Stable Diffusion web UI 和 ComfyUI 无法生成相同的图像？

从结论来说，出完全相同的图像几乎是不可能的。

特别是成为最大因素的是以下 2 点。

  • 噪点的生成方法不同
  • 提示词权重的计算方法不同

1. 噪点的生成方法不同

扩散模型是从噪点生成图像的技术。 也就是说如果噪点的形状（模样）不同，生成的图像当然也会不同。

这个噪点生成相当严苛，仅仅是 在哪里生成噪点 不同，即使是相同的种子值也会变成别的模样。

  • ComfyUI

    • 在 CPU 侧 生成噪点
    • 设计上即使是不同的 GPU 或环境也容易出“如果是相同种子就是相同噪点”

  • Stable Diffusion web UI

    • 在 GPU 侧 生成噪点

由于这个差异，即使是相同的种子值，最初使用的噪点模式也会完全变成别的东西。 如果初期噪点不同，即使经过扩散的过程，最终的图像也不会一致。

2. 提示词权重的计算方法不同

用括号或冒号书写的 “权重” 的处理，两者的举动也不同。

  • ComfyUI

    • 如果写 (masterpiece:1.2) 就直接作为 1.2 处理
    • 即使写了多个词，基本 不进行归一化

  • Stable Diffusion web UI

    • 将多个权重汇总进行 归一化（平均化）
    • 如果提高某个单词的权重，其他单词的权重就会普遍下降

在官方 FAQ 的例子中，如下所示。

输入提示词

(masterpiece:1.2) (best:1.3) (quality:1.4) girl

在 Stable Diffusion web UI 中，会被归一化

(masterpiece:0.98) (best:1.06) (quality:1.14) (girl:0.81)

在 ComfyUI 中不会被归一化

masterpiece = 1.2 / best = 1.3 / quality = 1.4 / girl = 1.0 保持原样

结果是，即使输入相同的文本・相同的数值，由于 传递给文本编码器的“实际权重”不同，所以不会变成同样的画。

那么出“完全相同的图像”的方法是？

虽然有通过自定义节点等模仿 Stable Diffusion web UI 相同权重逻辑的方法，但因为残留着噪点生成的差异等，想要完全一致是相当困难的。

我觉得，干脆把这两个工具当作设计思想不同的“别的东西”比较好。