jieg9341-lab GitHub avatar

ComfyUI-Krea2-StyleTransfer

jieg9341-lab

一个ComfyUI节点,无需训练即可将参考图像的风格信号注入Krea2采样,实现低内容泄漏、低质量损失的无训练风格迁移。

Stars

174

7 天增长

暂无数据

Fork 数

7

开放 Issue

0

开源协议

MIT

最近更新

2026-07-21

AI 仓库情报摘要
FR-AI / ANALYSIS

为什么值得关注

它解决了开源Krea2中缺乏本地风格参考模块的问题,通过创新的`ref_k_strength`控制将风格信号与内容泄漏解耦,并提供了经过调优的低泄漏预设。

适合谁使用

  • 使用Krea2模型的ComfyUI用户
  • 寻求无训练风格迁移的AI艺术家
  • 探索参考注入技术的开发者
  • 希望避免依赖官方API的用户

典型使用场景

  • 将参考图像的视觉风格迁移到新的提示词中,同时避免内容泄漏
  • 无需训练LoRA或准备数据集,快速进行风格变体原型设计
  • 通过有序的阶段混合控制组合两种参考风格,用于受控实验
  • 在本地Krea2工作流中作为临时风格适配器使用

项目优势

  • 独立的`ref_k_strength`参数通过将风格信号与`low_scale_end`解耦,实现了低泄漏、高质量的风格迁移
  • 推荐的单参考模式提供了经过测试的预设,具有强风格迁移和最小的质量损失
  • 简化的用户体验:`recommended`模式适用于普通用户,`custom`模式适用于实验探索
  • 双参考模式提供了明确的`primary_reference`和`first_phase_ratio`控制,用于有序的风格混合

使用前须知

  • 非官方Krea风格参考模块,不复制官方多参考行为
  • 双参考模式尚在实验阶段,对顺序和阶段比例敏感,超过两个参考时效果不佳
  • 过弱或通用的参考图像可能无法产生强烈的风格信号,且参考和目标潜变量尺寸必须匹配

README 快速开始

Installation

项目描述

Training-free Krea2 style reference nodes for ComfyUI, with LoRA-like single-image transfer, experimental two-reference blending, low content leakage, and preserved image quality.

相关仓库与替代方案

根据分类、Topic 和编程语言匹配的相似项目。

lopopolo
精选
lopopolo GitHub avatar

harness-engineering

Harness Engineering is a methodology for improving coding agent outputs by carefully crafting the environment around them—providing curated context, tools, and executable constraints that encode an organization’s nonfunctional requirements and cumulative lessons.

AI 与机器学习AI 智能体
2,390
slvDev
精选
slvDev GitHub avatar

esp32-ai

A 28.9 million parameter language model runs on an $8 ESP32-S3 microcontroller entirely on-device, generating simple stories at about 9.5 tokens per second.

AI 与机器学习大语言模型
1,960
littledivy
精选
littledivy GitHub avatar

mimic

mimic captures traffic from any iOS or web app and automatically generates a Python client library that lets you call the app's API like a regular library.

AI 与机器学习
1,482