# ComfyUI: Korean 내장 노드 (Built-in Nodes) 노드 Model ## Model ### Conditioning - [AudioEncoderEncode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/AudioEncoderEncode.md): AudioEncoderEncode 노드는 오디오 인코더 모델을 사용하여 오디오 데이터를 인코딩된 표현으로 변환합니다. 오디오 인코더와 원시 오디오 입력을 받아 오디오에서 파형과 샘플 레이트를 추출한 다음, 컨디셔닝 파이프라인에서 추가 처리에 적합한 인코딩된 출력을 생성합니다. - [CLIPSetLastLayer - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipSetLastLayer.md): CLIP Set Last Layer는 ComfyUI에서 CLIP 모델의 처리 깊이를 제어하는 핵심 노드입니다. 이 노드를 사용하면 CLIP 텍스트 인코더가 처리를 중단하는 지점을 정밀하게 지정하여 텍스트 이해의 깊이와 생성 이미지의 스타일을 모두 조절할 수 있습니다. - [CLIPTextEncode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncode.md): CLIP Text Encode (CLIPTextEncode) 노드는 번역기처럼 작동하여 텍스트 설명을 AI가 이해할 수 있는 형식으로 변환합니다. 이를 통해 AI가 입력을 해석하고 원하는 이미지를 생성할 수 있습니다. - [CLIPTextEncodeControlnet - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncodeControlnet.md): CLIPTextEncodeControlnet 노드는 CLIP 모델을 사용하여 텍스트 프롬프트를 처리하고 결과 텍스트 인코딩을 기존 컨디셔닝 데이터와 결합합니다. 텍스트에서 파생된 임베딩을 ControlNet 크로스 어텐션 매개변수로 각 컨디셔닝 항목에 추가하여 ControlNet 애플리케이션을 위한 향상된 컨디셔닝 출력을 - [CLIPVisionEncode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipVisionEncode.md): CLIP Vision Encode 노드는 ComfyUI의 이미지 인코딩 노드로, CLIP Vision 모델을 통해 입력 이미지를 시각적 특징 벡터로 변환합니다. 이 노드는 이미지와 텍스트 이해를 연결하는 중요한 브릿지 역할을 하며, 다양한 AI 이미지 생성 및 처리 워크플로우에서 널리 사용됩니다. - [InpaintModelConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/InpaintModelConditioning.md): InpaintModelConditioning 노드는 인페인팅 모델을 위한 컨디셔닝 프로세스를 용이하게 하도록 설계되어, 다양한 컨디셔닝 입력을 통합 및 조작하여 인페인팅 출력을 맞춤화할 수 있도록 합니다. 특정 모델 체크포인트 로드, 스타일 또는 컨트롤 넷 모델 적용부터 컨디셔닝 요소 인코딩 및 결합에 이르기까지 광범위한 - [NormalizeVideoLatentStart - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/NormalizeVideoLatentStart.md): 이 노드는 비디오 latent의 처음 몇 프레임을 조정하여 이후 프레임처럼 보이게 만듭니다. 비디오 후반부의 참조 프레임 집합에서 평균과 변동을 계산하고, 해당 특성을 시작 프레임에 동일하게 적용합니다. 이를 통해 비디오 시작 부분에서 더 부드럽고 일관된 시각적 전환이 만들어집니다. - [PiDConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/PiDConditioning.md): 이 노드는 잠재 이미지와 디그레이드 시그마(degrade sigma) 값을 CONDITIONING 데이터에 첨부합니다. - [ReferenceLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ReferenceLatent.md): 이 노드는 편집 모델의 가이드 잠재 신호를 설정합니다. 컨디셔닝 데이터와 선택적 잠재 입력을 받아 참조 잠재 정보를 포함하도록 컨디셔닝을 수정합니다. 모델이 지원하는 경우 여러 ReferenceLatent 노드를 연결하여 여러 참조 이미지를 설정할 수 있습니다. - [ReferenceTimbreAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ReferenceTimbreAudio.md): 이 노드는 "ace step 1.5" 프로세스에서 사용할 참조 오디오 음색을 설정합니다. conditioning 입력과 선택적으로 오디오의 잠재 표현을 받아, 해당 잠재 데이터를 conditioning에 첨부하여 워크플로우의 후속 노드에서 사용할 수 있도록 합니다. 이 노드는 현재 실험적 상태로 표시되어 있습니다. - [SeedVR2Conditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SeedVR2Conditioning.md): 이 노드는 SeedVR2 모델과 함께 사용하기 위해 VAE 잠재 변수에서 포지티브 및 네거티브 컨디셔닝을 구축합니다. 입력 잠재 변수의 형태와 모델 구조를 검증한 후, 이미지 또는 비디오 샘플링을 안내하는 포지티브 및 네거티브 컨디셔닝을 생성합니다. - [StyleModelApply - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/StyleModelApply.md): 이 노드는 스타일 모델을 주어진 컨디셔닝에 적용하여, CLIP 비전 모델의 출력을 기반으로 스타일을 강화하거나 변경합니다. 스타일 모델의 컨디셔닝을 기존 컨디셔닝에 통합하여, 생성 과정에서 스타일이 자연스럽게 혼합되도록 합니다. - [T5TokenizerOptions - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/T5TokenizerOptions.md): T5TokenizerOptions 노드는 다양한 T5 모델 유형에 대한 토크나이저 설정을 구성합니다. t5xxl, pilet5xl, t5base, mt5xl 및 umt5xxl을 포함한 여러 T5 모델 변형에 대해 최소 패딩 및 최소 길이 매개변수를 설정합니다. 이 노드는 CLIP 입력을 받아 해당 설정을 복사본에 적용한 - [unCLIPConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/unCLIPConditioning.md): 이 노드는 CLIP 비전 출력을 컨디셔닝 과정에 통합하여, 지정된 강도 및 노이즈 증강 매개변수에 따라 이러한 출력의 영향을 조정합니다. 시각적 맥락으로 컨디셔닝을 풍부하게 하여 생성 과정을 향상시킵니다. #### Ace - [TextEncodeAceStepAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeAceStepAudio.md): TextEncodeAceStepAudio 노드는 태그와 가사를 토큰으로 결합한 다음 조정 가능한 가사 강도로 인코딩하여 오디오 컨디셔닝을 위한 텍스트 입력을 처리합니다. - [TextEncodeAceStepAudio1.5 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeAceStepAudio1.5.md): TextEncodeAceStepAudio1.5 노드는 AceStepAudio 1.5 모델에서 사용할 텍스트 및 오디오 관련 메타데이터를 준비합니다. 설명 태그, 가사, 음악 매개변수를 입력받은 다음 CLIP 모델을 사용하여 오디오 생성에 적합한 컨디셔닝 형식으로 변환합니다. #### Autoregressive - [ARVideoI2V - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ARVideoI2V.md): Documentation for ARVideoI2V node. #### Bernini - [BerniniConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/BerniniConditioning.md): BerniniConditioning 노드는 Wan2.2-A14B 모델을 위한 비디오 및 이미지 컨디셔닝 데이터를 준비합니다. 제공된 VAE를 사용하여 소스 비디오, 참조 비디오 및 참조 이미지를 인코딩한 후, 이를 컨텍스트 내 토큰으로 컨디셔닝 데이터에 첨부합니다. 작업은 연결된 입력에서 자동으로 유추됩니다. #### Boogu - [TextEncodeBooguEdit - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeBooguEdit.md): 이 노드는 Boogu를 사용한 이미지 편집을 위한 컨디셔닝을 준비합니다. 참조 이미지를 처리하여 긍정 및 부정 컨디셔닝 출력을 모두 생성합니다. 참조 이미지는 두 번 사용됩니다. 이미지의 비전 토큰은 편집 명령을 증폭하기 위해 긍정 컨디셔닝에만 추가되는 반면, VAE 참조 잠재 변수는 긍정 및 부정 컨디셔닝 모두에 추가되 #### Controlnet - [ControlNetApply - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ControlNetApply.md): ControlNet을 사용하려면 입력 이미지의 전처리가 필요합니다. - [ControlNetApplyAdvanced - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ControlNetApplyAdvanced.md): 이 노드는 이미지와 컨트롤 넷 모델을 기반으로 컨디셔닝 데이터에 고급 컨트롤 넷 변환을 적용합니다. 컨트롤 넷이 생성 콘텐츠에 미치는 영향력을 세밀하게 조정하여 컨디셔닝에 대한 보다 정밀하고 다양한 수정을 가능하게 합니다. - [ControlNetApplySD3 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ControlNetApplySD3.md): 이 노드는 Stable Diffusion 3 컨디셔닝에 ControlNet 가이던스를 적용합니다. 긍정(positive) 및 부정(negative) 컨디셔닝 입력과 ControlNet 모델 및 이미지를 받아 강도와 타이밍 매개변수를 조절하여 제어 가이던스를 적용함으로써 생성 과정에 영향을 줍니다. - [ControlNetInpaintingAliMamaApply - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ControlNetInpaintingAliMamaApply.md): ControlNetInpaintingAliMamaApply 노드는 포지티브 컨디셔닝과 네거티브 컨디셔닝을 제어 이미지 및 마스크와 결합하여 인페인팅 작업을 위한 ControlNet 컨디셔닝을 적용합니다. 입력 이미지와 마스크를 처리하여 생성 과정을 안내하는 수정된 컨디셔닝을 생성하며, 이미지에서 인페인팅할 영역을 정밀하게 - [SetUnionControlNetType - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SetUnionControlNetType.md): The SetUnionControlNetType 노드는 제어 네트워크가 사용할 제어 유형을 선택할 수 있게 해줍니다. 기존 제어 네트워크를 가져와 선택한 제어 유형이 적용된 수정된 복사본을 생성하며, 원본 제어 네트워크는 변경되지 않습니다. "auto"를 선택하면 저장된 제어 유형이 지워져 유형을 자동으로 감지할 수 있습 #### Cosmos - [CosmosImageToVideoLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/CosmosImageToVideoLatent.md): CosmosImageToVideoLatent 노드는 입력 이미지에서 비디오 잠재 표현을 생성합니다. 요청된 너비, 높이 및 프레임 수로 빈 비디오 잠재를 만든 다음 선택적으로 시작 이미지를 시작 프레임에 인코딩하거나 종료 이미지를 종료 프레임에 인코딩합니다. 이미지가 제공되면 인코딩된 프레임이 생성 중에 고정되도록 노이즈 - [CosmosPredict2ImageToVideoLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/CosmosPredict2ImageToVideoLatent.md): CosmosPredict2ImageToVideoLatent는 이미지에서 비디오 생성을 위한 비디오 잠재 표현을 생성합니다. 빈 비디오 잠재 표현을 생성하거나 시작 및 종료 이미지를 통합하여 지정된 크기와 지속 시간의 비디오 시퀀스를 생성할 수 있습니다. 이 노드는 비디오 처리를 위해 이미지를 적절한 잠재 공간 형식으로 인 #### Flux - [CLIPTextEncodeFlux - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncodeFlux.md): CLIPTextEncodeFlux는 Flux 아키텍처를 위해 설계된 고급 텍스트 인코딩 노드입니다. - [FluxDisableGuidance - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/FluxDisableGuidance.md): 이 노드는 Flux 및 Flux 유사 모델에서 guidance 임베드를 완전히 비활성화합니다. 입력으로 conditioning 데이터를 받아 guidance 구성 요소를 None으로 설정하여 제거하며, 생성 과정에서 guidance 기반 conditioning을 효과적으로 비활성화합니다. - [FluxGuidance - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/FluxGuidance.md): Documentation for FluxGuidance node. - [FluxKontextImageScale - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/FluxKontextImageScale.md): 이 노드는 입력 이미지의 종횡비를 기준으로 Lanczos 알고리즘을 사용하여 Flux Kontext 모델 학습 중 사용되는 최적 크기로 이미지를 조정합니다. 특히 큰 크기의 이미지를 입력할 때 유용하며, 과도하게 큰 입력은 모델 출력 품질 저하 또는 출력에 여러 객체가 나타나는 문제를 초래할 수 있습니다. - [FluxKontextMultiReferenceLatentMethod - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/FluxKontextMultiReferenceLatentMethod.md): FluxKontextMultiReferenceLatentMethod 노드는 특정 참조 잠상(reference latents) 방법을 설정하여 컨디셔닝 데이터를 수정합니다. 선택한 방법을 컨디셔닝 입력에 추가하며, 이는 이후 생성 단계에서 참조 잠상이 처리되는 방식에 영향을 줍니다. 이 노드는 실험적(experimental #### Gligen - [GLIGENTextBoxApply - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/GLIGENTextBoxApply.md): GLIGENTextBoxApply 노드는 텍스트 기반 컨디셔닝을 생성 모델의 입력에 통합하도록 설계되었습니다. 특히 텍스트 상자 매개변수를 적용하고 CLIP 모델을 사용하여 이를 인코딩합니다. 이 과정은 공간 및 텍스트 정보로 컨디셔닝을 강화하여 보다 정밀하고 맥락을 인식한 생성을 가능하게 합니다. #### Hidream - [CLIPTextEncodeHiDream - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncodeHiDream.md): CLIPTextEncodeHiDream 노드는 서로 다른 언어 모델(CLIP-L, CLIP-G, T5-XXL 및 LLaMA)을 사용하여 네 개의 별도 텍스트 입력을 처리하고 이를 단일 컨디셔닝 출력으로 결합합니다. 각 텍스트 입력을 해당 모델로 토큰화하고 스케줄된 인코딩 방식을 사용하여 함께 인코딩함으로써, 여러 언어 모 - [HiDreamO1ReferenceImages - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/HiDreamO1ReferenceImages.md): This node attaches reference images to both positive and negative conditioning, so downstream nodes can use them to guide generation. #### Hunyuan 3d - [Hunyuan3Dv2Conditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Hunyuan3Dv2Conditioning.md): Hunyuan3Dv2Conditioning 노드는 CLIP 비전 출력을 처리하여 3D 모델용 컨디셔닝 데이터를 생성합니다. 비전 출력에서 마지막 은닉 상태 임베딩을 추출하고 양성 및 음성 컨디셔닝 쌍을 생성합니다. 양성 컨디셔닝은 실제 임베딩을 사용하는 반면, 음성 컨디셔닝은 동일한 형태의 0 값 임베딩을 사용합니다. - [Hunyuan3Dv2ConditioningMultiView - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Hunyuan3Dv2ConditioningMultiView.md): Hunyuan3Dv2ConditioningMultiView 노드는 최대 4개의 뷰(전면, 좌측, 후면, 우측)에서 생성된 CLIP 비전 출력을 단일 멀티뷰 컨디셔닝으로 결합합니다. 각 제공된 뷰에는 CLIP 비전 임베딩에 위치 인코딩이 추가되며, 결과 임베딩은 연결됩니다. 이 노드는 결합된 임베딩을 기반으로 하는 포지티브 #### Hunyuan Image - [CLIPTextEncodeHunyuanDiT - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncodeHunyuanDiT.md): CLIPTextEncodeHunyuanDiT 노드는 텍스트 설명을 HunyuanDiT 모델이 이해할 수 있는 형식으로 변환합니다. #### Hunyuan Video - [HunyuanImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/HunyuanImageToVideo.md): HunyuanImageToVideo 노드는 Hunyuan 비디오 모델을 사용하여 이미지를 비디오 잠재 표현으로 변환합니다. 조건 입력과 선택적 시작 이미지를 받아 비디오 생성 모델에서 추가 처리할 수 있는 비디오 잠재 표현을 생성합니다. 이 노드는 시작 이미지가 비디오 생성 과정에 영향을 미치는 방식을 제어하는 다양한 가 - [HunyuanRefinerLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/HunyuanRefinerLatent.md): HunyuanRefinerLatent 노드는 Hunyuan 비디오 정제 프로세스를 위한 conditioning 및 latent 데이터를 준비합니다. 