Krea 2 lineart edit

94 00

Krea 2 Lineart Edit 是一组专为 Krea-2-Raw 模型设计的 LoRA,将简单的线稿草图转化为完全渲染、细节丰富的图像。它完美继承了 Krea 2 强大的编辑能力,让用户能够通过“线条约束 + 文本描述”的方式,精准控制最终画面的构图与风格。

作者
Cierpliwy
触发词
基础模型
Krea-2-Raw
Krea 2 lineart edit

Krea 2 Lineart Edit 是一组专为 Krea-2-Raw 模型设计的 LoRA,将简单的线稿草图转化为完全渲染、细节丰富的图像。它完美继承了 Krea 2 强大的编辑能力,让用户能够通过“线条约束 + 文本描述”的方式,精准控制最终画面的构图与风格。

Krea 2 lineart edit

核心亮点

  • 忠实遵循线条:模型会严格依据提供的线稿结构进行上色和渲染,确保构图不变。
  • 双版本适配:
    • v1 (Lineart):最忠实地还原草图细节,适合精细线稿。
    • coarse_v1 (Lineart Coarse):更宽松、更具风格化的诠释,适合粗略草图或追求艺术感的场景。
  • 最佳搭档:配合 Realistic Lineart 预处理器提取的线稿效果最佳。

前置要求

在使用此 LoRA 之前,请确保你的 ComfyUI 环境已安装以下组件:

  1. 自定义节点:
  2. 基础模型 (Krea-2-Raw):
    • UNet: krea2-turbo-mxfp8-simple.safetensors → 放入 ComfyUI/models/unet
    • CLIP: qwen3vl_4b_fp8_scaled.safetensors → 放入 ComfyUI/models/clip
    • VAE: qwen_image_vae.safetensors → 放入 ComfyUI/models/vae

快速开始指南

1. 安装 LoRA

下载你喜欢的变体文件(krea2_lineart_edit_v1.safetensors 或 krea2_lineart_coarse_edit_v1.safetensors),并将其放入:

ComfyUI/models/loras/

2. 加载工作流

在 ComfyUI 中打开示例工作流 lineart_example.json(通常位于仓库的 example_workflows 文件夹中)。

3. 准备线稿

  • 推荐做法:找一张参考照片,使用 comfyui_controlnet_aux 中的 Realistic Lineart 预处理器提取线稿。
  • 直接上传:如果你已有手绘线稿,可以直接通过 LoadImage 节点上传。

4. 编写提示词

在 TextEncodeKrea2OstrisEdit 节点中,输入描述最终画面风格的提示词。

  • 例如:cyberpunk city, neon lights, rainy night, highly detailed, 8k

5. 生成图像

点击 Queue Prompt。模型将根据你的线稿结构和文字描述,生成一张全新的渲染图。

使用技巧

  • 线稿质量至关重要:由于这些 LoRA 是在 Realistic Lineart 格式的数据上训练的,使用同种预处理器生成的线稿能获得最稳定的结果。
  • 选择合适的变体:
    • 如果你的线稿非常精细且希望保留所有细节,选择 v1。
    • 如果你的线稿比较潦草,或者希望 AI 有更多的自由发挥空间来填充细节,选择 coarse_v1。
  • 提示词引导:虽然线条决定了构图,但提示词决定了光影、材质和氛围。尝试不同的风格关键词(如 oil painting, watercolor, photorealistic)来探索不同的视觉效果。

相关图书

Qwen-Image Sharp VAE [Anima / Krea-2]

新Qwen-Image Sharp VAE [Anima / Krea-2]

Qwen-Image Sharp VAE 是一款专门适配 Anima、Krea-2 的替换 VAE,**不需要触发词、额外节点,也不用重新训练**,直接替换原生 qwen_image_vae。它保留原版色彩、曝光,重点强化线条、睫毛、发丝等边缘细节,同时降低高光溢出,在高清修复工作流里收益尤其突出。
Krea2-Turbo-Distill-4step-LoRA

Krea2-Turbo-Distill-4step-LoRA

Krea2-Turbo-Distill-4step-LoRA 是一个专为 Krea 2 Turbo 模型设计的LoRA权重,旨在通过知识蒸馏技术,将生成高质量图像所需的最小步数从 8 步减少到 4 步。这不仅显著提升了推理速度,还通过恢复高频纹理细节,弥补了快速调度带来的画质损失。