【ComfyUI】区域条件控制 图像构图引导

今天给大家演示一个基于 ComfyUI 的图像生成工作流，它通过分区条件控制与双阶段采样实现了昼夜不同场景的天空渲染效果。整个流程的亮点在于使用 区域条件控制（Area Conditioning） 将白天、黄昏、夜晚的天空特征分块融合，再结合两阶段的采样和上采样处理，使得生成的图像既能保持全局一致性，又能展现局部细节的层次感。通过这一工作流，我们可以轻松实现高质量、分时段变化的风景画面效果，非常适合需要批量生成多时段自然场景的用户。

工作流介绍

该工作流以 DreamShaper_8_pruned.safetensors 作为核心基础模型，结合 VAE 解码器 与 多层 CLIP 文本编码器，在采样环节通过两次 KSampler 的正负提示词条件，分别在初始生成和上采样阶段对图像进行优化。核心环节由 ConditioningSetArea 与 ConditioningCombine 节点构成，通过在图像的不同区域植入不同时段的提示词条件，实现了天空的渐进过渡与细节控制。

核心模型

该工作流的核心模型是 DreamShaper_8_pruned.safetensors，它是一款融合多风格特性的扩散模型，适合用于高质量艺术风景生成。同时搭配的 VAE 模块（vae-ft-mse-840000-ema-pruned.safetensors） 用于图像的压缩与解码，有助于在保持细节清晰度的同时提升生成效率。这一组合模型的使用保证了图像的真实感和艺术表现力，尤其在天空与景观的光影呈现上具有优势。

模型名称	说明
DreamShaper_8_pruned.safetensors	核心生成模型，负责整体图像风格与画面生成
vae-ft-mse-840000-ema-pruned.safetensors	VAE 模型，用于图像的压缩与解码，提升生成画质

Node节点

该工作流的节点设计环环相扣，首先由 CheckpointLoaderSimple 加载核心模型与 CLIP 编码器，再通过 CLIPSetLastLayer 设置编码深度，以便不同的提示词能更精准地作用于生成过程。接着，多组 CLIPTextEncode 节点编码了夜晚、黄昏、白天和负面提示词等文本描述，并在 ConditioningSetArea 节点中赋予不同的区域位置与权重。随后通过 ConditioningCombine 将不同条件组合，最终传入 KSampler 进行采样，形成图像潜空间表达。第二阶段通过 LatentUpscale 和新的采样过程对图像进行放大与细化，最后由 VAEDecode 解码并通过 SaveImage 节点输出成品。

节点名称	说明
CheckpointLoaderSimple	加载核心模型及 CLIP 编码器
CLIPSetLastLayer	设置 CLIP 编码层，调整条件影响范围
CLIPTextEncode	文本提示词编码，用于正面与负面条件
ConditioningSetArea	为特定区域设置条件提示词，控制局部生成
ConditioningCombine	将多个区域条件组合成完整输入
KSampler	扩散模型采样器，执行图像生成
EmptyLatentImage	生成初始潜空间图像
LatentUpscale	对潜空间图像进行放大，准备二次采样
VAEDecode	将潜空间解码为最终图像
SaveImage	保存生成的图像

工作流程

该工作流的执行逻辑分为两个主要阶段，先通过基础模型进行初始采样，再借助上采样进行二次优化。在第一阶段，加载好的 DreamShaper 模型与 VAE 作为核心框架，结合不同区域的文本条件，生成初步的潜空间图像；这一阶段的重点是通过多区域条件控制实现昼夜天空的分段式渲染。接下来，潜空间结果会交由上采样节点进行尺寸放大，再次引入正负条件提示词并通过 KSampler 执行二次采样，进一步增强细节表现与画面清晰度。最终，经过 VAE 解码得到的图像被保存输出，完整地呈现了分时段变化的天空景象。这种双阶段结构确保了图像既有全局氛围统一性，又具备局部细节层次感。

流程序号	流程阶段	工作描述	使用节点
1	模型加载	加载核心生成模型与 CLIP 编码器，为后续采样提供基础	CheckpointLoaderSimple, CLIPSetLastLayer
2	区域条件设定	将不同时间段的提示词编码并赋予图像区域，实现天空分区控制	CLIPTextEncode, ConditioningSetArea, ConditioningCombine
3	初始采样生成	使用采样器对潜空间进行生成，得到初步画面	KSampler, EmptyLatentImage, VAELoader
4	解码与保存	将潜空间转为图像并输出	VAEDecode, SaveImage
5	上采样准备	将初始生成结果进行潜空间放大，为二次细化做准备	LatentUpscale
6	二次采样优化	使用高分辨率潜空间重新采样，强化细节表现	KSampler
7	最终解码输出	将二次采样结果解码为最终高质量图像	VAEDecode, SaveImage

应用场景

该工作流的应用场景集中在多时段风景生成与视觉表现优化，尤其适合需要呈现白天、黄昏、夜晚等不同氛围的画面创作。在实际应用中，它可以帮助摄影师快速生成多种光线条件下的参考图，也能为游戏与影视概念设计提供多时段场景的视觉素材。同时，基于分区条件控制的灵活性，用户还可以将这一方法扩展到城市景观、自然风光或主题插画的多变光影表现，确保生成画面既真实又具备艺术感。

应用场景	使用目标	典型用户	展示内容	实现效果
多时段风景生成	在同一场景中生成白天、黄昏、夜晚的不同版本	摄影师、概念设计师	天空与自然景观的时段变化图像	一键生成多氛围画面，快速对比不同光效
影视与游戏美术	提供多时间节点的场景参考素材	美术团队、导演	城市或自然环境的昼夜变化	辅助创意与场景氛围设计
插画创作	在同一画布中分区设定多重光影效果	插画师	具备分区光效的艺术画面	作品风格更丰富，画面表现力增强
教学与演示	展示扩散模型分区控制的应用方法	AI 教学研究人员	多条件控制下的生成效果对比	清晰演示分区条件对画面生成的影响

开发与应用

更多 AIGC 与 ComfyUI工作流 相关研究学习内容请查阅：

ComfyUI使用教程、开发指导、资源下载

更多内容桌面应用开发和学习文档请查阅：

AIGC工具平台Tauri+Django环境开发，支持局域网使用
AIGC工具平台Tauri+Django常见错误与解决办法
AIGC工具平台Tauri+Django内容生产介绍和使用
AIGC工具平台Tauri+Django开源ComfyUI项目介绍和使用
AIGC工具平台Tauri+Django开源git项目介绍和使用