입력 latent 이미지 데이터를 positive 및 negative conditioning에 모두 첨부하고, 노이즈 증강 값을 적용하며, 추가 처리를 위해 32개 채널을 가 - [HunyuanVideo15ImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/HunyuanVideo15ImageToVideo.md): HunyuanVideo15ImageToVideo 노드는 HunyuanVideo 1.5 모델을 기반으로 비디오 생성을 위한 컨디셔닝 및 잠재 공간 데이터를 준비합니다. 이 노드는 비디오 시퀀스에 대한 초기 잠재 표현을 생성하며, 선택적으로 시작 이미지 또는 CLIP 비전 출력을 통합하여 생성 과정을 안내할 수 있습니다. - [HunyuanVideo15SuperResolution - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/HunyuanVideo15SuperResolution.md): HunyuanVideo15SuperResolution 노드는 비디오 슈퍼해상도 프로세스를 위한 조건부(conditioning) 데이터를 준비합니다. 비디오의 잠재(latent) 표현과 선택적으로 시작 이미지를 입력받아 노이즈 증강 및 CLIP 비전 데이터와 함께 모델이 더 높은 해상도의 출력을 생성하는 데 사용할 수 있는 - [TextEncodeHunyuanVideo_ImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeHunyuanVideo_ImageToVideo.md): TextEncodeHunyuanVideoImageToVideo 노드는 텍스트 프롬프트와 참조 이미지의 시각적 정보를 결합하여 이미지-투-비디오 생성용 컨디셔닝 데이터를 생성합니다. #### Instructpix2pix - [InstructPixToPixConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/InstructPixToPixConditioning.md): InstructPixToPixConditioning 노드는 긍정 및 부정 텍스트 프롬프트를 이미지 데이터와 결합하여 InstructPix2Pix 이미지 편집을 위한 컨디셔닝 데이터를 준비합니다. 입력 이미지를 VAE 인코더를 통해 처리하여 잠재 표현을 생성하고, 이러한 잠재 표현을 긍정 및 부정 컨디셔닝 데이터 모두에 첨 #### Joyimage - [TextEncodeJoyImageEdit - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeJoyImageEdit.md): 이 노드는 텍스트 프롬프트와 선택적 이미지를 JoyImage 모델과 함께 사용하기 위한 컨디셔닝 데이터로 인코딩합니다. #### Kandinsky - [CLIPTextEncodeKandinsky5 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncodeKandinsky5.md): CLIP Text Encode (Kandinsky 5) 노드는 Kandinsky 5 모델에 사용할 텍스트 프롬프트를 준비합니다. 이 노드는 두 개의 개별 텍스트 입력을 받아 제공된 CLIP 모델을 사용하여 토큰화한 다음, 단일 컨디셔닝 출력으로 결합합니다. 이 출력은 이미지 생성 과정을 안내하는 데 사용됩니다. - [Kandinsky5ImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Kandinsky5ImageToVideo.md): Kandinsky5ImageToVideo 노드는 Kandinsky 모델을 사용하여 비디오 생성을 위한 컨디셔닝 및 잠재 공간 데이터를 준비합니다. 빈 비디오 잠재 텐서를 생성하고, 선택적으로 시작 이미지를 인코딩하여 생성된 비디오의 초기 프레임을 안내할 수 있으며, 이에 따라 긍정적 및 부정적 컨디셔닝을 수정합니다. #### Lotus - [LotusConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LotusConditioning.md): LotusConditioning 노드는 Lotus 모델에 대한 사전 계산된 컨디셔닝 임베딩을 제공합니다. 이 노드는 동결된 인코더와 null 컨디셔닝을 사용하며, 추론이나 대용량 텐서 파일 로드 없이 참조 구현과의 일치를 달성하기 위해 하드코딩된 프롬프트 임베딩을 반환합니다. 이 노드는 생성 파이프라인에서 직접 사용할 수 #### Ltxv - [GetICLoRAParameters - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/GetICLoRAParameters.md): 이 노드는 LoRA가 로드된 모델에서 메타데이터를 읽어 IC-LoRA 매개변수(예: 참조 다운스케일 계수)를 추출합니다. - [LTXVAddGuide - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVAddGuide.md): LTXVAddGuide 노드는 입력 이미지 또는 비디오를 인코딩하여 키프레임으로 conditioning 데이터에 통합함으로써 잠재(latent) 시퀀스에 비디오 conditioning 가이드를 추가합니다. - [LTXVConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVConditioning.md): LTXVConditioning 노드는 비디오 생성 모델을 위해 positive 및 negative conditioning 입력 모두에 프레임 레이트 정보를 추가합니다. 기존 conditioning 데이터를 가져와 지정된 프레임 레이트 값을 두 conditioning 세트에 적용하여 비디오 모델 처리에 적합하게 만듭니다. - [LTXVCropGuides - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVCropGuides.md): LTXVCropGuides 노드는 키프레임 정보를 제거하고 latent 차원을 조정하여 비디오 생성을 위한 컨디셔닝 및 latent 입력을 처리합니다. latent 이미지와 노이즈 마스크를 크롭하여 키프레임 섹션을 제외하는 동시에 positive 및 negative 컨디셔닝 입력 모두에서 키프레임 인덱스와 가이드 어텐션 - [LTXVDurationPredictor - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVDurationPredictor.md): 이 노드는 LTX 2.4 duration head를 사용하여 프롬프트에 대한 자연스러운 샷 길이를 예측합니다. 예측된 길이를 제공된 프레임 레이트와 최소/최대 길이 제한을 사용하여 VAE의 프레임 그리드에 맞는 프레임 수로 변환합니다. - [LTXVImgToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVImgToVideo.md): LTXVImgToVideo는 입력 이미지를 비디오 생성 모델용 비디오 잠재 표현으로 변환합니다. 이미지를 요청된 너비와 높이로 크기를 조정하고, VAE로 인코딩한 후, 인코딩된 프레임을 0으로 채워진 비디오 크기 잠재 공간의 시작 부분에 배치합니다. 강도(strength) 제어는 비디오 생성 중 원본 이미지 콘텐츠가 보존 - [LTXVImgToVideoInplace - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVImgToVideoInplace.md): LTXVImgToVideoInplace는 입력 이미지를 잠재 공간으로 인코딩하고, 인코딩된 프레임을 기존 잠재 비디오의 시작 부분에 배치합니다. strength 값은 인코딩된 이미지가 초기 프레임에 얼마나 강하게 조건을 부여하는지 제어하며, bypass가 활성화되면 입력 잠재 변수가 변경 없이 반환됩니다. - [LTXVReferenceAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVReferenceAudio.md): LTXV Reference Audio는 참조 오디오 클립에서 화자의 음성 정체성을 추출하여 생성된 오디오에 이전합니다. 참조 오디오를 컨디셔닝에 인코딩하고, 선택적으로 정체성 가이던스로 모델을 패치하여 각 단계에서 참조 없이 추가 전방 패스를 실행함으로써 화자 정체성 효과를 증폭시킵니다. #### Lumina - [CLIPTextEncodeLumina2 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncodeLumina2.md): 이 노드는 CLIP 모델을 사용하여 시스템 프롬프트와 사용자 프롬프트를 인코딩하여, 확산 모델이 특정 이미지를 생성하도록 안내하는 데 사용할 수 있는 임베딩으로 변환합니다. 사전 정의된 Lumina 2 시스템 프롬프트를 사용자 정의 텍스트 프롬프트와 결합하고, 이를 CLIP 모델을 통해 처리하여 이미지 생성을 위한 컨디셔 #### Mage - [TextEncodeMageFlowEdit - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeMageFlowEdit.md): 이 노드는 Mage-Flow-Edit 모델을 위해 하나 이상의 참조 이미지와 함께 편집 명령(프롬프트)을 인코딩합니다. 모든 참조 이미지를 대상 출력 해상도로 크기를 조정하고, VAE가 제공된 경우 이를 잠재 공간으로 인코딩한 후 참조 잠재 텐서를 조건화 출력에 첨부합니다. 또한 샘플링에 적합한 차원의 빈 잠재 텐서를 생 #### Minimax - [MiniMaxH3AddGuide - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/MiniMaxH3AddGuide.md): 이 노드는 MiniMax H3 비디오의 선택한 프레임에 이미지, 짧은 클립, 오디오 또는 사운드트랙이 포함된 클립을 고정합니다. 지정된 프레임 인덱스에서 컨디셔닝에 가이드 키프레임을 추가하며, 여러 노드를 연결하여 동일한 비디오의 여러 프레임을 고정할 수 있습니다. - [MiniMaxH3ImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/MiniMaxH3ImageToVideo.md): 이 노드는 MiniMax H3 모델로 비디오를 생성하는 데 필요한 컨디셔닝(conditioning)과 빈 잠재 변수(latent)를 준비합니다. 텍스트 프롬프트와 선택적으로 비디오의 첫 번째 및/또는 마지막 프레임 이미지를 입력받아 모델 입력으로 변환합니다. 키프레임 이미지는 크기가 조정되고 인코딩된 후 비디오의 시작과 - [MiniMaxH3ReferenceToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/MiniMaxH3ReferenceToVideo.md): MiniMax H3 Reference to Video creates the text conditioning and the empty audio-video latent needed for MiniMax H3 reference-to-video generation. #### Minimax Music - [MiniMaxMusic3TextEncode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/MiniMaxMusic3TextEncode.md): MiniMax Music3 Text Encode는 MiniMax Music3 CLIP 모델을 사용하여 텍스트 캡션과 가사를 음악 생성을 위한 음향 컨디셔닝 시퀀스로 변환합니다. 이 노드는 입력된 최대 지속 시간을 기반으로 계산된 실제 오디오 지속 시간(초)과 함께 결과 CONDITIONING 데이터를 반환합니다. #### Photomaker - [PhotoMakerEncode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/PhotoMakerEncode.md): PhotoMakerEncode 노드는 참조 이미지와 텍스트 프롬프트를 결합하여 이미지 생성을 위한 컨디셔닝 데이터를 생성합니다. 텍스트에 "photomaker"라는 단어가 포함된 경우, 노드는 PhotoMaker 모델을 사용하여 프롬프트의 해당 위치에 참조 이미지의 시각적 정체성을 컨디셔닝에 삽입합니다. #### Pixart - [CLIPTextEncodePixArtAlpha - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncodePixArtAlpha.md): PixArt Alpha용 텍스트를 인코딩하고 해상도 컨디셔닝을 설정합니다. 이 노드는 텍스트 입력을 처리하고 너비 및 높이 정보를 추가하여 PixArt Alpha 모델 전용 컨디셔닝 데이터를 생성합니다. #### Qwen Image - [TextEncodeQwenImageEdit - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeQwenImageEdit.md): TextEncodeQwenImageEdit 노드는 텍스트 프롬프트와 선택적 이미지를 이미지 생성 또는 편집을 위한 컨디셔닝 데이터로 변환합니다. - [TextEncodeQwenImageEditPlus - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeQwenImageEditPlus.md): TextEncodeQwenImageEditPlus 노드는 텍스트 프롬프트와 선택적 이미지를 처리하여 이미지 생성 또는 편집 작업을 위한 컨디셔닝 데이터를 생성합니다. 특수 템플릿을 사용하여 입력 이미지를 분석하고 텍스트 지시사항이 이미지를 어떻게 수정해야 하는지 이해한 다음, 이 정보를 인코딩하여 후속 생성 단계에서 사용 #### Stable Audio - [ConditioningStableAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningStableAudio.md): ConditioningStableAudio 노드는 오디오 생성을 위해 positive 및 negative conditioning 입력에 타이밍 정보를 추가합니다. 시작 시간과 총 지속 시간 매개변수를 설정하여 오디오 콘텐츠가 생성되는 시점과 길이를 제어할 수 있게 합니다. 이 노드는 오디오 특화 타이밍 메타데이터를 #### Stable Cascade - [StableCascade_StageB_Conditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/StableCascade_StageB_Conditioning.md): StableCascadeStageBConditioning 노드는 기존 컨디셔닝 정보를 Stage C의 사전 잠재 표현과 결합하여 Stable Cascade Stage B 생성을 위한 컨디셔닝 데이터를 준비합니다. 각 컨디셔닝 항목을 복사하고 Stage C 잠재 샘플을 추가함으로써, 생성 과정이 사전 정보를 활용하여 더 #### Stable Diffusion - [CLIPTextEncodeSD3 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncodeSD3.md): CLIPTextEncodeSD3는 여러 CLIP 모델을 사용하여 여러 텍스트 프롬프트를 인코딩함으로써 Stable Diffusion 3 모델용 텍스트 입력을 처리합니다. 이 노드는 clipg, clipl, t5xxl의 세 가지 개별 텍스트 입력을 처리하며 빈 텍스트 패딩을 관리하는 옵션을 제공합니다. 또한 - [CLIPTextEncodeSDXL - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncodeSDXL.md): 이 노드는 SDXL 아키텍처에 특화된 CLIP 모델을 사용하여 텍스트 입력을 인코딩하도록 설계되었습니다. 이중 인코더 시스템(CLIP-L 및 CLIP-G)을 활용하여 텍스트 설명을 처리함으로써 보다 정확한 이미지 생성을 가능하게 합니다. - [CLIPTextEncodeSDXLRefiner - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncodeSDXLRefiner.md): 이 노드는 SDXL Refiner 모델을 위해 특별히 설계되어, 미적 점수와 차원 정보를 통합하여 텍스트 프롬프트를 조건 정보로 변환함으로써 생성 작업의 조건을 강화하고 최종 정제 효과를 개선합니다. 이는 전문 아트 디렉터처럼 작동하여 창작 의도를 전달할 뿐만 아니라 작품에 정밀한 미적 기준과 사양 요구 사항을 주입합니다 #### Stable Diffusion Upscaler - [SD_4XUpscale_Conditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SD_4XUpscale_Conditioning.md): SD4XUpscaleConditioning 노드는 확산 모델을 사용하여 이미지 업스케일링을 위한 컨디셔닝 데이터를 준비합니다. 입력 이미지와 컨디셔닝 데이터를 받아 스케일링과 노이즈 증강을 적용하여 업스케일링 과정을 안내하는 수정된 컨디셔닝을 생성합니다. 이 노드는 업스케일링된 크기에 대한 포지티브 및 네거티브 컨디셔 #### Stable Video 3d - [SV3D_Conditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SV3D_Conditioning.md): SV3DConditioning은 SV3D 모델을 사용하여 3D 비디오 생성을 위한 컨디셔닝 데이터를 준비합니다. 초기 이미지를 받아 CLIP 비전 및 VAE 인코더를 통해 처리하여 포지티브 및 네거티브 컨디셔닝과 함께 잠재 표현을 생성합니다. 이 노드는 지정된 비디오 프레임 수에 따라 다중 프레임 비디오 생성을 위한 카 #### Stable Zero123 - [StableZero123_Conditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/StableZero123_Conditioning.md): StableZero123Conditioning 노드는 입력 이미지와 카메라 각도를 처리하여 3D 모델 생성을 위한 컨디셔닝 데이터와 잠재 표현을 생성합니다. - [StableZero123_Conditioning_Batched - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/StableZero123_Conditioning_Batched.md): StableZero123ConditioningBatched 노드는 단일 입력 이미지에서 3D 모델을 생성하기 위한 컨디셔닝 데이터를 준비합니다. #### Transform - [ConditioningConcat - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningConcat.md): ConditioningConcat 노드는 컨디셔닝 벡터를 연결(concatenate)하도록 설계되었으며, 특히 'conditioningfrom' 벡터를 'conditioningto' 벡터에 병합합니다. 이 작업은 두 소스의 컨디셔닝 정보를 하나의 통합된 표현으로 결합해야 하는 시나리오에서 필수적입니다. - [ConditioningMultiply - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningMultiply.md): 이 노드는 컨디셔닝 값에 지정된 배율을 곱하여 생성 과정에서 컨디셔닝의 영향을 조정할 수 있도록 합니다. 