K采样器
大约 2 分钟
K采样器使用提供的模型以及正向和负向条件来生成给定潜在图像的新版本。首先，根据给定的seed和denoise强度对潜在图像进行加噪，部分擦除潜在图像。然后，使用给定的Model和positive、negative条件作为指导，去除这些噪声，"梦想"在图像被噪声擦除的地方生成新的细节。
输入
Model
用于去噪的模型
Positive
正向条件。
Negative
负向条件。
latent_image
将被去噪的潜在图像。
seed
用于创建噪声的随机种子。
control_after_generate
在每个提示后更改上述种子号的能力。节点可以
randomize、increment、decrement或保持种子号fixed。
steps
去噪过程中使用的步骤数。采样器允许进行的步骤越多，结果就越准确。有关如何选择适当步骤数量的好指南，请参见samplers页面。
cfg
分类器自由引导（cfg）比例决定了采样器在实现提示内容方面的积极性。更高的比例强制图像更好地代表提示，但设置过高的比例会负面影响图像质量。
sampler_name
使用哪个采样器，有关可用采样器的更多详情，请参见samplers页面。
scheduler
使用哪种计划，有关可用计划的更多详情，请参见samplers页面。
denoise
通过噪声擦除多少潜在图像的信息。
输出
LATENT
去噪后的潜在图像。
示例
K采样器是任何工作流程的核心，可用于执行文本到图像和图像到图像的生成任务。下面的示例展示了如何在图像到图像任务中使用K采样器，通过连接模型、正向和负向嵌入以及潜在图像。注意，我们使用的去噪值小于1.0。这样，在加噪时部分原始图像被保留，指导去噪过程生成相似的图像。
