最近 ComfyUI对于Stable Cascade的支持越来越好了一些，官方也放出来一些工作流供参考。

这里简单分享几个比较常用的基础工作流。

（如果还没有下载模型，可以先阅读上一篇Stable Cascade升级，现在只需要两个模型）

🌋文生图

StageC阶段：

首先是使用基础的模型加载节点，把stage_c模型加载进来，然后正常输入正向提示词和负向提示词，稍微需要注意的是采样里边的参数和latentimage生成节点要使用StableCascade_EmptyLatentImage，这里边的42，指的是1024分辨率需要压缩42倍率去生成一个小的latent，用于后续Stage_c模型继续采样；

StageB阶段：

将第一步生成的latent进行二次采样和放大；这里需要将StageC阶段的condition和stageC生成的latent作为控制条件进行输入，然后继续在空白噪声上进行采样；

最后通过VAE,也就是之前提到的三段式里边的StageA，将图像从潜空间还原为像素空间，就生成图像了，这里的VAE是从StageB的模型中直接调取的。

测试用的提示词为：A fashionably dressed anthropomorphic cat struts down the runway,3d,disney studio,cartoon,cute,

🚠图生图

输入图像为：

提示词为：super man, close-up, walking in the desert, oasis in the background, nighttime, with a moon in the sky,

输出图像为：

效果部分，可以看到会参考输入图像画风和构图，并将画面主体根据提示词做了替换。

图生图部分，比较特别的是stabelcascade_stageC_vaeencode这个节点，通过这个节点将像素空间的图像转化为潜空间，类似之前的vae encoder，只是这里要将输出的latent分别发给stageC阶段的采样器和StageB阶段的采样器，另外，StageC阶段的采样器，降噪不要太高，0.6左右比较合适，否则就跟图像关系不大了。

🚀多图融合

 提示词留空，输入图像为两张，分别是：

 输出图像为：

嗯，水母被巧妙的放在海边的盒子中了，语义上是合理的。

CLIP Vision Encode节点可用于加载特定的CLIP视觉模型，类似于CLIP模型用于对文本提示进行编码，CLIP视觉模型用于对图像进行编码。

注意这里的图片是可以多级串联的，只是串联的太多，每张图片的影响力理论上也会降低。

🎈工作流地址：

comfyui官方示例：Stable Cascade Examples | ComfyUI_examples

当然你也可以到网盘下载：https://pan.quark.cn/s/9b155ffd02ca

🎉写在最后~

去年的时候写了两门比较基础的Stable Diffuison WebUI的基础文字课程，大家如果喜欢的话，可以按需购买，在这里首先感谢各位老板的支持和厚爱~

✨StableDiffusion系统基础课（适合啥也不会的朋友，但是得有块Nvidia显卡）：

https://blog.csdn.net/jumengxiaoketang/category_12477471.html

​​🎆综合案例课程（适合有一点基础的朋友）：

https://blog.csdn.net/jumengxiaoketang/category_12526584.html

​​

这里是聚梦小课堂，就算不买课也没关系，点个关注，交个朋友😄