기본 컨디셔닝 텐서와 풀링된 출력 값 모두에 배율을 적용하는 방식으로 작동합니다. - [ConditioningSetArea - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningSetArea.md): 이 노드는 컨디셔닝 컨텍스트 내에서 특정 영역을 설정하여 컨디셔닝 정보를 수정하도록 설계되었습니다. 컨디셔닝 요소의 정밀한 공간 조작을 가능하게 하며, 지정된 치수와 강도에 따라 목표 지향적인 조정 및 개선을 수행할 수 있습니다. - [ConditioningSetAreaPercentage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningSetAreaPercentage.md): The ConditioningSetAreaPercentage node specializes in adjusting the area of influence for conditioning elements based on percentage values. - [ConditioningSetAreaPercentageVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningSetAreaPercentageVideo.md): ConditioningSetAreaPercentageVideo 노드는 비디오 생성을 위한 특정 영역과 시간적 구간을 정의하여 조건부 입력(conditioning) 데이터를 수정합니다. 전체 크기 대비 백분율 값을 사용하여 조건부 입력이 적용되는 영역의 위치, 크기 및 지속 시간을 설정합니다. 이는 비디오 시퀀스의 특정 부 - [ConditioningSetAreaStrength - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningSetAreaStrength.md): 이 노드는 주어진 컨디셔닝 세트의 강도 속성을 수정하여, 생성 과정에 대한 컨디셔닝의 영향이나 강도를 조정할 수 있도록 설계되었습니다. - [ConditioningSetMask - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningSetMask.md): 이 노드는 지정된 강도로 마스크를 특정 영역에 적용하여 생성 모델의 컨디셔닝을 수정하도록 설계되었습니다. 컨디셔닝 내에서 대상 조정이 가능하므로 생성 과정을 보다 정밀하게 제어할 수 있습니다. - [ConditioningSetTimestepRange - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningSetTimestepRange.md): 이 노드는 특정 시간 단위 범위를 설정하여 컨디셔닝의 시간적 측면을 조정하도록 설계되었습니다. 컨디셔닝 프로세스의 시작점과 종료점을 정밀하게 제어할 수 있어 보다 목표 지향적이고 효율적인 생성을 가능하게 합니다. - [ConditioningZeroOut - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningZeroOut.md): 이 노드는 컨디셔닝 데이터 구조 내의 특정 요소를 0으로 설정하여, 이후 처리 단계에서 해당 요소의 영향을 효과적으로 중화합니다. 컨디셔닝의 내부 표현을 직접 조작해야 하는 고급 컨디셔닝 작업을 위해 설계되었습니다. #### Trellis2 - [Pixal3DConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Pixal3DConditioning.md): 이 노드는 Trellis2 3D 생성 파이프라인을 위한 이미지 컨디셔닝을 준비합니다. - [Trellis2Conditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Trellis2Conditioning.md): Trellis2Conditioning은 입력 이미지를 TRELLIS.2 모델용 컨디셔닝 데이터로 변환합니다. - [Trellis2ShapeStage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Trellis2ShapeStage.md): 이 노드는 Trellis2 파이프라인의 첫 번째 형상 생성 샘플링 패스를 설정합니다. - [Trellis2TextureStage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Trellis2TextureStage.md): 이 노드는 Trellis2 생성의 텍스처 단계 샘플링 패스를 설정합니다. 입력으로 받은 셰이프 잠재에서 좌표 레이아웃과 복셀별 셰이프 잠재를 읽어, 동일한 좌표 레이아웃에 32개 채널을 가진 빈 희소 잠재를 생성하고, 필요한 텍스처 단계 메타데이터를 컨디셔닝에 첨부합니다. - [Trellis2UpsampleStage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Trellis2UpsampleStage.md): 이 노드는 첫 번째 셰이프 단계 샘플링 패스에서 생성된 512 해상도 셰이프 잠상을 가져와 더 높은 대상 해상도로 업스케일하고, 두 번째 셰이프 단계 샘플링 패스에 필요한 컨디셔닝과 잠상을 준비합니다. 또한 단계별 메타데이터를 컨디셔닝에 첨부하여 모델이 생성 중에 이를 사용할 수 있도록 합니다. #### Triposplat - [TripoSplatConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TripoSplatConditioning.md): 이 노드는 DINOv3 이미지 인코더와 Flux2 VAE를 사용하여 입력 이미지를 인코딩하고, TripoSplat 모델용 포지티브 및 네거티브 컨디셔닝 데이터를 생성합니다. 또한 KSampler의 시작점으로 사용되는 고정 크기 노이즈 대상(잠재 표현 및 카메라 데이터)을 생성합니다. - [TripoSplatPreprocessImage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TripoSplatPreprocessImage.md): 이 노드는 각 입력 이미지를 검은색 배경의 중앙 정사각형으로 크롭하고 지정된 출력 크기에 도달하도록 패딩을 추가합니다. 이 노드는 TripoSplat 3D 모델용 이미지를 준비하도록 설계되었으며, 일관된 정사각형 프레임을 보장하고 선택적 알파 매트 침식을 통해 테두리 아티팩트를 방지합니다. #### Void - [VOIDInpaintConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VOIDInpaintConditioning.md): VOIDInpaintConditioning 노드는 CogVideoX 모델로 인페인팅하는 데 필요한 컨디셔닝 데이터를 준비합니다. 이 노드는 소스 비디오와 전처리된 쿼드마스크(quadmask)를 입력으로 받아 VAE를 통해 인코딩한 후, 모델이 마스크된 영역을 채우는 데 사용하는 32채널 컨디셔닝 신호(마스크에서 16채널 #### Wan - [Wan22ImageToVideoLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Wan22ImageToVideoLatent.md): Wan22ImageToVideoLatent 노드는 이미지에서 비디오 잠재 표현을 생성합니다. 지정된 너비, 높이, 프레임 길이 및 배치 크기로 빈 비디오 잠재 공간을 생성하며, 선택적으로 시작 이미지 시퀀스를 비디오의 시작 프레임에 인코딩할 수 있습니다. 시작 이미지가 제공되면 이 노드는 해당 이미지를 잠재 공간으로 인코 - [WanFirstLastFrameToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanFirstLastFrameToVideo.md): WanFirstLastFrameToVideo 노드는 시작 프레임과 끝 프레임을 텍스트 프롬프트와 결합하여 비디오 생성을 위한 컨디셔닝을 준비합니다. 프레임 이미지를 잠재 공간으로 인코딩하고, 비디오 모델에 어떤 프레임이 이미 알려져 있는지 알려주는 마스크를 생성하며, CLIP 비전 특징이 제공된 경우 이를 첨부합니다. 이 - [WanImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanImageToVideo.md): WanImageToVideo 노드는 비디오 생성 작업을 위한 컨디셔닝 및 잠재 표현을 준비합니다. 빈 잠재 공간을 생성하며, 선택적으로 시작 이미지와 CLIP 비전 출력을 통합하여 비디오 생성 과정을 안내할 수 있습니다. 이 노드는 제공된 이미지와 비전 데이터를 기반으로 긍정 및 부정 컨디셔닝 입력을 모두 수정합니다. ##### Animate - [WanAnimate2Cache - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanAnimate2Cache.md): 포즈 비디오의 블록별 활성화를 한 번 캐시하여 매 샘플링 단계마다 재계산할 필요가 없게 하므로 생성 시간이 약 절반으로 줄어듭니다. 대신 추가 메모리가 사용됩니다. bf16에서 81프레임, 480x832 해상도일 때 시스템 RAM 약 12.5GB가 필요하며, 해상도와 비디오 길이에 따라 증가합니다. - [WanAnimate2ToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanAnimate2ToVideo.md): WanAnimate2ToVideo는 별도의 포즈 비디오에서 표정, 신체 동작, 손 제스처를 전이하여 참조 이미지의 캐릭터를 애니메이션화합니다. 비디오 생성 샘플러가 애니메이션을 만드는 데 사용하는 컨디셔닝 데이터와 시작 잠재 변수를 구축합니다. - [WanAnimateToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanAnimateToVideo.md): WanAnimateToVideo는 참조 이미지, 포즈, 얼굴, 배경 및 이전 청크의 선택적 모션과 같은 입력을 사용하여 Wan으로 애니메이션 비디오를 생성하기 위한 컨디셔닝 데이터와 초기 잠재 변수를 준비합니다. 또한 videoframeoffset 값을 읽고 업데이트하여 더 긴 비디오를 청크 단위로 생성하는 것을 ##### Camera - [WanCameraEmbedding - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanCameraEmbedding.md): WanCameraEmbedding 노드는 카메라 모션 매개변수를 기반으로 Plücker 임베딩을 사용하여 카메라 궤적 임베딩을 생성합니다. 이 노드는 다양한 카메라 움직임을 시뮬레이션하는 일련의 카메라 포즈를 만들고, 이를 비디오 생성 파이프라인에 적합한 임베딩 텐서로 변환합니다. - [WanCameraImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanCameraImageToVideo.md): WanCameraImageToVideo 노드는 이미지에서 비디오를 생성하기 위한 conditioning 및 latent 데이터를 준비합니다. 이 노드는 positive 및 negative conditioning 프롬프트와 선택적 시작 이미지, 선택적 카메라 컨트롤을 입력받아 수정된 conditioning과 비디오 모델이 ##### Dancer - [WanDancerEncodeAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanDancerEncodeAudio.md): 이 노드는 오디오 입력을 처리하여 비디오 생성 모델을 안내하는 데 사용할 수 있는 특징을 추출합니다. 오디오를 분석하여 템포, 비트 및 기타 음악적 특성을 감지한 다음, 이 정보를 비디오 모델을 컨디셔닝하는 데 적합한 형식으로 패키징하여 생성된 비디오가 오디오와 동기화되도록 합니다. - [WanDancerVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanDancerVideo.md): WanDancerVideo 노드는 WanDancer 모델로 비디오를 생성하기 위한 컨디셔닝 데이터와 빈 잠재 텐서를 준비합니다. 선택적 시작 이미지, 마스크, CLIP 비전 임베딩 및 오디오 특징을 포지티브 및 네거티브 컨디셔닝에 첨부하여 생성되는 비디오를 안내할 수 있도록 합니다. ##### Fun Control - [Wan22FunControlToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Wan22FunControlToVideo.md): The Wan22FunControlToVideo 노드는 Wan 비디오 모델을 사용한 비디오 생성을 위해 컨디셔닝 데이터와 빈 잠재 텐서를 준비합니다. 선택적 참조 이미지와 제어 비디오를 잠재 공간으로 인코딩하여 긍정 및 부정 컨디셔닝에 첨부하고, 요청된 비디오에 맞는 정확한 공간 및 시간 차원을 가진 0으로 채워진 잠재 - [WanFunControlToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanFunControlToVideo.md): 이 노드는 Alibaba Wan Fun Control 모델을 지원하여 비디오 생성을 돕기 위해 추가되었으며, [이 커밋](https://github.com/comfyanonymous/ComfyUI/commit/3661c833bcc41b788a7c9f0e7bc48524f8ee5f82) 이후에 추가되었습니다. ##### Fun Inpaint - [WanFunInpaintToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanFunInpaintToVideo.md): WanFunInpaintToVideo 노드는 시작 이미지와 종료 이미지 사이를 인페인팅하여 비디오 시퀀스를 생성합니다. 긍정 및 부정 컨디셔닝과 선택적 프레임 이미지를 입력받아 비디오 잠재 표현(latent)을 생성합니다. 이 노드는 구성 가능한 크기 및 길이 매개변수로 비디오 생성을 처리합니다. ##### Humo - [WanHuMoImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanHuMoImageToVideo.md): WanHuMoImageToVideo 노드는 비디오 프레임에 대한 잠재 표현을 생성하여 이미지를 비디오 시퀀스로 변환합니다. 이 노드는 컨디셔닝 입력을 처리하고, 참조 이미지와 오디오 임베딩을 통합하여 비디오 생성에 영향을 줄 수 있습니다. 출력으로는 비디오 합성에 적합한 수정된 컨디셔닝 데이터와 잠재 표현을 제공합니다. ##### Infinite Talk - [WanInfiniteTalkToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanInfiniteTalkToVideo.md): WanInfiniteTalkToVideo는 오디오 입력으로부터 비디오 시퀀스를 생성합니다. 하나 또는 두 명의 화자에게서 추출한 오디오 특징을 조건으로 하는 비디오 확산 모델을 사용하여 토킹 헤드 비디오의 잠재 표현을 생성합니다. 이 노드는 새 시퀀스를 생성하거나 이전 프레임을 모션 컨텍스트로 사용하여 기존 시퀀스를 확장 ##### Move - [GenerateTracks - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/GenerateTracks.md): GenerateTracks 노드는 비디오 생성을 위한 여러 개의 평행 이동 경로(트랙)를 생성합니다. 시작 위치에서 끝 위치까지의 기본 경로를 정의한 다음, 이 경로와 평행하게 일정한 간격으로 배치된 트랙 집합을 생성합니다. 경로의 형태(직선 또는 베지어 곡선), 이동 속도, 트랙이 표시되는 프레임을 제어할 수 있습니 - [WanMoveConcatTrack - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanMoveConcatTrack.md): WanMoveConcatTrack 노드는 두 세트의 모션 트래킹 데이터를 단일의 더 긴 시퀀스로 결합합니다. 이 노드는 입력 트랙의 트랙 경로와 가시성 마스크를 각각의 차원에 따라 연결하는 방식으로 작동합니다. 트랙 입력이 하나만 제공된 경우에는 해당 데이터를 변경 없이 그대로 전달합니다. - [WanMoveTracksFromCoords - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanMoveTracksFromCoords.md): WanMoveTracksFromCoords 노드는 좌표가 포함된 JSON 형식 문자열에서 모션 트랙을 생성합니다. 좌표 데이터를 다른 비디오 처리 노드에서 사용할 수 있는 텐서 형식으로 변환하며, 선택적으로 마스크를 적용하여 시간에 따른 트랙의 가시성을 제어할 수 있습니다. - [WanMoveTrackToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanMoveTrackToVideo.md): WanMoveTrackToVideo 노드는 선택적 모션 트래킹 정보를 통합하여 비디오 생성을 위한 컨디셔닝 및 잠재 공간 데이터를 준비합니다. 시작 이미지 시퀀스를 잠재 표현으로 인코딩하고 객체 트랙의 위치 데이터를 혼합하여 생성된 비디오의 모션을 안내할 수 있습니다. 이 노드는 수정된 positive 및 negative - [WanMoveVisualizeTracks - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanMoveVisualizeTracks.md): WanMoveVisualizeTracks 노드는 동작 추적 데이터를 이미지 또는 비디오 프레임 시퀀스 위에 오버레이합니다. 추적된 지점의 이동 경로와 현재 위치를 포함한 시각적 표현을 그려서 동작 데이터를 눈으로 확인하고 분석하기 쉽게 만듭니다. - [WanTrackToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanTrackToVideo.md): WanTrackToVideo 노드는 트랙 포인트를 처리하고 해당 비디오 프레임을 생성하여 모션 트래킹 데이터를 비디오 시퀀스로 변환합니다. 추적 좌표를 입력으로 받아 비디오 생성에 사용할 수 있는 비디오 컨디셔닝 및 잠재 표현을 생성합니다. 트랙이 제공되지 않으면 표준 이미지-비디오 변환으로 대체됩니다. ##### Phantom Subject - [WanPhantomSubjectToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanPhantomSubjectToVideo.md): WanPhantomSubjectToVideo 노드는 Wan 비디오 생성을 위한 컨디셔닝 데이터와 잠재(latent)를 준비합니다. 요청된 너비, 높이, 길이 및 배치 크기로 빈 잠재 비디오를 생성하며, 참조 이미지가 제공되면 VAE로 인코딩하여 시간 차원의 시각적 가이던스로 컨디셔닝에 추가합니다. ##### Scail - [SCAIL2ColoredMask - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SCAIL2ColoredMask.md): 이 노드는 SAM3 추적 데이터를 채색된 마스크로 변환하여 WanSCAILToVideo 노드에서 사용할 수 있도록 합니다. 