【ComfyUI】SDXL Refiner 提示进一步提升生成图像的质量

今天展示的案例是一个基于 SDXL Base 与 Refiner 双模型链路 的 ComfyUI 工作流。整个流程以空白潜空间为起点，通过文本提示词编码与采样步骤逐层迭代生成图像，再借助 Refiner 模型完成精修，最终由 VAE 解码器将潜空间数据还原为可见图像并保存。

该设计能够在保持生成自由度的同时提升画面质量，适合演示基础到进阶的多阶段合成过程。

工作流介绍

本工作流的核心是利用 Base 模型 与 Refiner 模型 的分工协作来生成高质量图像。Base 模型负责生成整体画面构架与细节雏形，而 Refiner 模型则对输出进行二次处理，使图像更加清晰自然。节点结构围绕文本提示词编码、潜空间采样、VAE 解码以及图像保存展开，所有环节通过精确的参数控制互相衔接。配合步骤控制节点，可以灵活设定迭代次数与切换步数，从而保证采样过程在效率与效果间取得平衡。

核心模型

在这个工作流中，Base 模型与 Refiner 模型分别加载自 SDXL 的官方权重文件。Base 模型负责生成主要画面，Refiner 则在后续步骤进行精修，最终通过 VAE 将潜空间结果解码为图像。两者结合保证了生成的画面既有整体的构图感，又具备细节上的锐利与自然。

Node节点

节点的设计涵盖了提示词编码、潜空间生成与控制、采样器、解码器等关键环节。Empty Latent Image 节点设定了图像分辨率，CLIPTextEncode 节点用于处理正向与负向提示词，KSampler Advanced 则控制采样步骤与噪声迭代过程。Refiner 分支与 Base 分支相互衔接，最终输出通过 VAE 解码为图像并由 Save Image 节点保存。整体节点结构清晰，适合演示多阶段图像生成的完整路径。

工作流程

整个流程从生成潜空间开始，以提示词编码为条件输入驱动 KSampler 迭代采样，再结合 Refiner 进行二次修正，最后通过 VAE 解码得到最终图像。每一个阶段都紧密衔接，形成从无到有、从粗到精的图像生成链路。Base 模型的采样过程为画面建立了框架，而 Refiner 在后续补充细节与质感。通过步骤控制节点，采样次数和切换时机能够灵活设定，既保证了效率，也兼顾了图像表现力。最终的输出通过 Save Image 节点落地，确保结果可被直接保存与使用。

应用场景

这一工作流适合在多种创意和生产任务中应用。由于采用 Base 与 Refiner 的组合方式，既能保证快速生成初稿，又能实现细节精修，因此在插画、概念设计和影视级画面制作中具有较强的适用性。对于设计师与内容创作者而言，它能在保持效率的同时提供更高的质量保证；对于学习 ComfyUI 的初学者，该工作流又是一个完整的范例，涵盖了文本编码、采样、潜空间解码等关键环节，具有较强的教学价值。

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