为什么只能生成 8 的倍数的分辨率？

为什么只能生成 8 的倍数的分辨率？

看 ComfyUI 的 Empty Latent Image 节点，会发现宽・高只能以 8 为单位设定。 即使强行输入 513px 等，输出也肯定会被四舍五入为 8 的倍数。

这是由 latent diffusion model 和 VAE 的构造上的制约 导致的。

latent diffusion model 和 VAE 的压缩率

Stable Diffusion 等 latent diffusion model，是 一度将图像压缩到低分辨率的潜在空间后进行计算 的。 负责这个“压缩”和“还原”的就是 VAE。

在常用的 VAE（SD1.5 系和许多衍生模型）中，构造如下：

• 将高・宽压缩为 8 分之一（面积则是 64 分之一）

潜在空间的分辨率必须是整数，所以不能被 8 整除的余数会被舍去。

例如即使输入 513px 的图像，余数的 1px 也会被无视，实际上被当作 512px 处理。

也有其他压缩率的 VAE

并不是所有的 VAE 都是 8 倍压缩，4 / 8 / 16 / 32 等，根据模型的不同各式各样。

使用新模型的时候，最好先确认一下那个模型使用的是哪个 VAE（哪个压缩率）。

视频模型的 VAE 和帧数

在面向视频的 VAE 中，也有 将时间方向（帧数）也汇总压缩 的东西。

• Wan 2.1 VAE：那种将 4 帧汇总为一个 latent 的 VAE

在这种情况下，能生成的帧数会变成“1 + 4n”这样的形式，构造上根本无法进行“只出 2 帧”这样细致的指定。

就像空间方向（纵横）受限于 8 的倍数一样，请记住时间方向有时也会加入“只能处理这个数的倍数”这样的制约。

image2image・图像编辑模型的注意点

即使使用 8 的倍数以外的分辨率，也不会报错，可以生成。 但是，请注意这种情况下会发生偏差。

• 输入图像：原来的分辨率（例：513px × 769px）
• 输出图像：被四舍五入为 8 的倍数的分辨率（例：512px × 768px）

由于 输入和输出的像素不再是一对一对应，如果需要像素级的完美编辑，必须先进行裁剪・填充使其变成 8 的倍数。

如果感觉到“总觉得边缘被切掉了”“尺寸有微妙的差别”，请试着确认一下分辨率是否是 VAE 压缩率的倍数。