ARVideoI2V - ComfyUI Built-in Node Documentation - ComfyUI

概述

此节点为使用因果强制（Causal Forcing）或自强制（Self-Forcing）的自回归（AR）视频模型准备图像到视频生成设置。它使用 VAE 将起始图像编码到潜空间，并将其存储在模型的 transformer 选项中，以便视频采样过程可以在去噪前初始化 KV 缓存。它使用与文本到视频相同的模型检查点，因此无需单独的图像到视频架构。

输入

参数	描述	数据类型	是否必填	范围
`模型`	用于生成的 AR 视频模型。	MODEL	是	-
`vae`	用于将起始图像编码到潜空间的 VAE 模型。	VAE	是	-
`起始图像`	将作为生成视频第一帧的初始图像。仅使用输入批次中的第一张图像，且仅编码其 RGB 通道。	IMAGE	是	-
`宽度`	生成视频帧的宽度（默认：832）。	INT	是	16 到 8192 (step: 16)
`高度`	生成视频帧的高度（默认：480）。	INT	是	16 到 8192 (step: 16)
`长度`	生成视频的总帧数（默认：81）。	INT	是	1 到 1024 (step: 4)
`批量大小`	单个批次中生成的视频序列数量（默认：1）。	INT	是	1 到 64

注意：起始图像在编码前会调整到指定的 width 和 height。潜时间维度计算为 ((length - 1) // 4) + 1，潜空间维度为 height / 8 和 width / 8。

输出

输出名称	描述	数据类型
`MODEL`	克隆的模型，其中编码后的起始图像存储在其 transformer 选项中（`ar_config.initial_latent`），采样器在去噪前使用它初始化 KV 缓存。	MODEL
`LATENT`	形状为 `[batch_size, 16, lat_t, height // 8, width // 8]` 的零填充潜张量，其中 `lat_t = ((length - 1) // 4) + 1`。	LATENT

本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！在 GitHub 上编辑

Source fingerprint (SHA-256): 984834951b9d5a22aef51c85a5019fd8ba58cdb2d6fff235371ed29f316896d8