드라이빙 포즈 비디오와 선택적으로 참조 이미지의 추적 데이터를 처리하여, 각 출력에서 추적된 사람들에게 일관된 색상을 할당합니다. - [WanSCAILToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanSCAILToVideo.md): WanSCAILToVideo 노드는 SCAIL 및 SCAIL-2 비디오 모델을 사용한 비디오 생성을 위해 컨디셔닝과 빈 잠재 공간을 준비합니다. 참조 이미지, 포즈 비디오, CLIP 비전 출력, 색상 ID 마스크, 이전 프레임 청크와 같은 선택적 입력을 처리하여 포지티브 및 네거티브 컨디셔닝에 임베딩합니다. 이 노드는 수 ##### Sound - [WanSoundImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanSoundImageToVideo.md): WanSoundImageToVideo 노드는 선택적 오디오 조건화와 함께 이미지에서 비디오 콘텐츠를 생성합니다. - [WanSoundImageToVideoExtend - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanSoundImageToVideoExtend.md): WanSoundImageToVideoExtend 노드는 오디오, 참조 이미지 및 제어 비디오에 의해 선택적으로 안내되는 추가 프레임을 생성하여 기존 비디오 잠재 변수를 확장합니다. 시작 비디오 잠재 변수를 입력받아 제공된 컨디셔닝과 오디오 신호를 사용하여 새 콘텐츠에 영향을 주면서 더 긴 비디오 시퀀스를 생성합니다. ##### Vace - [WanVaceToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanVaceToVideo.md): WanVaceToVideo 노드는 비디오 생성 모델을 위한 비디오 컨디셔닝 데이터를 준비합니다. 이 노드는 positive 및 negative 컨디셔닝 입력과 선택적 컨트롤 비디오, 마스크, 참조 이미지를 받아 비디오 생성을 안내하는 잠재 표현으로 인코딩합니다. 또한 업스케일링, 패딩, 마스킹 및 VAE 인코딩을 처리하여 #### Z Image - [TextEncodeZImageOmni - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeZImageOmni.md): TextEncodeZImageOmni는 텍스트 프롬프트를 최대 세 개의 선택적 참조 이미지와 함께 이미지 생성 모델용 컨디셔닝 형식으로 인코딩합니다. 프롬프트는 CLIP 모델을 사용하여 토큰화되고 인코딩되며, 연결된 각 이미지는 선택적으로 비전 인코더 및/또는 VAE를 통해 처리되어 시각적 참조가 텍스트와 함께 임베딩됩니 ### Latent - [EmptyLatentAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyLatentAudio.md): Empty Latent Audio는 오디오 처리를 위한 빈 잠재 텐서를 생성합니다. 지정된 지속 시간과 배치 크기를 가진 빈 오디오 잠재 표현을 생성하며, 이를 오디오 생성 또는 처리 워크플로우의 시작점으로 사용할 수 있습니다. 이 노드는 오디오 지속 시간과 샘플 레이트를 기반으로 적절한 잠재 차원을 자동으로 계산합니다. - [EmptyLatentImage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyLatentImage.md): EmptyLatentImage 노드는 지정된 크기와 배치 크기로 빈 잠재 공간 표현을 생성하도록 설계되었습니다. 이 노드는 잠재 공간에서 이미지를 생성하거나 조작하는 기본 단계 역할을 하며, 추가 이미지 합성 또는 수정 프로세스를 위한 시작점을 제공합니다. - [LatentComposite - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentComposite.md): LatentComposite 노드는 두 개의 잠재 표현을 하나의 출력으로 혼합하거나 병합하도록 설계되었습니다. 이 프로세스는 입력 잠재의 특성을 제어된 방식으로 결합하여 합성 이미지나 특징을 만드는 데 필수적입니다. - [LatentCompositeMasked - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentCompositeMasked.md): LatentCompositeMasked 노드는 두 개의 잠재 표현을 지정된 좌표에서 혼합하고, 선택적으로 마스크를 사용하여 보다 정밀한 합성을 수행하도록 설계되었습니다. 이 노드를 사용하면 한 이미지의 일부를 다른 이미지 위에 겹쳐 복잡한 잠재 이미지를 생성할 수 있으며, 소스 이미지 크기를 조정하여 완벽하게 맞출 수도 - [LatentUpscale - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentUpscale.md): LatentUpscale 노드는 이미지의 잠재 표현을 업스케일링하기 위해 설계되었습니다. 출력 이미지의 크기와 업스케일링 방법을 조정할 수 있어 잠재 이미지의 해상도를 향상시키는 데 유연성을 제공합니다. - [LatentUpscaleBy - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentUpscaleBy.md): LatentUpscaleBy 노드는 이미지의 잠재 표현을 업스케일링하기 위해 설계되었습니다. 스케일 비율과 업스케일링 방법을 조정할 수 있어 잠재 샘플의 해상도를 향상시키는 유연성을 제공합니다. - [LoadLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LoadLatent.md): LoadLatent 노드는 입력 디렉토리의 .latent 파일에서 이전에 저장된 잠재 표현을 로드합니다. 선택한 파일에서 잠재 텐서 데이터를 읽고 필요한 스케일링 조정을 적용한 후, 다른 노드에서 사용할 수 있도록 잠재 데이터를 반환합니다. - [SaveLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SaveLatent.md): SaveLatent는 잠재 텐서를 .latent 파일로 디스크에 저장하여 나중에 재사용하거나 공유할 수 있도록 합니다. 잠재 샘플을 입력받아 자동으로 생성된 이름으로 출력 폴더에 저장하며, 저장된 파일 내부에 프롬프트와 같은 워크플로우 메타데이터를 포함시킬 수 있습니다. 동일한 잠재 샘플은 추가 처리를 위해 변경 없이 - [SetLatentNoiseMask - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SetLatentNoiseMask.md): 이 노드는 잠재 샘플 세트에 노이즈 마스크를 적용하도록 설계되었습니다. 지정된 마스크를 통합하여 입력 샘플을 수정함으로써 노이즈 특성을 변경합니다. - [TrimVideoLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TrimVideoLatent.md): TrimVideoLatent 노드는 비디오 잠재 표현의 시작 부분에서 프레임을 제거합니다. 잠재 비디오 샘플을 입력받아 시작 부분에서 지정된 수의 프레임을 잘라내고 나머지 비디오 부분을 반환합니다. 이를 통해 초기 프레임을 제거하여 비디오 시퀀스를 단축할 수 있습니다. - [VAEDecode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VAEDecode.md): VAEDecode 노드는 지정된 Variational Autoencoder(VAE)를 사용하여 잠재 표현을 이미지로 디코딩하도록 설계되었습니다. 이 노드는 압축된 데이터 표현에서 이미지를 생성하고, 잠재 공간 인코딩으로부터 이미지를 재구성하는 역할을 수행합니다. - [VAEDecodeAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VAEDecodeAudio.md): VAEDecodeAudio 노드는 변분 오토인코더(Variational Autoencoder)를 사용하여 잠재 표현을 오디오 파형으로 다시 변환합니다. 인코딩된 오디오 샘플을 가져와 VAE를 통해 처리하여 원본 오디오를 재구성하며, 일관된 출력 레벨을 보장하기 위해 정규화를 적용합니다. 결과 오디오는 기본적으로 44100 - [VAEDecodeAudioTiled - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VAEDecodeAudioTiled.md): 이 노드는 VAE(변분 오토인코더)를 사용하여 압축된 오디오 표현(잠재 샘플)을 다시 오디오 파형으로 변환합니다. 메모리 사용량을 관리하기 위해 데이터를 더 작고 겹치는 구간(타일)으로 나누어 처리하므로, 긴 오디오 시퀀스를 처리하는 데 적합합니다. 또한 디코딩된 오디오는 볼륨 레벨을 일관되게 유지하도록 정규화됩니다. - [VAEDecodeTiled - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VAEDecodeTiled.md): VAEDecodeTiled 노드는 타일 방식으로 잠재 표현을 이미지로 디코딩하여 대형 이미지를 효율적으로 처리합니다. 메모리 사용을 관리하면서 이미지 품질을 유지하기 위해 입력을 더 작은 타일로 나누어 처리합니다. 또한 이 노드는 시간적 프레임을 겹침(overlap)과 함께 청크 단위로 처리하여 비디오 VAE를 지원하며, - [VAEEncode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VAEEncode.md): 이 노드는 지정된 VAE 모델을 사용하여 이미지를 잠재 공간 표현으로 인코딩하도록 설계되었습니다. 인코딩 프로세스의 복잡성을 추상화하여 이미지를 잠재 표현으로 변환하는 간단한 방법을 제공합니다. - [VAEEncodeAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VAEEncodeAudio.md): VAEEncodeAudio 노드는 변분 오토인코더(VAE)를 사용하여 오디오 데이터를 잠재 표현으로 변환합니다. 오디오 입력을 받아 VAE를 통해 처리하여 압축된 잠재 샘플을 생성하며, 이는 추가 오디오 생성 또는 조작 작업에 사용할 수 있습니다. 이 노드는 인코딩 전에 필요한 경우 오디오를 VAE의 예상 샘플 레이트에 - [VAEEncodeForInpaint - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VAEEncodeForInpaint.md): 이 노드는 인페인팅 작업에 적합한 잠재 표현으로 이미지를 인코딩하기 위해 설계되었으며, VAE 모델이 최적으로 인코딩할 수 있도록 입력 이미지와 마스크를 조정하는 추가 전처리 단계를 포함합니다. - [VAEEncodeTiled - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VAEEncodeTiled.md): VAEEncodeTiled는 이미지를 더 작은 타일로 나누고 Variational Autoencoder를 사용하여 인코딩합니다. 이 타일 방식은 메모리 한계를 초과할 수 있는 큰 이미지를 처리할 수 있게 해줍니다. 이 노드는 이미지 및 비디오 VAE를 모두 지원하며, 공간 및 시간 차원에 대해 별도의 타일링 제어 기능을 #### Ace - [EmptyAceStep1.5LatentAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyAceStep1.5LatentAudio.md): Empty Ace Step 1.5 Latent Audio 노드는 오디오 처리를 위해 설계된 빈 잠재 텐서를 생성합니다. 지정된 지속 시간과 배치 크기의 무음 오디오 잠재를 생성하며, ComfyUI의 오디오 생성 워크플로우에서 시작점으로 사용할 수 있습니다. 이 노드는 입력된 초(seconds)와 고정 샘플 레이트를 기반으 - [EmptyAceStepLatentAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyAceStepLatentAudio.md): Empty Ace Step 1.0 Latent Audio 노드는 지정된 길이의 빈 잠재 오디오 샘플을 생성합니다. 입력된 초(seconds)와 오디오 처리 매개변수를 기반으로 길이가 계산되며, 0으로 채워진 무음 오디오 잠재 배열을 생성합니다. 이 노드는 잠재 표현이 필요한 오디오 처리 워크플로우를 초기화하는 데 유용합니 #### Advanced - [LatentAdd - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentAdd.md): LatentAdd 노드는 두 개의 잠재 표현을 더하기 위해 설계되었습니다. 이 노드는 요소별 덧셈을 수행하여 이러한 표현에 인코딩된 특징이나 특성을 결합합니다. - [LatentBatchSeedBehavior - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentBatchSeedBehavior.md): LatentBatchSeedBehavior 노드는 잠재 샘플 배치의 시드 동작을 수정하도록 설계되었습니다. 배치 전체에 걸쳐 시드를 무작위화하거나 고정하여, 생성된 출력물에 다양성을 도입하거나 일관성을 유지함으로써 생성 과정에 영향을 줍니다. - [LatentConcat - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentConcat.md): LatentConcat 노드는 선택한 차원을 따라 두 개의 잠재 샘플을 결합합니다. 두 개의 잠재 입력을 받아 x, y 또는 t 축을 따라 연결하며, 어떤 샘플을 먼저 배치할지 제어하는 옵션을 제공합니다. 이 노드는 연결을 수행하기 전에 두 번째 입력의 배치 크기를 첫 번째 입력에 맞게 자동으로 조정합니다. - [LatentCut - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentCut.md): LatentCut 노드는 선택한 차원을 따라 잠재 샘플에서 특정 구간을 추출합니다. 차원(x, y 또는 t), 시작 위치 및 추출할 양을 지정하여 잠재 표현의 일부를 잘라낼 수 있습니다. 이 노드는 양수 및 음수 인덱싱을 모두 처리하며 추출 양이 사용 가능한 범위 내에 있도록 자동으로 조정합니다. - [LatentCutToBatch - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentCutToBatch.md): LatentCutToBatch 노드는 잠재 표현을 선택한 차원(시간, 너비 또는 높이)을 따라 지정된 크기의 조각으로 분할하고 이를 새 배치로 쌓습니다. 각 조각은 배치의 개별 항목이 되므로 잠재 샘플의 서로 다른 부분을 독립적으로 처리할 수 있습니다. - [LatentInterpolate - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentInterpolate.md): LatentInterpolate 노드는 지정된 비율에 따라 두 잠재 샘플 세트 간의 보간을 수행하여, 두 세트의 특성을 혼합한 새로운 중간 잠재 샘플 세트를 생성하도록 설계되었습니다. - [LatentMultiply - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentMultiply.md): LatentMultiply 노드는 샘플의 잠재 표현을 지정된 승수로 확장하도록 설계되었습니다. 이 작업을 통해 잠재 공간 내 특징의 강도나 크기를 조정할 수 있으며, 생성된 콘텐츠의 미세 조정이나 특정 잠재 방향 내 변형 탐색이 가능합니다. - [LatentSubtract - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentSubtract.md): LatentSubtract 노드는 하나의 잠재 표현에서 다른 잠재 표현을 빼는 역할을 합니다. 이 연산은 한 잠재 공간에 포함된 특징이나 속성을 다른 잠재 공간에서 제거함으로써 생성 모델 출력의 특성을 조작하거나 수정하는 데 사용할 수 있습니다. ##### Operations - [LatentApplyOperation - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentApplyOperation.md): LatentApplyOperation 노드는 지정된 잠재 연산을 잠재 샘플에 적용합니다. 잠재 데이터와 연산을 입력으로 받아 제공된 연산을 사용하여 잠재 샘플을 처리하고 수정된 잠재 데이터를 반환합니다. 이 노드를 사용하면 워크플로우에서 잠재 표현을 변환하거나 조작할 수 있습니다. 이 노드는 현재 실험적인 상태로 표시되어 - [LatentApplyOperationCFG - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentApplyOperationCFG.md): LatentApplyOperationCFG 노드는 모델의 컨디셔닝 가이던스 프로세스를 수정하기 위해 잠재 연산(latent operation)을 적용합니다. 이 노드는 classifier-free guidance(CFG) 샘플링 프로세스 중 컨디셔닝 출력을 가로채서, 생성에 사용되기 전에 잠재 표현에 지정된 연산을 적용합 - [LatentOperationSharpen - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentOperationSharpen.md): LatentOperationSharpen 노드는 가우시안 커널을 사용하여 잠재 표현을 위한 선명화 연산을 생성합니다. 잠재 데이터를 정규화하고, 컨볼루션을 통해 사용자 정의 선명화 커널을 적용한 후, 원래의 휘도를 복원합니다. 이를 통해 잠재 공간 표현의 세부 사항과 가장자리를 향상시킵니다. - [LatentOperationTonemapReinhard - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentOperationTonemapReinhard.md): LatentOperationTonemapReinhard 노드는 잠재 벡터에 Reinhard 톤매핑을 적용합니다. 이 기법은 평균과 표준 편차에 기반한 통계적 접근 방식을 통해 잠재 벡터를 정규화하고 그 크기를 조정하며, 강도는 multiplier 매개변수로 제어됩니다. 이 노드는 현재 실험 단계로 표시되어 있습니다. #### Autoregressive - [EmptyARVideoLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyARVideoLatent.md): Documentation for EmptyARVideoLatent node. #### Batch - [BatchLatentsNode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/BatchLatentsNode.md): Batch Latents 노드는 여러 개의 잠재(latent) 입력을 하나의 배치로 결합합니다. 가변 개수의 잠재 샘플을 입력받아 배치 차원을 따라 병합하므로, 후속 노드에서 함께 처리할 수 있습니다. 또한 이 노드는 모든 입력의 배치 인덱스 메타데이터도 병합된 출력으로 통합합니다. - [LatentBatch - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentBatch.md): LatentBatch 노드는 두 개의 잠재 샘플 세트를 단일 배치로 병합하며, 필요에 따라 한 세트의 크기를 다른 세트의 차원에 맞게 조정한 후 연결합니다. 