下面为大家详细介绍这个 ComfyUI 局部重绘工作流里每个节点的具体功能和作用：

1. Checkpoint 加载器（简易）

核心功能：加载预训练的大模型（如 dreamshaper_8.safetensors），并输出生成图像所需的核心组件。

输出项：

模型：生成图像的核心算法模型。

CLIP：用于将文字提示词编码为向量的文本编码器。

VAE：负责图像与潜在向量（Latent）之间的编码和解码。

作用：是整个工作流的 “动力源”，为后续所有节点提供基础模型能力。

2. 加载图像

核心功能：上传并导入一张本地图片，作为局部重绘的原始素材。

输出项：原始图像、图像宽高信息。

作用：提供重绘的 “底图”，后续流程会基于这张图的潜在信息进行修改和生成。

3. CLIP 文本编码

核心功能：将人类可理解的文字提示词（如 “古风美女、精致妆容”）转换为模型可理解的向量表示（文本嵌入）。

输入项：CLIP 编码器、提示词文本。

输出项：文本嵌入向量。

作用：控制图像生成的风格、内容和细节，通常会使用两个该节点（一个用于正面提示，一个用于负面提示）来精准引导生成结果。

4. VAE 编码

核心功能：将原始图像压缩编码为低维的潜在向量（Latent），这是模型进行生成计算的基础格式。

输入项：VAE 模型、原始图像。

输出项：潜在向量（Latent）。

作用：把图像从像素空间转换到模型更容易处理的潜在空间，大幅降低计算量。

5. 设置 Latent 噪点

核心功能：为潜在向量添加初始噪点，作为图像生成的起点。

输入项：原始潜在向量、噪点强度（噪声比例）。

输出项：带噪点的潜在向量。

作用：让模型在原始图像的基础上，通过迭代去噪来生成新的图像，这是扩散模型的核心步骤。

6. K 采样器

核心功能：工作流的 “生成引擎”，结合模型、文本嵌入和带噪点的潜在向量，通过迭代去噪生成新的潜在图像。

输入项：模型、正负文本嵌入、带噪点的潜在向量、采样器类型、步数、CFG 比例等参数。

输出项：生成后的潜在向量。

作用：是图像生成的核心计算环节，负责将文本提示和初始噪点转化为新的潜在图像。

7. VAE 解码

核心功能：将生成后的潜在向量解码回像素空间，转换为可视化的图像。

输入项：VAE 模型、生成后的潜在向量。

输出项：最终的生成图像。

作用：把模型计算出的潜在结果还原成人类可以直接查看的图像。

8. 预览图像

核心功能：实时显示生成或处理后的图像，方便你直观地查看效果。

输入项：生成图像或原始图像。

作用：提供即时的视觉反馈，让你可以快速判断生成效果是否符合预期，并据此调整参数或提示词。

眼部重绘前后对比如下：