Stable Diffusion web UI 和 ComfyUI 生成不出相同的图像？

先说结论：要生成完全相同的图像，几乎是不可能的。

其中影响特别大的是以下 2 点。

  • 噪声的生成方式不同
  • 提示词权重的计算方式不同

1. 噪声的生成方式不同

扩散模型是从噪声中生成图像的技术。 也就是说，噪声的形状（图案）不同，生成的图像自然也会不同。

噪声生成相当敏感，哪怕只是 在哪里生成噪声 不同，同一个种子值也会得到不同的图案。

  • ComfyUI

    • 在 CPU 端 生成噪声
    • 这样设计，在不同的 GPU 或环境下也更容易做到“同一个种子就得到同样的噪声”

  • Stable Diffusion web UI

    • 在 GPU 端 生成噪声

因为这个差异，即使种子值相同，最初使用的噪声图案也完全不一样。 初始噪声不同，无论扩散过程怎么走，最终的图像都不会一致。

2. 提示词权重的计算方式不同

对于用括号和冒号写的 “权重”，两者的处理方式也不一样。

  • ComfyUI

    • 写 (masterpiece:1.2) 就 直接按 1.2 处理
    • 即使写了多个词，基本上也 不做归一化

  • Stable Diffusion web UI

    • 把多个权重放在一起做 归一化（拉平）
    • 提高某个词的权重，其他词的权重就会整体下降

官方 FAQ 里的例子如下。

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

结果就是，即使输入同样的文本、同样的数值，传给文本编码器的“实际权重”也不同，所以画不出同一张图。

那么，有办法生成“完全相同的图像”吗？

可以用自定义节点等方式模仿 Stable Diffusion web UI 的权重逻辑，但噪声生成等差异依然存在，所以 想要完全一致相当困难。

我个人觉得，干脆把这两个工具看作设计思想不同的“两样东西”会比较好。