이 작업은 서로 다른 잠재 표현을 결합하여 추가 처리 또는 생성 작업을 수행할 수 있도록 합니다. - [LatentFromBatch - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentFromBatch.md): 이 노드는 지정된 배치 인덱스와 길이에 따라 주어진 배치에서 잠재 샘플의 특정 하위 집합을 추출하도록 설계되었습니다. 잠재 샘플을 선택적으로 처리할 수 있게 하여 효율성이나 목표 조작을 위해 배치의 더 작은 세그먼트에 대한 작업을 용이하게 합니다. - [RebatchLatents - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/RebatchLatents.md): The RebatchLatents node is designed to reorganize a batch of latent representations into a new batch configuration, based on a specified batch size. - [RepeatLatentBatch - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/RepeatLatentBatch.md): RepeatLatentBatch 노드는 잠재 표현 배치를 지정된 횟수만큼 복제하는 기능을 수행합니다. 여기에는 노이즈 마스크나 배치 인덱스와 같은 추가 데이터가 포함될 수 있습니다. 이 기능은 데이터 증강이나 특정 생성 작업과 같이 동일한 잠재 데이터의 여러 인스턴스가 필요한 작업에 매우 중요합니다. - [ReplaceVideoLatentFrames - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ReplaceVideoLatentFrames.md): ReplaceVideoLatentFrames 노드는 지정된 프레임 인덱스부터 시작하여 대상 잠재 비디오의 프레임 범위를 소스 잠재 비디오의 프레임으로 교체합니다. 소스 잠재가 제공되지 않으면 대상 잠재가 변경되지 않은 채 반환됩니다. 이 노드는 음수 인덱스를 지원하며, 소스 프레임이 대상에 맞지 않는 경우 경고를 기록합니 - [SeedVR2TemporalChunk - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SeedVR2TemporalChunk.md): 이 노드는 SeedVR2 비디오 잠재 변수를 더 작은 시간적 청크로 분할하여, 사용 가능한 VRAM 내에서 한 번에 하나씩 처리할 수 있도록 합니다. - [SeedVR2TemporalMerge - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SeedVR2TemporalMerge.md): 이 노드는 샘플링된 SeedVR2 잠재 텐서 시간 청크들을 단일 전체 길이 잠재 텐서로 재결합합니다. 시간적 중첩이 지정된 경우 각 중첩 영역에 Hann 윈도우 크로스페이드를 적용하여 청크 간 부드러운 전환을 만들고, 중첩이 0인 경우 단순 연결을 수행합니다. #### Chroma Radiance - [EmptyChromaRadianceLatentImage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyChromaRadianceLatentImage.md): EmptyChromaRadianceLatentImage 노드는 크로마 래디언스 워크플로우에서 사용할 수 있도록 지정된 크기의 빈 잠재 이미지를 생성합니다. 이 노드는 잠재 공간 연산의 시작점으로 사용되는 0으로 채워진 텐서를 생성합니다. 이 노드를 사용하면 빈 잠재 이미지의 너비, 높이 및 배치 크기를 정의할 수 있습니다 #### Cosmos - [EmptyCosmosLatentVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyCosmosLatentVideo.md): EmptyCosmosLatentVideo는 지정된 차원으로 빈 잠재 비디오 텐서를 생성합니다. 이는 너비, 높이, 길이 및 배치 크기 매개변수를 구성할 수 있는 비디오 생성 워크플로우의 시작점으로 사용할 수 있는 0으로 채워진 잠재 표현을 생성합니다. #### Flux - [EmptyFlux2LatentImage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyFlux2LatentImage.md): Empty Flux 2 Latent 노드는 비어 있는 빈 잠재 표현을 생성합니다. 0으로 채워진 텐서를 생성하며, 이는 Flux 모델의 디노이징 과정의 시작점으로 사용됩니다. 잠재 표현의 크기는 입력 너비와 높이에 의해 결정되며, 16분의 1로 축소됩니다. #### Hidream - [EmptyHiDreamO1LatentImage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyHiDreamO1LatentImage.md): 이 노드는 픽셀 공간에서 빈 잠재 이미지를 생성하며, HiDream-O1-Image 모델을 위해 특별히 설계되었습니다. 너비, 높이 및 배치 크기 입력으로 정의된 차원을 가진 0으로 채워진 빈 텐서를 생성하여 이미지 생성의 시작점 역할을 합니다. #### Hunyhuan Video - [HunyuanVideo15LatentUpscaleWithModel - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/HunyuanVideo15LatentUpscaleWithModel.md): Hunyuan Video 15 Latent Upscale With Model 노드는 잠재 이미지 표현의 해상도를 높입니다. 먼저 선택한 보간 방법을 사용하여 잠재 샘플을 지정된 크기로 업스케일한 다음, 전문화된 Hunyuan Video 1.5 업스케일 모델을 사용하여 업스케일된 결과를 정제하여 품질을 향상시킵니다. #### Hunyuan 3d - [EmptyLatentHunyuan3Dv2 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyLatentHunyuan3Dv2.md): EmptyLatentHunyuan3Dv2 노드는 Hunyuan3Dv2 3D 생성 모델용으로 특별히 형식화된 빈 잠재 텐서를 생성합니다. 이 노드는 Hunyuan3Dv2 아키텍처에 필요한 올바른 차원과 구조를 가진 빈 잠재 공간을 생성하여 처음부터 3D 생성 워크플로우를 시작할 수 있게 합니다. 또한 이후 3D 생성 프로세 - [VAEDecodeHunyuan3D - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VAEDecodeHunyuan3D.md): VAEDecodeHunyuan3D 노드는 VAE 디코더를 사용하여 잠재 표현을 3D 복셀 데이터로 변환합니다. 구성 가능한 청크(chunk) 및 해상도 설정을 통해 VAE 모델로 잠재 샘플을 처리하여 3D 애플리케이션에 적합한 체적 데이터를 생성합니다. #### Hunyuan Image - [EmptyHunyuanImageLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyHunyuanImageLatent.md): EmptyHunyuanImageLatent 노드는 Hunyuan 이미지 생성 모델을 위한 빈(0으로 채워진) 잠재 공간을 생성합니다. 지정된 너비, 높이 및 배치 크기로 빈 시작 잠재 변수를 생성하며, 이를 워크플로우의 다운스트림 노드에 전달할 수 있습니다. 잠재 텐서는 64개의 채널을 가지며, 공간 차원은 너비와 높이를 #### Hunyuan Video - [EmptyHunyuanLatentVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyHunyuanLatentVideo.md): EmptyHunyuanLatentVideo 노드는 EmptyLatentImage 노드와 유사합니다. 이를 비디오 생성을 위한 빈 캔버스로 간주할 수 있으며, 너비, 높이 및 길이가 캔버스의 속성을 정의하고 배치 크기는 생성할 캔버스의 수를 결정합니다. 이 노드는 후속 비디오 생성 작업을 위해 준비된 빈 캔버스를 생 - [EmptyHunyuanVideo15Latent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyHunyuanVideo15Latent.md): 이 노드는 HunyuanVideo 1.5 모델과 함께 사용하도록 특별히 형식화된 빈 잠재 텐서를 생성합니다. 모델의 잠재 공간에 맞는 올바른 채널 수와 공간 차원을 갖는 0으로 채워진 텐서를 할당하여 비디오 생성을 위한 빈 시작점을 만듭니다. #### Ltxv - [EmptyLTXVLatentVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyLTXVLatentVideo.md): EmptyLTXVLatentVideo 노드는 비디오 처리를 위한 빈 잠재 텐서를 생성합니다. 지정된 너비, 높이, 길이 및 배치 크기로 빈 시작점을 생성하며, 비디오 생성 워크플로우의 입력으로 사용할 수 있습니다. 이 노드는 구성된 너비와 높이보다 공간 차원이 32배 작고, 프레임 수가 8배로 압축된 0으로 채워진 잠재 - [LTXVAudioVAEDecode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVAudioVAEDecode.md): LTXV Audio VAE 디코드 노드는 오디오의 잠재 표현을 다시 오디오 파형으로 변환합니다. 이 디코딩 과정을 수행하기 위해 특수화된 Audio VAE 모델을 사용하며, 관련 샘플 레이트와 함께 오디오 출력을 생성합니다. - [LTXVAudioVAEEncode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVAudioVAEEncode.md): LTXV Audio VAE Encode 노드는 오디오 입력을 받아 지정된 Audio VAE 모델을 사용하여 더 작은 잠재 표현(latent representation)으로 압축합니다. 이 과정은 원시 오디오 데이터를 파이프라인의 다른 노드가 이해하고 처리할 수 있는 형식으로 변환하므로, 잠재 공간 워크플로우에서 오디오를 - [LTXVConcatAVLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVConcatAVLatent.md): This node merges a video latent and an audio latent into a single joint audio-video (AV) latent, ready for AV models such as LTXV or MiniMax H3. - [LTXVEmptyLatentAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVEmptyLatentAudio.md): markdown - [LTXVLatentUpsampler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVLatentUpsampler.md): LTXVLatentUpsampler 노드는 비디오 잠재 표현의 공간 해상도를 2배로 증가시킵니다. 이 노드는 특수화된 업스케일 모델을 사용하여 잠재 데이터를 처리하며, 입력 데이터는 제공된 VAE의 채널 통계를 사용하여 먼저 정규화 해제된 후 다시 정규화됩니다. 이 노드는 잠재 공간 내에서 비디오 워크플로우를 위해 설계되 - [LTXVSeparateAVLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVSeparateAVLatent.md): LTXVSeparateAVLatent 노드는 결합된 오디오-비주얼 잠재 표현을 비디오 데이터가 포함된 잠재 표현과 오디오 데이터가 포함된 잠재 표현이라는 두 개의 개별 잠재 표현으로 분할합니다. 이 기능은 LTXV 또는 MiniMax H3와 같은 모든 오디오-비주얼 모델에서 작동합니다. samples 텐서는 첫 번째 #### Minimax - [EmptyMiniMaxH3LatentAV - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyMiniMaxH3LatentAV.md): 이 노드는 MiniMax H3 모델을 위해 비디오와 오디오 정보를 모두 결합한 빈 잠재 표현(latent)을 생성합니다. 콘텐츠의 너비, 높이, 길이를 정의하면 노드는 모델이 생성의 시작점으로 사용할 수 있는 빈 잠재 표현을 생성합니다. 길이(지속 시간)는 모델이 요구하는 24fps 기준 17k+5 프레임 그리드에 맞게 #### Minimax Music - [EmptyMiniMaxMusic3LatentAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyMiniMaxMusic3LatentAudio.md): 이 노드는 MiniMax Music3 모델용 오디오 잠재 변수(audio latent)를 빈(0으로 채워진) 상태로 생성합니다. 요청된 시간(초)을 해당 오디오 프레임으로 변환하고, 올바른 크기의 빈 잠재 변수 텐서를 생성하여 음악 생성의 시작점으로 사용할 수 있도록 준비합니다. #### Mochi - [EmptyMochiLatentVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyMochiLatentVideo.md): EmptyMochiLatentVideo는 지정한 차원으로 빈 잠재 비디오 텐서를 생성합니다. 0으로 채워진 잠재 표현을 생성하며, 비디오 생성 워크플로우의 시작점으로 사용할 수 있습니다. 이 노드를 사용하면 잠재 비디오 텐서의 너비, 높이, 길이 및 배치 크기를 정의할 수 있습니다. #### Qwen - [EmptyQwenImageLayeredLatentImage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyQwenImageLayeredLatentImage.md): Empty Qwen Image Layered Latent는 Qwen-Image-Layered 모델이 그림을 그릴 빈 캔버스를 준비합니다. 마치 순서대로 함께 고정된 깨끗한 트레이싱 시트 더미와 같습니다. 모델은 첫 번째 시트에 전체 그림을 채우고, 그 이후의 각 시트에는 그림의 일부를 채웁니다. 이 노드는 시트의 크기와 #### Stable Cascade - [StableCascade_EmptyLatentImage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/StableCascade_EmptyLatentImage.md): StableCascadeEmptyLatentImage 노드는 Stable Cascade 모델용 빈 잠재 텐서를 생성합니다. 입력 해상도와 압축 설정에 따라 적절한 차원을 가진 두 개의 개별 잠재 표현(하나는 stage C용, 다른 하나는 stage B용)을 생성합니다. 이 노드는 Stable Cascade 생성 파이프라 - [StableCascade_StageC_VAEEncode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/StableCascade_StageC_VAEEncode.md): StableCascadeStageCVAEEncode 노드는 VAE 인코더를 통해 입력 이미지를 처리하여 Stable Cascade 모델용 잠재 표현을 생성합니다. 먼저 압축 계수와 VAE의 다운스케일 비율에 따라 이미지 크기를 조정한 다음, 크기가 조정된 이미지를 인코딩합니다. 이 노드는 스테이지 C용(실제 인코딩 결 #### Stable Diffusion - [EmptySD3LatentImage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptySD3LatentImage.md): EmptySD3LatentImage는 Stable Diffusion 3 모델용으로 특별히 형식화된 빈 잠재 이미지 텐서를 생성합니다. #### Transform - [LatentCrop - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentCrop.md): LatentCrop 노드는 이미지의 잠재 표현에 대한 자르기 작업을 수행하도록 설계되었습니다. 자르기 영역의 크기와 위치를 지정하여 잠재 공간을 대상으로 수정할 수 있습니다. - [LatentFlip - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentFlip.md): LatentFlip 노드는 잠재 표현을 수직 또는 수평으로 뒤집어 조작하도록 설계되었습니다. 이 작업을 통해 잠재 공간을 변환하여 데이터 내에서 새로운 변형이나 관점을 발견할 수 있습니다. - [LatentRotate - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentRotate.md): LatentRotate 노드는 지정된 각도로 이미지의 잠재 표현을 회전시키도록 설계되었습니다. 회전 효과를 얻기 위해 잠재 공간을 조작하는 복잡성을 추상화하여, 사용자가 생성 모델의 잠재 공간에서 이미지를 쉽게 변환할 수 있도록 합니다. #### Trellis - [EmptyTrellis2LatentStructure - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/EmptyTrellis2LatentStructure.md): 이 노드는 Trellis2 모델을 위한 빈 잠재 구조를 생성하며, 모든 값은 0으로 설정됩니다. 배치에 지정된 항목 수에 맞는 크기의 32개 채널, 16×16×16 해상도의 빈 3D 잠재 텐서를 생성합니다. - [VaeDecodeShapeTrellis - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VaeDecodeShapeTrellis.md): 이 노드는 Trellis2 형상 잠재 표현을 3D 메시로 디코딩합니다. - [VaeDecodeStructureTrellis2 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VaeDecodeStructureTrellis2.md): 이 노드는 VAE의 구조 디코더를 사용하여 Trellis 구조 잠재 샘플을 3D 복셀 그리드로 변환합니다. 잠재 변수의 처음 8개 채널만 읽어 복셀 점유를 재구성하고 요청된 대로 출력 해상도를 32 또는 64로 조정합니다. - [VaeDecodeTextureTrellis - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VaeDecodeTextureTrellis.md): 이 노드는 Trellis2 텍스처 잠상을 VAE를 사용하여 복셀 색상으로 디코딩합니다. 입력 잠상에는 좌표가 포함된 희소 피처 샘플이 들어 있으며, 노드는 각 복셀의 색상을 재구성하고 그 결과를 복셀 그리드로 반환합니다. #### Triposplat - [TripoSplatSamplingPreview - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TripoSplatSamplingPreview.md): 이 노드는 TripoSplat 모델을 패치하여 표준 KSampler 노드와 함께 사용할 때 각 샘플링 단계에서 디코딩된 가우시안 스플랫의 실시간 미리보기가 표시되도록 합니다. 