StableZero123_Conditioning_Batched - ComfyUI Built-in Node Documentation - ComfyUI

StableZero123_Conditioning_Batched 节点用于准备从单张输入图像生成 3D 模型的 conditioning 数据。它使用 CLIP vision 模型和 VAE 对图像进行编码，将视觉特征与基于仰角和方位角构建的相机嵌入相结合，并为一批样本生成 positive 和 negative conditioning 以及一个 latent 张量。当 batch_size 大于 1 时，对于批次中的每个项目，仰角和方位角都会按其批次增量值递增。

输入

参数	描述	数据类型	是否必需	范围
`clip视觉`	用于对输入图像进行编码的 CLIP vision 模型	CLIP_VISION	是	-
`初始图像`	要处理和编码的初始输入图像	IMAGE	是	-
`vae`	用于将图像像素编码到潜在空间的 VAE 模型	VAE	是	-
`宽度`	处理后图像的输出宽度（默认值：256）	INT	是	16 to MAX_RESOLUTION (step of 8)
`高度`	处理后图像的输出高度（默认值：256）	INT	是	16 to MAX_RESOLUTION (step of 8)
`批量大小`	批次中要生成的 conditioning 样本数量（默认值：1）	INT	是	1 到 4096
`俯仰角`	相机的初始仰角，单位为度（默认值：0.0）	FLOAT	是	-180.0 到 180.0
`方位角`	相机的初始方位角，单位为度（默认值：0.0）	FLOAT	是	-180.0 到 180.0
`俯仰角增量`	每个批次项目递增的仰角量（默认值：0.0）	FLOAT	是	-180.0 到 180.0
`方位角增量`	每个批次项目递增的方位角量（默认值：0.0）	FLOAT	是	-180.0 到 180.0

注意： width 和 height 值必须是 8 的倍数，因为该节点在构建 latent 张量时会在内部将这些维度除以 8。

输出

输出名称	描述	数据类型
`正面条件`	包含每个批次项目的图像嵌入和相机嵌入的 positive conditioning 数据	CONDITIONING
`负面条件`	使用零初始化嵌入的 negative conditioning 数据	CONDITIONING
`Latent`	维度为 batch_size x 4 x height/8 x width/8 的零初始化 latent 张量，以及批量索引信息	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): 94fc53dace8f294a746c47f8aa0da145f3e7beeb77a95912a38f0037ac094292