ የሚያንፀባርቅ ገጽ”
- CLIP Text Encode (አሉታዊ) - “ዝቅተኛ ጥራት ያለው፣ የእንቅስቃሴ ድብዘዛ፣ የውሃ ምልክት፣ የጀርባ መጨናነቅ”
- KSampler: 1024×1024, 28 ደረጃዎች, DPM++ 2M Karras, CFG 5.5, ቋሚ ዘር
አማራጭ ተጨማሪዎች:
- በ10–15 ደረጃዎች በ SDXL Refiner የመፈተሻ ነጥብ ማጣሪያ ማለፊያ
- ControlNet (ጥልቀት) ለአቀማመጥ ቀላል በሆነ የነገር ምስል
- LoRA በ 0.6 ለአንድ የተወሰነ የምርት ስም ወይም የጥበብ ዘይቤ
ቁልፍ መውሰጃዎች
- የ ComfyUI ኃይል የሚመጣው ከግልጽነቱ ነው - የቧንቧ መስመርዎን በnode በnode ይገንቡ።
- ዋናው የጽሑፍ-ወደ-ምስል ሰንሰለት ቀላል ነው፡ Checkpoint → CLIP (pos/neg) → KSampler → VAE Decode → Save.
- SDXL ለዝርዝር ባለሁለት ኢንኮደሮች እና አማራጭ ሪፋይነር ማለፊያ ይጠቀማል።
- LoRAs እና ControlNet የቅጥ ቁጥጥር እና የአጻጻፍ ትክክለኛነት ይሰጡዎታል።
- ለጥራት እና ወጥነት CFG፣ ናሙና እና ዘርን ያስተካክሉ; VRAMን በ fp16 እና ምክንያታዊ ጥራቶች ያስተዳድሩ።
- ለቀላል ድግግሞሽ የስራ ፍሰቶችን ያደራጁ እና ስሪት ያድርጉ።
ቀጣይ እርምጃዎች
- የማከማቻ/ዊኪ መመሪያዎችን በመከተል ComfyUIን ይጫኑ እና የናሙና የስራ ፍሰት ያስጀምሩ።
- መሰረታዊ ነገሮችን ለማጠናከር ዋናውን ሰንሰለት ከመጀመሪያው ይገንቡ።
- ControlNet እና LoRAን ያክሉ፣ ከዚያ የ A/B ፈተና ናሙና እና የCFG ቅንብሮችን ይሞክሩ።
- በሞዴሎች፣ በዘሮች እና በመለኪያዎች ላይ ማስታወሻዎችን በመያዝ የስራ ፍሰት JSONዎን ያስቀምጡ እና ያጋሩ።
መልካም ትውልድ - እና ወደ ComfyUI ጸጥታ የሰፈነበት፣ ቁጥጥር የሚቻል ዓለም እንኳን በደህና መጡ።
FAQ
Q1: ComfyUIን በዊንዶውስ፣ ማክኦኤስ ወይም ሊኑክስ ላይ እንዴት መጫን እና ማስኬድ እችላለሁ?
ለተወሰኑ የመሣሪያ ስርዓቶች ደረጃዎች፣ የሞዴል አቃፊ ቦታዎችን እና ጥገኞችን ኦፊሴላዊውን ማከማቻ እና የማህበረሰብ ዊኪን ይከተሉ። ከተጫነ በኋላ የአካባቢውን አገልጋይ ያስጀምሩ እና ኖዶችን ሽቦ ማድረግ ለመጀመር ComfyUI በአሳሽዎ ውስጥ ይክፈቱ።
Q2: ለጽሑፍ ወደ ምስል በጣም ቀላሉ የ ComfyUI የስራ ፍሰት ምንድነው?
የመፈተሻ ነጥብ ይጫኑ፣ አወንታዊ እና አሉታዊ ጥያቄዎችን በ CLIP ኢንኮድ ያድርጉ፣ KSampler ያሂዱ፣ በ VAE ዲኮድ ያድርጉ፣ ከዚያ ምስሉን ያስቀምጡ። ይህ ሰንሰለት አብዛኛዎቹን ትውልዶች ComfyUIን በብቃት ለመጠቀም መሰረት ነው።
Q3: ComfyUI ውስጥ SDXLን እንዴት መጠቀም እችላለሁ?
ባለሁለት የጽሑፍ ኢንኮደር ያለው የSDXL መፈተሻ ነጥብ ይጠቀሙ፣ ከዚያ ለበለጠ ዝርዝር አማራጭ የማጣሪያ ማለፊያ ይጨምሩ። በ 1024×1024 ሚዛናዊ CFG (በ5–7 አካባቢ) እና እንደ DPM++ 2M Karras ያለ ቀልጣፋ ናሙና በሆነ ጥራት ያሂዱ።
Q4: ControlNet እና LoRAን በተመሳሳይ ComfyUI የስራ ፍሰት ውስጥ መጨመር እችላለሁ?
አዎ። የእርስዎን LoRA እና ControlNet ኖዶችን ይጫኑ፣ ከሞዴሉ እና ከ KSampler ሁኔታዎች ጋር ያገናኙዋቸው እና ክብደቶችን ያስተካክሉ (ለምሳሌ ለ LoRA 0.6–0.8፣ ~0.5–1.2 ለ ControlNet)። የ VRAM አጠቃቀምን ይመልከቱ እና OOM ን ከነኩ ጥራት ወይም ደረጃዎችን ይቀንሱ።
Q5: የ ComfyUI ምስሎቼ ለምን ዝቅተኛ ንፅፅር ወይም የደበዘዙ የሆኑት?
የተለየ VAE ይሞክሩ፣ CFGን ዝቅ ያድርጉ ወይም ናሙናዎችን ይቀይሩ። አንዳንድ VAEዎች የበለጠ ታማኝ ቀለም እና ንፅፅር ያመነጫሉ; ትናንሽ ማስተካከያዎች የደበዘዙ ውጤቶችን በፍጥነት ሊያስተካክሉ ይችላሉ።