이는 샘플러의 콜백을 래핑하여 매 단계 후 모델 출력을 미리보기 이미지로 디코딩하는 방식으로 작동합니다. - [VAEDecodeTripoSplat - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VAEDecodeTripoSplat.md): TripoSplat 잠재 표현을 3D 가우시안 스플랫으로 디코딩합니다. 이 노드는 TripoSplat 모델에서 샘플링된 잠재 변수를 가져와 3D 가우시안 집합으로 재구성하며, 생성되는 가우시안 수를 조정하여 밀도를 변경할 수 있습니다. #### Void - [VOIDWarpedNoise - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VOIDWarpedNoise.md): VOID 비디오 리파인먼트 프로세스의 두 번째 패스를 위해 시간적으로 상관관계가 있는 노이즈를 생성합니다. - [VOIDWarpedNoiseSource - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VOIDWarpedNoiseSource.md): Documentation for VOIDWarpedNoiseSource node. ### Loaders - [AudioEncoderLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/AudioEncoderLoader.md): AudioEncoderLoader 노드는 오디오 인코더 폴더에 있는 파일에서 오디오 인코더 모델을 로드합니다. 입력으로 오디오 인코더 모델의 파일 이름을 받아 로드된 모델을 반환하며, 이 모델은 워크플로우에서 오디오 처리 작업에 사용할 수 있습니다. - [CheckpointLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/CheckpointLoader.md): CheckpointLoader 노드는 사전 학습된 모델 체크포인트와 해당 구성 파일을 함께 로드합니다. 구성 파일과 체크포인트 파일을 입력으로 받아 로드된 모델 구성 요소(메인 모델, CLIP 모델, VAE 모델)를 반환하여 워크플로우에서 사용할 수 있게 합니다. 이 노드는 더 이상 사용되지 않습니다. - [CheckpointLoaderSimple - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/CheckpointLoaderSimple.md): 확산 모델 체크포인트 파일을 로드하여 노이즈 제거(denoising)에 사용되는 메인 모델, CLIP 텍스트 인코더, VAE 이미지 인코더/디코더의 세 가지 핵심 구성 요소로 분해합니다. 이 노드는 ComfyUI/models/checkpoints 폴더와 extramodelpaths.yaml 파일에 구성된 추가 - [CLIPLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipLoader.md): CLIPLoader 노드는 파일에서 텍스트 인코더 모델(CLIP, T5 또는 유사 모델)을 로드하여, 텍스트 프롬프트를 수치 표현으로 변환해야 하는 다른 노드에서 사용할 수 있도록 제공합니다. 이 노드는 다양한 모델 아키텍처를 지원하며, 각 아키텍처마다 특정 인코더 유형이 필요합니다. - [CLIPVisionLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipVisionLoader.md): 이 노드는 ComfyUI/models/clipvision 폴더에 있는 모델과 extramodelpaths.yaml 파일에 설정된 추가 모델 경로를 자동으로 감지합니다. - [DiffControlNetLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/DiffControlNetLoader.md): 이 노드는 ComfyUI/models/controlnet 폴더에 있는 모델을 감지하며, extramodelpaths.yaml 파일에 설정된 추가 경로의 모델도 읽어옵니다. 때로는 ComfyUI 인터페이스를 새로고침하여 해당 폴더에서 모델 파일을 읽도록 해야 할 수도 있습니다. - [DiffusersLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/DiffusersLoader.md): DiffusersLoader 노드는 diffusers 형식으로 저장된 사전 학습된 모델을 로드합니다. 구성된 diffusers 폴더에서 modelindex.json 파일이 포함된 디렉터리를 검색하여 하나를 선택할 수 있게 하며, 파이프라인에서 사용되는 MODEL, CLIP, VAE 구성 요소로 로드합니다. 이 노 - [DualCLIPLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/DualCLIPLoader.md): DualCLIPLoader 노드는 두 개의 CLIP 모델을 동시에 로드하여, 두 모델의 특징을 통합하거나 비교하는 작업을 용이하게 하도록 설계되었습니다. - [FrameInterpolationModelLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/FrameInterpolationModelLoader.md): Documentation for FrameInterpolationModelLoader node. - [GLIGENLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/GLIGENLoader.md): 이 노드는 ComfyUI/models/gligen 폴더에 있는 모델을 감지하며, extramodelpaths.yaml 파일에 설정된 추가 경로의 모델도 읽어옵니다. 때로는 ComfyUI 인터페이스를 새로고침하여 해당 폴더에서 모델 파일을 읽도록 해야 할 수도 있습니다. - [HypernetworkLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/HypernetworkLoader.md): 이 노드는 ComfyUI/models/hypernetworks 폴더에 있는 모델을 감지하며, extramodelpaths.yaml 파일에 설정된 추가 경로의 모델도 함께 읽어옵니다. 때로는 ComfyUI 인터페이스를 새로고침하여 해당 폴더의 모델 파일을 읽도록 해야 할 수도 있습니다. - [ImageOnlyCheckpointLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ImageOnlyCheckpointLoader.md): 이 노드는 ComfyUI/models/checkpoints 폴더에 있는 모델을 감지하며, extramodelpaths.yaml 파일에 설정된 추가 경로의 모델도 함께 읽어옵니다. 때로는 ComfyUI 인터페이스를 새로고침하여 해당 폴더에서 모델 파일을 읽도록 해야 할 수도 있습니다. - [LatentUpscaleModelLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LatentUpscaleModelLoader.md): LatentUpscaleModelLoader 노드는 ComfyUI의 latentupscalemodels 폴더에 저장된 파일에서 잠재 표현 업스케일에 특화된 모델을 로드합니다. 파일 내용에서 모델 유형(720p, 1080p 또는 기타 잠재 업샘플러)을 자동으로 감지하고 일치하는 내부 아키텍처를 구성하므로, 로드된 - [LoadBackgroundRemovalModel - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LoadBackgroundRemovalModel.md): 배경 제거 모델을 파일에서 불러옵니다. 이 노드는 이미지에서 배경을 제거하는 작업에 사용할 수 있도록 모델을 준비합니다. - [LoadDA3Model - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LoadDA3Model.md): 이 노드는 파일에서 Depth Anything 3 모델을 로드하여 깊이 추정 작업에 사용할 수 있도록 준비합니다. 모델 파일을 선택하고, 선택적으로 모델 가중치의 숫자 정밀도(데이터 타입)를 지정할 수 있습니다. - [LoadMediaPipeFaceLandmarker - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LoadMediaPipeFaceLandmarker.md): Load Face Detection Model (MediaPipe) - [LoadMoGeModel - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LoadMoGeModel.md): 파일에서 MoGe(단안 기하) 모델을 로드하여 기하 추정 작업에 사용할 수 있도록 준비합니다. 이 노드는 geometryestimation 폴더에서 모델 파일을 읽고 훈련된 가중치로 MoGe 모델을 초기화합니다. - [LoraLoaderBypass - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LoraLoaderBypass.md): LoraLoaderBypass 노드는 특수한 "바이패스" 모드로 확산 모델과 CLIP 모델에 LoRA(저차원 적응)를 적용합니다. 표준 LoRA 로더와 달리 이 방식은 기본 모델의 가중치를 영구적으로 수정하지 않습니다. 대신 LoRA의 효과를 모델의 일반적인 순방향 패스에 더하여 출력을 계산하며, 이는 학습이나 가중치가 - [LoraLoaderBypassModelOnly - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LoraLoaderBypassModelOnly.md): 이 문서는 AI가 생성했습니다. 오류를 발견하거나 개선 제안이 있으시면 언제든지 기여해 주세요! [GitHub에서 편집](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyuiembeddeddocs/docs/LoraLoaderBypassModelOnly/en.md) - [LoraModelLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LoraModelLoader.md): LoraModelLoader 노드는 훈련된 LoRA(Low-Rank Adaptation) 가중치를 확산 모델에 적용합니다. 기본 모델에 LoRA 가중치를 로드하고 그 영향 강도를 조절하여 기본 모델을 수정합니다. 이를 통해 확산 모델을 처음부터 재학습하지 않고도 동작을 사용자 지정할 수 있으며, 기본 모델 가중치를 변경하 - [LTXAVTextEncoderLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXAVTextEncoderLoader.md): 이 노드는 LTXV 오디오 모델용 특수 텍스트 인코더를 로드합니다. 텍스트 인코더 파일과 체크포인트 파일을 결합하여 오디오 생성에서 텍스트 컨디셔닝에 사용되는 CLIP 모델을 생성합니다. 노드 설명에 따르면 텍스트 인코더는 Gemma 3 12B 또는 이에 상응하는 Gemma 4 모델이어야 합니다. - [LTXVAudioVAELoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVAudioVAELoader.md): LTXV Audio VAE Loader 노드는 체크포인트 파일에서 사전 학습된 오디오 변분 오토인코더(VAE) 모델을 로드합니다. 지정된 체크포인트를 읽고 해당 가중치와 메타데이터를 로드한 다음, ComfyUI 내에서 오디오 생성 또는 처리 워크플로우에 사용할 수 있도록 모델을 준비합니다. - [ModelPatchLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelPatchLoader.md): ModelPatchLoader 노드는 modelpatches 폴더에서 특수 모델 패치 파일을 로드합니다. 이 노드는 파일 내용에서 패치 유형을 자동으로 감지하여 해당 모델 아키텍처를 로드한 다음, 워크플로우에서 사용할 수 있도록 ModelPatcher로 감쌉니다. 이 노드는 ControlNet 블록, 특징 임베더 모델 - [OpticalFlowLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/OpticalFlowLoader.md): models/opticalflow/ 폴더에서 광학 흐름(optical flow) 모델을 불러옵니다. 현재는 torchvision의 RAFT-large 형식만 지원하며, 이는 VOIDWarpedNoise 노드에서 사용하는 모델입니다. - [PhotoMakerLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/PhotoMakerLoader.md): PhotoMakerLoader 노드는 사용 가능한 모델 파일에서 PhotoMaker 모델을 로드합니다. 지정된 모델 파일을 읽고 ID 기반 이미지 생성 작업에 사용할 PhotoMaker ID 인코더를 준비합니다. 이 노드는 실험적 기능으로 표시되어 있으며 테스트 목적으로 사용됩니다. - [QuadrupleCLIPLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/QuadrupleCLIPLoader.md): QuadrupleCLIPLoader는 ComfyUI의 핵심 노드 중 하나로, HiDream I1 버전 모델을 지원하기 위해 처음 추가되었습니다. 이 노드가 누락된 경우 ComfyUI를 최신 버전으로 업데이트하여 노드 지원을 확인하시기 바랍니다. - [StyleModelLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/StyleModelLoader.md): 이 노드는 ComfyUI/models/stylemodels 폴더에 있는 모델을 감지하며, extramodelpaths.yaml 파일에 설정된 추가 경로의 모델도 함께 읽어옵니다. 경우에 따라 ComfyUI 인터페이스를 새로고침하여 해당 폴더에서 모델 파일을 읽도록 해야 할 수도 있습니다. - [TripleCLIPLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TripleCLIPLoader.md): TripleCLIPLoader는 세 개의 텍스트 인코더 모델을 동시에 로드하여 단일 CLIP 모델로 결합합니다. 이 노드는 SD3와 같이 여러 텍스트 인코더를 함께 사용해야 하는 워크플로우에 사용됩니다. - [unCLIPCheckpointLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/unCLIPCheckpointLoader.md): 이 노드는 ComfyUI/models/checkpoints 폴더에 있는 모델을 감지하며, extramodelpaths.yaml 파일에 구성된 추가 경로의 모델도 읽어옵니다. 때로는 ComfyUI 인터페이스를 새로고침하여 해당 폴더에서 모델 파일을 읽도록 해야 할 수도 있습니다. - [UNETLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/UNETLoader.md): UNETLoader 노드는 이름으로 U-Net 모델을 로드하도록 설계되어, 시스템 내에서 사전 훈련된 U-Net 아키텍처를 손쉽게 사용할 수 있도록 합니다. - [UpscaleModelLoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/UpscaleModelLoader.md): 이 노드는 ComfyUI/models/upscalemodels 폴더에 있는 모델을 감지하며, extramodelpaths.yaml 파일에 구성된 추가 경로의 모델도 읽어옵니다. 때로는 ComfyUI 인터페이스를 새로고침하여 해당 폴더에서 모델 파일을 읽도록 해야 할 수도 있습니다. - [VAELoader - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VAELoader.md): 이 노드는 ComfyUI/models/vae 폴더에 있는 모델을 감지하며, extramodelpaths.yaml 파일에 구성된 추가 경로에서도 모델을 읽어옵니다. 때로는 ComfyUI 인터페이스를 새로고침하여 해당 폴더에서 모델 파일을 읽도록 해야 할 수도 있습니다. ### Merging - [CheckpointSave - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/CheckpointSave.md): Save Checkpoint 노드는 UNet, CLIP 및 VAE 구성 요소를 포함한 완전한 Stable Diffusion 모델을 .safetensors 형식의 체크포인트 파일로 저장하도록 설계되었습니다. - [CLIPMergeAdd - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipMergeAdd.md): CLIPMergeAdd 노드는 두 개의 CLIP 모델을 결합하여 두 번째 모델의 패치를 첫 번째 모델에 추가합니다. 첫 번째 CLIP 모델의 복사본을 생성하고 위치 ID와 로짓 스케일 매개변수를 제외한 핵심 패치를 두 번째 모델에서 선택적으로 통합합니다. 이를 통해 기본 모델의 구조를 유지하면서 CLIP 모델 구성 요소를 - [CLIPMergeSimple - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipMergeSimple.md): CLIPMergeSimple는 두 개의 CLIP 텍스트 인코더 모델을 지정된 비율에 따라 결합하는 모델 병합 노드입니다. 첫 번째 CLIP 모델을 복제한 후, position ID와 logit scale 구성 요소를 제외한 두 번째 CLIP 모델의 가중치 패치를 적용하여 두 소스의 특징을 혼합한 하이브리드 모델을 생성 - [CLIPMergeSubtract - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipMergeSubtract.md): CLIPMergeSubtract 노드는 한 CLIP 모델의 가중치를 다른 CLIP 모델에서 빼서 모델 병합을 수행합니다. 첫 번째 모델을 복제한 다음 두 번째 모델의 키 패치를 빼서 새 CLIP 모델을 생성하며, 조절 가능한 승수(multiplier)를 사용하여 차감 강도를 제어합니다. 이를 통해 기본 모델에서 특정 특성 - [CLIPSave - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipSave.md): CLIPSave 노드는 CLIP 텍스트 인코더 모델을 SafeTensors 형식으로 디스크에 저장합니다. 이 노드는 고급 모델 병합 워크플로우를 위해 설계되었으며, 모델의 내부 구조를 기반으로 CLIP 모델을 구성 요소(예: CLIP-L, CLIP-G 또는 T5XXL)로 자동 분리한 후 각 구성 요소를 별도의 파일로 - [ImageOnlyCheckpointSave - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ImageOnlyCheckpointSave.md): ImageOnlyCheckpointSave 노드는 모델, CLIP 비전 인코더 및 VAE를 포함하는 체크포인트 파일을 저장합니다. 지정된 파일 이름 접두사를 사용하여 safetensors 파일을 생성하며, 생성된 파일을 출력 디렉터리에 저장합니다. 