为什么只能生成 8 的倍数的分辨率？
看看 ComfyUI 的 Empty Latent Image 节点，会发现宽和高只能以 8 为步长设置。
即使硬是输入 513px 之类的值，输出也一定会被取整为 8 的倍数。
原因在于 latent diffusion model 和 VAE 在结构上的限制。
latent diffusion model 和 VAE 的压缩率
Stable Diffusion 等 latent diffusion model，会 先把图像压缩到低分辨率的潜在空间，再进行计算。 负责这种“压缩”和“还原”的就是 VAE。
常用的 VAE（SD1.5 系和许多衍生模型）的结构是：
- 把高和宽压缩到 八分之一（按面积是六十四分之一）
潜在空间的分辨率必须是整数，所以不能被 8 整除的零头会被舍去。
例如即使输入 513px 的图像，多出来的 1px 也会被忽略，实际上按 512px 处理。
也有其他压缩率的 VAE
并不是所有 VAE 都是 8 倍压缩，4 / 8 / 16 / 32 等，不同模型各不相同。
使用新模型时，最好先确认一下它用的是哪个 VAE（压缩率是多少）。
视频模型的 VAE 和帧数
有些视频用的 VAE，会 把时间方向（帧数）也一起压缩。
Wan 2.1 VAE：大致是把 4 帧合并成一个 latent 的 VAE
这时，能生成的帧数会是“1 + 4n”这样的形式，从结构上就没法做“只出 2 帧”这种细致的指定。
就像空间方向（长宽）受 8 的倍数限制一样，时间方向有时也会有“只能按这个数的倍数处理”的限制，大概记住这一点就好。
image2image、图像编辑模型的注意事项
即使使用不是 8 的倍数的分辨率，也不会报错，照样能生成。 但要注意，这时会产生偏差。
- 输入图像：原始分辨率（例：513px × 769px）
- 输出图像：取整为 8 的倍数后的分辨率（例：512px × 768px）
因为 输入和输出的像素不再一一对应，如果需要像素级精确的编辑，就要先裁剪或填充成 8 的倍数。
如果觉得“边缘好像被切掉了一点”“尺寸有点不对”， 不妨确认一下分辨率是不是 VAE 压缩率的倍数。