seed1234 和 1235 完全不是一回事

你应该已经有这个经验：只要改 seed，输出图像也会变化。

那就试试看，先用 seed=1234 生成一次，再用 seed=1235 生成一次。
数字看起来很接近，但结果往往会完全不同。

为什么会这样？

噪声与生成图像的关系

扩散模型是从噪声出发，再逐步去噪来生成图像的。
（详细可参考 扩散模型）

所以初始噪声不同，最终图像自然也会不同。

噪声与 seed 的关系

在 text2image 中，首先要生成初始噪声。
生成这个噪声时会用到随机数。

seed 就是决定随机数初始化方式的编号。

seed 是“初始化随机数的编号”

计算机并不是真正生成“完全随机数”，而是用伪随机数生成器（PRNG）来生成随机序列。

你可能会觉得“seed 很接近，随机序列也该接近吧？”但实际并不是这样。

  • 1234 和 1235 在人看来只差 1，很接近
  • 但对 PRNG 来说，它们是不同的初始化输入，生成的随机序列基本互不相关

可以这样理解：字典的第 1234 页和第 1235 页虽然相邻，但页面上的词并不保证相似。

那怎么生成相似图像？

现在我们知道了：seed 的接近程度和输出接近程度并没有直接关系。
那如果 seed=1234 生成了一张很满意的图，怎样做相似变化呢？

1. 使用 image2image

这是最简单的方法。

把已有图像作为输入，再用较小的 denoise，就能得到轻微变化的结果。

2. 混合噪声（blend）

思路很简单。

  1. 用 seed_A 生成噪声 A
  2. 用 seed_B 生成噪声 B
  3. 以 A 为基础，少量混入 B

通过改变 seed_B 或混合比例，就能生成细微变化的图像。

3. 注入噪声（injection）

另一种方式是：在基础 latent 上再加一点噪声 latent。

  1. 用 seed_A 生成噪声 A
  2. 用另一组随机数生成小噪声，再乘以 0.01 这类系数后加进去

因为是“注入噪声”，总噪声量会增加。

增加一点通常没问题，但如果把 strength 提到 1.0 或 2.0，采样器可能无法充分去噪，更容易输出接近纯噪声的图像。

workflow

在普通 workflow 中，噪声生成和注入通常由 KSampler 内部完成。 而这里的做法是先在 KSampler 之前生成并操作噪声（latent）。

这在 ComfyUI 里算稍微偏“非常规”的玩法，所以很多时候直接用 image2image 会更省心。

混合噪声（blend）

latent_blend.json
  • 🟩 通过 Generate Noise + KSampler (Advanced)（add_noise=disable）这个组合，可以在采样器外部生成噪声。
  • 🟪 这里的 Generate Noise 用于生成要混入的第二份噪声（latent）。
  • 🟨 用 Latent Blend 节点把两个 latent 混合。
    • blend_factor=1.0 时只保留 samples1，blend_factor=0.0 时只保留 samples2。

注入噪声（injection）

inject_noise_to_latent.json
  • 🟨 逐步提高 Inject Noise To Latent 的 strength，就能向基础 latent 里加入第二份噪声。
    • mix_randn_amount 调高会再叠加额外随机噪声，这里保持为 0。