이 노드는 이미지 관련 모델 구성 요소를 단일 체크포인트 파일로 함께 저장 - [ModelMergeAdd - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeAdd.md): The ModelMergeAdd node is designed for merging two models by adding key patches from one model to another. - [ModelMergeBlocks - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeBlocks.md): ModelMergeBlocks는 고급 모델 병합 작업을 위해 설계된 노드로, 두 모델의 서로 다른 부분에 대해 사용자 지정 혼합 비율을 적용하여 통합할 수 있도록 합니다. 이 노드는 지정된 매개변수에 따라 두 소스 모델의 구성 요소를 선택적으로 병합하여 하이브리드 모델을 생성하는 기능을 제공합니다. - [ModelMergeSimple - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeSimple.md): The ModelMergeSimple node is designed for merging two models by blending their parameters based on a specified ratio. - [ModelMergeSubtract - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeSubtract.md): 이 노드는 고급 모델 병합 작업을 위해 설계되었으며, 특히 지정된 승수에 따라 한 모델의 매개변수를 다른 모델에서 차감합니다. 이를 통해 한 모델의 매개변수가 다른 모델에 미치는 영향을 조정하여 모델 동작을 사용자 정의하고 새로운 하이브리드 모델을 생성할 수 있습니다. - [ModelSave - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelSave.md): ModelSave 노드는 모델을 컴퓨터 저장소에 .safetensors 체크포인트 파일로 저장합니다. 모델을 입력으로 받아 사용자가 지정한 파일 이름 접두사를 사용하여 출력 디렉터리에 저장합니다. 가능한 경우, 저장된 파일에 워크플로우 프롬프트 정보와 추가 메타데이터도 포함합니다. - [SaveLoRA - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SaveLoRA.md): SaveLoRA 노드는 LoRA(Low-Rank Adaptation) 모델을 파일로 저장합니다. - [VAESave - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VAESave.md): VAESave 노드는 VAE 모델과 해당 메타데이터(프롬프트 및 추가 PNG 정보 포함)를 지정된 출력 디렉토리에 저장하기 위해 설계되었습니다. 이 노드는 모델 상태와 관련 정보를 파일로 직렬화하는 기능을 캡슐화하여, 학습된 모델의 보존과 공유를 용이하게 합니다. #### Model Specific - [ModelMergeAuraflow - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeAuraflow.md): ModelMergeAuraflow 노드는 다양한 모델 구성 요소에 대한 특정 혼합 가중치를 조정하여 두 개의 서로 다른 모델을 함께 혼합할 수 있게 해줍니다. 초기 레이어부터 최종 출력까지 모델의 서로 다른 부분이 병합되는 방식을 세밀하게 제어할 수 있습니다. 이 노드는 병합 과정을 정밀하게 제어하면서 맞춤형 모델 조합을 - [ModelMergeCosmos14B - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeCosmos14B.md): ModelMergeCosmos14B 노드는 Cosmos 14B 모델 아키텍처를 위해 특별히 설계된 블록 기반 방식으로 두 AI 모델을 병합합니다. 각 모델 블록과 임베딩 레이어에 대해 가중치 값을 0.0에서 1.0 사이로 조정하여 모델의 다양한 구성 요소를 혼합할 수 있습니다. - [ModelMergeCosmos7B - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeCosmos7B.md): ModelMergeCosmos7B 노드는 특정 구성 요소의 가중치 블렌딩을 사용하여 두 AI 모델을 병합합니다. 위치 임베딩, 트랜스포머 블록 및 최종 레이어에 대한 개별 가중치를 조정하여 모델의 다양한 부분이 결합되는 방식을 세밀하게 제어할 수 있습니다. - [ModelMergeCosmosPredict2_14B - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeCosmosPredict2_14B.md): ModelMergeCosmosPredict214B 노드는 내부 구성 요소를 혼합하여 두 AI 모델을 병합합니다. 특정 레이어와 구성 요소에 대해 조정 가능한 가중치 값을 사용하여 두 번째 모델의 각 부분이 최종 병합 결과에 영향을 미치는 정도를 정밀하게 제어할 수 있습니다. - [ModelMergeCosmosPredict2_2B - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeCosmosPredict2_2B.md): ModelMergeCosmosPredict22B 노드는 블록 기반 접근 방식을 사용하여 두 개의 확산 모델을 병합하며, 서로 다른 모델 구성 요소에 대해 세밀하게 제어할 수 있습니다. 위치 임베더, 시간 임베더, 트랜스포머 블록 및 최종 레이어의 보간 가중치를 조정하여 두 모델의 특정 부분을 혼합할 수 있습니다. 이를 - [ModelMergeFlux1 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeFlux1.md): ModelMergeFlux1 노드는 가중 보간법을 사용하여 구성 요소를 혼합함으로써 두 개의 확산 모델을 병합합니다. 이미지 처리 블록, 시간 임베딩 레이어, 안내 메커니즘, 벡터 입력, 텍스트 인코더 및 다양한 트랜스포머 블록을 포함하여 모델의 여러 부분이 결합되는 방식을 세밀하게 제어할 수 있습니다. 이를 통해 두 소 - [ModelMergeKrea2 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeKrea2.md): 이 노드는 두 모델의 내부 구성 요소를 세밀한 수준에서 혼합하여 병합하며, 각 모델의 특정 부분이 최종 결과에 영향을 미치는 정도를 제어할 수 있도록 합니다. 두 입력 모델을 가져와 아키텍처의 서로 다른 섹션에 별도의 혼합 비율을 적용하는 방식으로 작동합니다. - [ModelMergeLTXV - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeLTXV.md): ModelMergeLTXV 노드는 LTXV 모델 아키텍처를 위해 특별히 설계된 고급 모델 병합 작업을 수행합니다. 이 노드를 사용하면 트랜스포머 블록, 프로젝션 레이어 및 기타 특수 모듈을 포함한 다양한 모델 구성 요소에 대한 보간 가중치를 조정하여 두 개의 서로 다른 모델을 혼합할 수 있습니다. - [ModelMergeMochiPreview - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeMochiPreview.md): 이 노드는 블록 기반 접근 방식을 사용하여 두 개의 Mochi AI 모델을 병합하며, 다양한 모델 구성 요소를 세밀하게 제어할 수 있습니다. 위치 주파수, 임베딩 레이어, 그리고 48개의 개별 트랜스포머 블록 각각을 포함한 특정 섹션의 보간 가중치를 조정하여 모델을 혼합할 수 있습니다. 병합 프로세스는 지정된 가중치 값에 - [ModelMergeQwenImage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeQwenImage.md): ModelMergeQwenImage는 두 AI 모델을 병합하고 구성 요소의 가중치를 조정할 수 있게 해줍니다. - [ModelMergeSD1 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeSD1.md): ModelMergeSD1 노드는 각 모델 구성 요소가 결과에 기여하는 정도를 조정하여 두 개의 Stable Diffusion 1.x 모델을 혼합합니다. 시간 임베딩, 레이블 임베딩 및 모든 입력 블록, 중간 블록, 출력 블록을 개별적으로 제어할 수 있어 특정 사용 사례에 맞게 미세 조정된 모델 병합이 가능합니다. - [ModelMergeSD35_Large - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeSD35_Large.md): ModelMergeSD35Large 노드는 두 개의 Stable Diffusion 3.5 Large 모델을 병합하여 두 번째 모델의 특정 내부 구성 요소를 첫 번째 모델에 혼합합니다. 각 구성 요소는 독립적인 혼합 값을 가지므로 결과 병합 모델에 해당 구성 요소가 기여하는 강도를 세밀하게 제어할 수 있습니다. - [ModelMergeSD3_2B - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeSD3_2B.md): ModelMergeSD32B 노드는 조정 가능한 가중치로 구성 요소를 혼합하여 두 개의 Stable Diffusion 3 2B 모델을 병합할 수 있게 해줍니다. 임베딩 레이어와 트랜스포머 블록을 개별적으로 제어할 수 있어 특수 생성 작업을 위한 세밀하게 조정된 모델 조합이 가능합니다. - [ModelMergeSDXL - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeSDXL.md): ModelMergeSDXL 노드는 아키텍처의 서로 다른 부분에 대한 각 모델의 영향을 조정하여 두 개의 SDXL 모델을 혼합할 수 있게 해줍니다. 각 모델이 시간 임베딩, 레이블 임베딩 및 모델 구조 내의 다양한 블록에 기여하는 정도를 제어할 수 있습니다. 이를 통해 두 입력 모델의 특성을 결합한 하이브리드 모델이 생성됩 - [ModelMergeWAN2_1 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelMergeWAN2_1.md): ModelMergeWAN21 노드는 가중 평균을 사용하여 구성 요소를 혼합함으로써 두 개의 WAN2.1 모델을 병합합니다. 1.3B 모델(30개 블록)과 14B 모델(40개 블록)을 포함한 다양한 모델 크기를 지원하며, 추가 이미지 임베딩 구성 요소를 포함하는 이미지-투-비디오 모델에 대한 특별 처리를 제공합니다. 각 ### Patch - [ContextWindowsManual - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ContextWindowsManual.md): Context Windows (Manual) 노드를 사용하면 샘플링 중에 모델의 컨텍스트 윈도우를 수동으로 구성할 수 있습니다. 지정된 길이, 중첩, 스케줄링 패턴으로 겹치는 컨텍스트 세그먼트를 생성하여 데이터를 관리 가능한 청크 단위로 처리하면서도 세그먼트 간 연속성을 유지합니다. 이 노드는 컨텍스트 윈도우 적용 방식을 - [ModelAttentionBackend - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelAttentionBackend.md): 이 노드는 모델이 어텐션 계산에 사용할 어텐션 백엔드를 선택할 수 있게 해줍니다. 선택한 어텐션 함수로 교체한 모델 사본을 생성하며, 이는 성능이나 동작에 영향을 줄 수 있습니다. 선택한 백엔드를 사용할 수 없는 경우 자동으로 PyTorch 어텐션으로 대체하고 경고를 기록합니다. - [ModelNoiseScale - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelNoiseScale.md): Documentation for ModelNoiseScale node. - [ModelSamplingAuraFlow - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelSamplingAuraFlow.md): ModelSamplingAuraFlow 노드는 확산 모델에 특화된 샘플링 구성을 적용하며, 특히 AuraFlow 모델 아키텍처를 위해 설계되었습니다. 이 노드는 샘플링 분포를 조정하는 시프트(shift) 값을 적용하여 모델의 샘플링 동작을 수정합니다. 이 노드는 SD3 모델 샘플링 프레임워크를 상속받으며 샘플링 프로세스를 - [ModelSamplingContinuousEDM - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelSamplingContinuousEDM.md): 이 노드는 연속 EDM(에너지 기반 확산 모델) 샘플링 기법을 통합하여 모델의 샘플링 성능을 향상시키도록 설계되었습니다. 모델의 샘플링 과정에서 노이즈 수준을 동적으로 조정할 수 있게 하여, 생성 품질과 다양성을 보다 정밀하게 제어할 수 있습니다. - [ModelSamplingContinuousV - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelSamplingContinuousV.md): ModelSamplingContinuousV 노드는 연속 V-예측 샘플링을 적용하여 모델의 샘플링 동작을 조정합니다. 입력 모델의 복제본을 생성하고 사용자 지정 최소 및 최대 sigma 값을 구성하여 샘플링 프로세스를 더 세밀하게 제어할 수 있도록 합니다. - [ModelSamplingDiscrete - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelSamplingDiscrete.md): 이 노드는 이산 샘플링 전략을 적용하여 모델의 샘플링 동작을 수정하도록 설계되었습니다. epsilon, vprediction, lcm 또는 x0과 같은 다양한 샘플링 방법을 선택할 수 있으며, 선택적으로 제로샷 노이즈 비율(zsnr) 설정에 따라 모델의 노이즈 감소 전략을 조정합니다. - [RenormCFG - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/RenormCFG.md): RenormCFG 노드는 조건부 스케일링과 정규화를 적용하여 확산 모델의 classifier-free guidance(CFG) 프로세스를 수정합니다. 지정된 타임스텝 임계값과 재정규화 계수를 기반으로 디노이징 프로세스를 조정하여 이미지 생성 중 조건부 예측과 무조건부 예측의 영향을 제어합니다. - [RescaleCFG - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/RescaleCFG.md): RescaleCFG 노드는 모델 출력의 조건부 및 비조건부 스케일을 지정된 승수에 따라 조정하여 보다 균형 잡히고 통제된 생성 과정을 달성하도록 설계되었습니다. 이 노드는 모델 출력을 재조정하여 조건부 및 비조건부 구성 요소의 영향을 수정함으로써 모델의 성능이나 출력 품질을 향상시킬 수 있습니다. - [ScaleROPE - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ScaleROPE.md): ScaleROPE 노드는 모델의 X, Y, T(시간) 구성 요소에 별도의 스케일링 및 시프팅 계수를 적용하여 모델의 회전 위치 임베딩(ROPE)을 수정할 수 있게 해줍니다. 이 노드는 모델의 위치 인코딩 동작을 조정하는 데 사용되는 고급 실험용 노드입니다. #### Anima - [AnimaLLLiteApply - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/AnimaLLLiteApply.md): 이 노드는 확산 모델에 경량 애니메이션 패치를 적용하여, 조정 가능한 강도와 타이밍으로 제어된 이미지 간 생성을 가능하게 합니다. 사전 구성된 모델 패치를 입력 이미지 및 선택적 마스크와 통합하여, 모델의 어텐션 및 MLP 레이어를 수정함으로써 생성 과정에 영향을 줍니다. #### Chroma Radiance - [ChromaRadianceOptions - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ChromaRadianceOptions.md): ChromaRadianceOptions 노드는 Chroma Radiance 모델에 대한 고급 설정을 구성할 수 있게 해줍니다. 이 노드는 기존 모델을 래핑하고 시그마 값에 기반하여 디노이징 과정 중 특정 옵션을 적용함으로써 NeRF 타일 크기 및 기타 래디언스 관련 매개변수를 정밀하게 제어할 수 있게 합니다. #### Flux - [ModelSamplingFlux - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelSamplingFlux.md): The ModelSamplingFlux 노드는 이미지 크기에 기반한 시프트 매개변수를 계산하여 주어진 모델에 Flux 모델 샘플링을 적용합니다. 지정된 너비, 높이 및 시프트 매개변수에 따라 모델의 동작을 조정하는 특수 샘플링 구성을 생성한 다음, 새 샘플링 설정이 적용된 수정된 모델을 반환합니다. - [USOStyleReference - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/USOStyleReference.md): USOStyleReference 노드는 CLIP 비전 특징을 모델 패치와 결합하여 모델에 스타일 참조를 적용하고, 입력 모델의 패치된 복사본을 반환합니다. 이 노드는 Flux 모델용으로 설계되었으며 실험적 기능으로 표시되어 있습니다. 시각적 스타일 정보는 모델의 텍스트 컨디셔닝과 결합되어 생성에 영향을 줄 수 있습니다. #### Hidream - [HiDreamO1PatchSeamSmoothing - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/HiDreamO1PatchSeamSmoothing.md): 이 노드는 샘플링 과정의 후반부에 여러 개의 이동된 패치 그리드 위치에 걸쳐 모델 출력을 평균화하여 HiDream-O1 모델이 생성한 이미지에서 보이는 이음새(seam)를 줄입니다. 약간 다른 이미지 정렬로 모델을 여러 번 실행한 다음 결과를 혼합하여 패치 경계에서 나타날 수 있는 격자 모양의 아티팩트를 상쇄합니다. #### Ltxv - [LTXVContextWindows - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVContextWindows.md): 이 노드는 샘플링 중 LTXV 유사 모델에 컨텍스트 윈도우를 설정합니다. 비디오 생성 과정을 겹치는 윈도우로 분할하여 메모리 사용량을 관리하고 시간적 일관성을 개선합니다. - [ModelSamplingLTXV - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelSamplingLTXV.md): ModelSamplingLTXV 노드는 토큰 수를 기반으로 모델에 고급 샘플링 매개변수를 적용합니다. 입력 잠재 변수의 토큰 수에 따라 기본 시프트 값과 최대 시프트 값 사이의 선형 보간을 사용하여 시프트 값을 계산합니다. 