ComfyUI-qwen_img_2_1_enhancer의 기능
ComfyUI-qwen_img_2_1_enhancer는 ComfyUI의 기본 Qwen Image 2.1 워크플로를 위한 두 개의 노드를 추가합니다. 이 노드를 사용하면 개별 참조 이미지의 어텐션 우선순위를 제어하고, 선택한 프롬프트 구문을 강조하거나 억제할 수 있습니다.
노드를 개별적으로 사용하거나 동일한 워크플로에서 함께 사용할 수 있습니다. 이 노드는 텍스트 임베딩을 재조정하거나 참조 픽셀을 합성하거나 원본 이미지를 변경하지 않고, 기본 Qwen Image 2.1 트랜스포머 내부의 어텐션 점수를 조정합니다.
- Qwen Image 2.1 Reference Strength: 선택한 참조 이미지의 어텐션 우선순위를 변경합니다.
- Qwen Image 2.1 Edit — Phrase Weights: 포지티브 및 네거티브 프롬프트에 가중 구문 문법을 추가하고 컨디셔닝 및 잠재 출력값을 생성합니다.
요구 사항 및 설치
기본 Qwen Image 2.1을 지원하는 ComfyUI와 함께 작동하는 Qwen Image 2.1 모델, 텍스트 인코더 및 VAE 설정이 필요합니다. 이 커스텀 노드는 추가 Python 패키지나 ComfyUI 코어 파일 수정이 필요하지 않습니다.
- 터미널을 열고 ComfyUI의 custom-node 디렉터리로 이동합니다.
cd ComfyUI/custom_nodes- 저장소를 복제합니다.
git clone https://github.com/capitan01R/ComfyUI-qwen_img_2_1_enhancer.git노드를 설치하거나 업데이트한 후 ComfyUI를 다시 시작합니다. 재시작하면 노드 메뉴에서 두 Qwen Image 2.1 enhancer 노드를 검색할 수 있습니다.
참조 이미지 강도 조정
Qwen Image 2.1 Reference Strength 노드는 연결된 하나의 참조 이미지에 대한 어텐션을 제어합니다. 모델 및 선택적 LoRA 로더 뒤에 이 노드를 추가한 다음, 해당 MODEL 출력을 샘플러에 연결합니다.
Load Diffusion Model -> LoRA loaders (optional) -> Reference Strength -> sampler참조 이미지와 VAE를 기본 Text Encode Qwen Image 2.1 노드 또는 포함된 Phrase Weights 인코더에 연결합니다. 참조 선택 순서는 인코더에 연결된 이미지 순서를 따릅니다. 비어 있는 이미지 입력은 건너뜁니다.
Reference Strength 입력
model: 적용된 LoRA를 포함한 Qwen Image 2.1 모델입니다.reference_index: 조정할 참조 이미지입니다.1은 연결된 첫 번째 이미지를,2는 두 번째 이미지를 선택하며 이후에도 같은 방식으로 적용됩니다.strength: 어텐션 배율입니다. 기본값은1.2입니다.
강도 값 해석
1.0은 기본 참조 가중치를 유지합니다.1.0보다 큰 값은 선택한 참조 이미지의 우선순위를 높입니다.0.0에서1.0사이의 값은 우선순위를 낮춥니다.0.0은 선택한 참조 이미지의 잠재 토큰에 대한 직접 어텐션을 차단하지만, 이미지 정보가 컨디셔닝의 다른 부분에 남아 있을 수 있습니다.
조정은 전체 참조 이미지에 적용됩니다. 여러 참조 이미지를 제어하려면 Reference Strength 노드를 여러 개 연결합니다. 같은 인덱스를 반복하면 나중에 설정한 값이 이전 강도를 대체합니다. 인덱스를 1.0으로 설정하면 해당 조정이 제거됩니다.
가중 프롬프트 구문 적용
기본 Text Encode Qwen Image 2.1 노드 대신 Qwen Image 2.1 Edit — Phrase Weights를 사용합니다. 기본 Qwen Image 2.1 CLIP, 참조 이미지 및 VAE를 연결합니다. 그런 다음 노드의 positive, negative 및 latent 출력을 샘플러에 연결합니다.
인코더에는 MODEL 연결이 필요하지 않습니다. 모델은 일반적인 경로를 따라 샘플러로 연결됩니다.
구문 가중치 문법
단어나 구문을 괄호로 묶고 콜론을 추가한 다음 음이 아닌 가중치를 지정합니다.
Add (warm lighting:1.3) and (soft shadows:1.1).1.0은 기본 구문 가중치를 사용합니다.1.0보다 큰 값은 해당 구문의 우선순위를 높입니다.0.0에서1.0사이의 값은 해당 구문의 우선순위를 낮춥니다.0.0은 선택한 구문 토큰에 대한 어텐션을 강하게 억제합니다.
포지티브 프롬프트와 네거티브 프롬프트의 가중치는 서로 독립적입니다. 표시된 해당 구문에만 조정이 적용되므로, 완전한 단어나 구문을 서로 중첩되지 않는 별도 구역에서 사용합니다.
Phrase Weights 연결 및 출력
clip: CLIP 유형qwen_image으로 로드한 기본 Qwen Image 2.1 텍스트 인코더입니다.prompt: 선택적 가중 구문을 포함한 포지티브 프롬프트입니다.negative_prompt: 선택적 가중 구문을 별도로 포함할 수 있는 네거티브 프롬프트입니다.vae: 기본 Qwen Image 2.1 VAE입니다. 이 노드를 Reference Strength와 함께 사용할 때 필요합니다.resolution: 참조 이미지 크기 조정 대상입니다. 기본값은1024이며,0으로 설정하면 32의 배수로 반올림하여 참조 이미지의 원래 크기에 가깝게 유지합니다.images: 참조 이미지입니다. 필요에 따라 추가 이미지 소켓이 나타납니다.positive및negative: 샘플러용 컨디셔닝 출력입니다.latent: 크기 조정 후 첫 번째 참조 이미지에서 크기를 가져온 빈 잠재값입니다.phrase_report: 정리된 프롬프트, 가중치 및 선택한 토큰 행을 보여 주는 선택적 JSON 텍스트입니다.
두 노드 함께 사용
이미지 참조와 프롬프트 구문을 모두 제어하는 워크플로에서는 모델을 Reference Strength를 통해 연결하고, Phrase Weights의 컨디셔닝 및 잠재 출력값을 샘플러로 연결합니다.
MODEL -> Reference Strength -------------------------> sampler MODEL
CLIP + VAE + images -> Phrase Weights
|------------------------> sampler positive
|------------------------> sampler negative
`------------------------> sampler latent_image결과를 비교할 때는 다른 설정을 고정한 상태에서 한 번에 하나의 제어 항목만 변경하세요. 이렇게 하면 시각적 차이가 참조 우선순위에서 비롯된 것인지, 구문 우선순위에서 비롯된 것인지 더 쉽게 판단할 수 있습니다.
고급 팁 및 제한 사항
두 노드는 모두 수학적 어텐션 조정을 적용합니다. 양의 가중치 w의 경우, 선택된 어텐션 점수에 소프트맥스 적용 전에 log(w)가 더해집니다. 이를 통해 정규화를 유지하면서 상대적인 어텐션 우선순위가 변경됩니다.
- 강도 또는 구문 가중치가
2.0이라고 해서 눈에 보이는 효과가 정확히 두 배가 되는 것은 아닙니다. - 매우 큰 값은 다른 지시 사항이나 참조를 압도하여 편집 유연성을 떨어뜨릴 수 있습니다.
- Reference Strength는 참조 이미지 키를 선택하고, Phrase Weights는 표시된 구문에 속하는 텍스트 키를 선택합니다.
- 기본 접두사 캐싱은 유지됩니다.
- 어텐션 백엔드는 가산 마스크를 지원해야 합니다.
- 구문 매핑에는 토크나이저의 전체 토큰 조각이 필요하며 텍스트 반전 임베딩은 지원하지 않습니다.
- 구문 인코딩 후 조건 토큰 행을 변경하면 구문 매핑이 무효화될 수 있습니다.
실제 조정에서는 기본값인 1.0에서 시작해 조금씩 변경하고, 선택된 프롬프트 토큰을 확인해야 할 때는 선택 사항인 phrase_report를 확인하세요.
결론
ComfyUI-qwen_img_2_1_enhancer는 ComfyUI 핵심 파일을 수정하지 않고 Qwen Image 2.1 편집 워크플로를 세밀하게 제어할 수 있도록 지원합니다. 커스텀 노드를 설치하고, Reference Strength로 개별 이미지의 우선순위를 지정하며, Phrase Weights로 프롬프트 구문을 강조하거나 억제하세요. 시각적 참조와 텍스트 지시 사항을 함께 제어해야 할 때는 두 노드를 조합하면 됩니다.
이 프로젝트는 MIT 라이선스에 따라 배포됩니다.