그런 다음 노드는 전문화된 모델 샘플링 구성을 생성하여 입력 모델에 적용합니다. #### Minimax - [MiniMaxH3FunControlNetApply - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/MiniMaxH3FunControlNetApply.md): 이 노드는 MiniMax H3 Fun ControlNet을 모델 패치로 텍스트-투-비디오 모델에 적용합니다. 선택적 제어 비디오와 선택적 마스크를 사용하여 생성을 유도할 수 있으며, 추가 샘플링을 위해 패치된 모델의 복사본을 반환합니다. strength가 0으로 설정되거나 제어 비디오와 마스크가 모두 제공되지 않으면 - [MiniMaxH3SigmaShift - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/MiniMaxH3SigmaShift.md): MiniMax H3 모델에 대한 비디오 및 오디오 흐름 시프트 값을 설정합니다. 비디오 시프트는 샘플러의 시그마 일정을 제어하며, 두 시프트 값 모두 모델의 내부 트랜스포머에 전달됩니다. 트랜스포머는 이를 사용하여 공유된 기본 그리드에서 오디오 일정을 도출합니다. #### Qwen - [QwenImageDiffsynthControlnet - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/QwenImageDiffsynthControlnet.md): QwenImageDiffsynthControlnet은 기본 모델에 확산 합성 제어 네트워크 패치를 적용합니다. 입력 이미지와 선택적 마스크를 사용하여 조정 가능한 강도로 모델의 생성 과정을 안내하며, 제어 네트워크의 영향을 통합하여 보다 제어된 이미지 합성을 수행하는 패치된 모델을 생성합니다. #### Sensenova - [SenseNovaSamplingOptions - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SenseNovaSamplingOptions.md): SenseNova Sampling Options는 모델에 SenseNova 플로우 시프트를 설정합니다. 입력 모델을 복제하고, 선택한 플로우 시프트 값을 사용하여 SenseNova 모델 샘플링 구성을 첨부한 다음, 샘플링 중에 사용할 패치된 모델을 반환합니다. #### Stable Cascade - [ModelSamplingStableCascade - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelSamplingStableCascade.md): ModelSamplingStableCascade 노드는 shift 값을 사용하여 샘플링 매개변수를 조정함으로써 모델에 Stable Cascade 샘플링을 적용합니다. 원본 모델은 변경하지 않고, 사용자 정의 Stable Cascade 샘플링 구성이 적용된 패치된 복사본을 생성합니다. #### Stable Diffusion - [ModelSamplingSD3 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ModelSamplingSD3.md): ModelSamplingSD3 노드는 Stable Diffusion 3 샘플링 매개변수를 모델에 적용합니다. shift 매개변수를 조정하여 모델의 샘플링 동작을 수정하며, 이는 샘플링 분포 특성을 제어합니다. 이 노드는 지정된 샘플링 구성이 적용된 입력 모델의 수정된 복사본을 생성합니다. #### Supir - [SUPIRApply - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SUPIRApply.md): SUPIRApply 노드는 확산 모델에 SUPIR 모델 패치를 적용합니다. 이 패치를 사용하여 모델의 동작을 수정하며, 샘플링 과정에서 입력 이미지의 안내를 통합할 수 있습니다. 또한 이 노드는 시간에 따른 안내 강도를 조절하는 컨트롤을 제공하며, 원본 입력에 대한 충실도를 유지하는 데 도움이 되는 선택적 기능을 포함합니 #### Unet - [Epsilon Scaling - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Epsilon Scaling.md): 본 노드는 연구 논문 "Elucidating the Exposure Bias in Diffusion Models" (arxiv.org/abs/2308.15321v6)의 엡실론 스케일링(Epsilon Scaling) 방법을 구현합니다. 이 방법은 샘플링 과정에서 예측된 노이즈를 스케일링하여 노출 편향(exposure bia - [FreeU - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/FreeU.md): FreeU 노드는 모델의 출력 블록에 주파수 영역 수정을 적용하여 이미지 생성 품질을 향상시킵니다. 이 노드는 서로 다른 채널 그룹을 스케일링하고 특정 특성 맵에 푸리에 필터링을 적용하는 방식으로 작동하여, 생성 과정에서 모델의 동작을 세밀하게 제어할 수 있게 합니다. - [FreeU_V2 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/FreeU_V2.md): FreeUV2는 확산 모델의 U-Net 아키텍처에 주파수 기반 수정을 적용하여 이미지 생성 품질을 향상시킵니다. 구성 가능한 스케일링 팩터를 사용하여 서로 다른 블록의 특징 채널을 조정하며, 추가 학습 없이 출력을 개선합니다. - [HyperTile - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/HyperTile.md): HyperTile 노드는 확산 모델의 어텐션 메커니즘에 타일링 기법을 적용하여 이미지 생성 중 메모리 사용량을 최적화합니다. 잠재 공간을 더 작은 타일로 나누어 개별적으로 처리한 후 결과를 다시 조합합니다. 이를 통해 메모리 부족 없이 더 큰 이미지 크기로 작업할 수 있습니다. - [PatchModelAddDownscale - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/PatchModelAddDownscale.md): PatchModelAddDownscale(Kohya Deep Shrink)는 Kohya Deep Shrink 기법을 구현하여 모델의 특정 블록에 다운스케일링 및 업스케일링 연산을 적용합니다. 처리 중간 단계의 특징 해상도를 줄였다가 원래 크기로 복원하므로 품질을 유지하면서 성능을 향상시킬 수 있습니다. 이 노드는 모델 실 - [PerturbedAttentionGuidance - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/PerturbedAttentionGuidance.md): PerturbedAttentionGuidance 노드는 확산 모델에 섭동 어텐션 가이던스를 적용하여 생성 품질을 향상시킵니다. 이 노드는 샘플링 중 모델의 노이즈 제거 과정을 조정합니다. 정상적인 조건부 예측을 값 프로젝션만 사용하는 단순화된 어텐션 메커니즘으로 만든 예측과 비교한 다음, 스케일된 차이를 결과에 다시 더합 - [TemporalScoreRescaling - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TemporalScoreRescaling.md): 이 노드는 확산 모델에 Temporal Score Rescaling(TSR)을 적용합니다. 노이즈 제거 과정에서 예측된 노이즈 또는 스코어를 재조정하여 모델의 샘플링 동작을 수정하며, 이를 통해 생성 결과물의 다양성을 조절할 수 있습니다. 이 기능은 post-CFG(Classifier-Free Guidance) 함수로 구 - [TomePatchModel - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TomePatchModel.md): TomePatchModel은 추론 중 연산 요구량을 줄이기 위해 확산 모델에 토큰 병합(ToMe)을 적용합니다. 이 기법은 어텐션 메커니즘에서 유사한 토큰을 선택적으로 병합하여, 이미지 품질을 유지하면서도 모델이 더 적은 수의 토큰을 처리할 수 있게 합니다. 이를 통해 큰 품질 저하 없이 생성 속도를 높일 수 있습니다. #### Wan - [WanContextWindowsManual - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanContextWindowsManual.md): WAN Context Windows (Manual) 노드를 사용하면 Wan 스타일 비디오 모델용 컨텍스트 창을 수동으로 구성할 수 있습니다. 이 노드는 샘플링 중에 이러한 설정을 적용하여 모델이 비디오를 처리하는 동안 창 길이, 겹침, 스케줄링 및 융합 방법을 제어할 수 있게 합니다. 컨텍스트 길이와 겹침은 실제 프레임 - [WanUni3CControlnetApply - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanUni3CControlnetApply.md): Documentation for WanUni3CControlnetApply node. #### Z Image - [ZImageFunControlnet - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ZImageFunControlnet.md): ZImageFunControlnet은 특수한 제어 네트워크를 적용하여 이미지 생성 또는 편집 과정에 영향을 줍니다. 이 노드는 기본 모델, 모델 패치, VAE를 사용하며 제어 효과의 강도를 조정할 수 있습니다. 기본 이미지, 인페인팅 이미지, 마스크와 함께 사용하여 더 정밀한 편집을 수행할 수 있습니다. ### Sampling - [KSampler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/KSampler.md): KSampler는 다음과 같이 작동합니다: 특정 모델과 긍정 및 부정 조건을 기반으로 제공된 원본 잠재 이미지 정보를 수정합니다. 먼저 설정된 시드(seed) 및 디노이즈 강도(denoise strength)에 따라 원본 이미지 데이터에 노이즈를 추가한 후, 사전 설정된 모델(Model)과 긍정( - [KSamplerAdvanced - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/KSamplerAdvanced.md): KSamplerAdvanced 노드는 고급 구성과 기술을 제공하여 샘플링 프로세스를 개선하도록 설계되었습니다. 기본 KSampler 기능을 개선하여 모델에서 샘플을 생성하기 위한 보다 정교한 옵션을 제공하는 것을 목표로 합니다. #### Custom - [APG - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/APG.md): APG(Adaptive Projected Guidance) 노드는 확산 과정에서 가이던스가 적용되는 방식을 조정하여 샘플링 프로세스를 수정합니다. 이 노드는 가이던스 벡터를 조건부 출력에 대해 평행 성분과 직교 성분으로 분리하여 보다 제어된 이미지 생성을 가능하게 합니다. 이 노드는 가이던스의 크기를 조정하고, 크기를 정 - [SamplerCustom - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerCustom.md): SamplerCustom 노드는 다양한 애플리케이션을 위한 유연하고 사용자 정의 가능한 샘플링 메커니즘을 제공하도록 설계되었습니다. 이를 통해 사용자는 특정 요구에 맞게 다양한 샘플링 전략을 선택하고 구성할 수 있어 샘플링 프로세스의 적응성과 효율성을 향상시킵니다. - [SamplerCustomAdvanced - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerCustomAdvanced.md): SamplerCustomAdvanced 노드는 사용자 정의 노이즈, 가이던스 및 샘플링 구성을 사용하여 고급 잠재 공간 샘플링을 수행합니다. 사용자 정의 가능한 노이즈 생성과 시그마 스케줄을 통해 안내된 샘플링 프로세스로 잠재 이미지를 처리하며, 최종 샘플링 출력과 사용 가능한 경우 노이즈가 제거된 버전을 모두 생성합니다 #### Guiders - [BasicGuider - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/BasicGuider.md): BasicGuider 노드는 샘플링 과정을 위한 간단한 안내 메커니즘을 생성합니다. 이 노드는 모델과 컨디셔닝 데이터를 입력으로 받아 샘플링 중 생성 과정을 안내하는 데 사용할 수 있는 가이더 객체를 생성합니다. 이 노드는 제어된 생성을 위해 필요한 기본적인 안내 기능을 제공합니다. - [CFGGuider - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/CFGGuider.md): CFG Guider 노드는 이미지 생성에서 샘플링 과정을 제어하기 위한 가이던스 시스템을 생성합니다. 이 노드는 모델과 긍정 및 부정 조건 입력을 받은 후, 분류기-프리 가이던스 스케일을 적용하여 원치 않는 요소를 피하면서 원하는 콘텐츠 방향으로 생성을 유도합니다. 이 노드는 샘플링 노드가 이미지 생성 방향을 제어하는 데 - [CFGOverride - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/CFGOverride.md): CFG Override 노드는 샘플링 과정의 특정 범위(전체 단계의 백분율로 정의)에 대해 고정된 CFG(Classifier-Free Guidance) 스케일 값을 설정할 수 있게 해줍니다. 여러 CFG Override 노드가 연결된 경우, 체인에서 샘플러에 가장 가까운 노드가 겹치는 범위에 대해 우선순위를 갖습니다. - [DualCFGGuider - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/DualCFGGuider.md): DualCFGGuider 노드는 이중 분류기 없는 안내(Classifier-Free Guidance) 샘플링을 위한 안내 시스템을 생성합니다. 이 노드는 두 개의 조건 입력을 하나의 부정 조건 입력과 결합하고, 두 개의 개별 안내 스케일을 적용하여 각 조건이 생성 출력에 영향을 미치는 강도를 제어합니다. 이러한 안내 스케 - [DualModelGuider - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/DualModelGuider.md): 이 노드는 안내된 CFG 샘플링 과정에서 두 개의 서로 다른 모델을 사용할 수 있게 해줍니다. 하나의 모델은 양(조건부) 패스에 사용되고, 다른 별도의 모델은 음(무조건부) 패스에 사용됩니다. 음 모델이 제공되지 않으면 단일 모델을 사용하는 표준 CFG 가이더처럼 작동합니다. - [LTXVDualCFGGuider - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVDualCFGGuider.md): 이 노드는 LTXV-AV 모델용 유도 샘플링 객체(CFG guider)를 생성합니다. 패킹된 잠재 변수의 비디오 부분과 오디오 부분에 각각 별도의 안내 스케일을 적용하여, 각 양식에 대한 컨디셔닝의 영향을 개별적으로 제어할 수 있게 합니다. 두 스케일이 같거나 잠재 변수에 비디오와 오디오 구성 요소가 분리되어 있지 않은 - [VideoLinearCFGGuidance - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VideoLinearCFGGuidance.md): VideoLinearCFGGuidance 노드는 비디오 모델에 선형 조건부 안내 스케일을 적용하여, 지정된 범위 내에서 조건부 및 비조건부 구성 요소의 영향을 조정합니다. 이를 통해 생성 과정을 동적으로 제어할 수 있으며, 원하는 조건화 수준에 따라 모델 출력을 세밀하게 조정할 수 있습니다. - [VideoTriangleCFGGuidance - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VideoTriangleCFGGuidance.md): VideoTriangleCFGGuidance 노드는 비디오 모델에 삼각 분류기-자유 유도(CFG) 스케일링 패턴을 적용합니다. mincfg와 모델의 원래 컨디셔닝 스케일 사이를 진동하는 삼각파를 사용하여 시간에 따라 컨디셔닝 스케일을 변경합니다. 이를 통해 동적 유도 패턴이 생성되어 비디오 생성의 일관성과 품질을 개 #### Noise - [AddNoise - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/AddNoise.md): 이 노드는 지정된 노이즈 생성기와 시그마 값을 사용하여 잠재 이미지에 제어된 노이즈를 추가합니다. 모델의 샘플링 시스템을 통해 입력을 처리하여 주어진 시그마 범위에 적합한 노이즈 스케일링을 적용하고, 노이즈가 적용된 새로운 잠재 표현을 반환합니다. 이 노드는 현재 실험적 기능으로 표시되어 있습니다. - [DisableNoise - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/DisableNoise.md): DisableNoise 노드는 샘플링 프로세스에서 노이즈 생성을 비활성화하는 데 사용할 수 있는 빈 노이즈 구성을 제공합니다. 이 노드는 노이즈 데이터를 포함하지 않는 특수 노이즈 객체를 반환하므로, 이 출력에 연결된 다른 노드는 노이즈 관련 작업을 건너뛸 수 있습니다. 이 노드는 "zero noise" 별칭으로도 검색할 - [RandomNoise - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/RandomNoise.md): RandomNoise 노드는 샘플링 과정에서 사용할 시드 값을 기반으로 노이즈 생성기를 생성합니다. 동일한 시드는 항상 동일한 노이즈 패턴을 생성하므로 여러 실행에서 일관되고 재현 가능한 결과를 얻을 수 있습니다. 샘플러는 잠재 이미지를 처리할 때 생성된 노이즈를 사용합니다. #### Samplers - [KSamplerSelect - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/KSamplerSelect.md): KSamplerSelect 노드는 제공된 샘플러 이름을 기반으로 특정 샘플러를 선택하도록 설계되었습니다. 이 노드는 샘플러 선택의 복잡성을 추상화하여 사용자가 작업에 맞게 다양한 샘플링 전략을 쉽게 전환할 수 있도록 합니다. - [SamplerARVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerARVideo.md): Sampler AR Video 노드는 Causal Forcing 또는 Self-Forcing 기법을 사용하는 자동회귀 비디오 모델을 위한 특화된 샘플링 방법을 제공합니다. 이 노드는 자동회귀(AR) 루프와 관련된 모든 매개변수를 워크플로우 내에서 직접 관리하므로, 모델이 비디오 프레임을 한 단계씩 생성하는 방식을 쉽게 구 - [SamplerDPMAdaptative - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerDPMAdaptative.md): SamplerDPMAdaptative 노드는 샘플링 과정에서 단계 크기를 자동으로 조정하는 적응형 DPM(확산 확률 모델) 샘플러를 구현합니다. 허용 오차 기반 오류 제어를 사용하여 최적의 단계 크기를 결정하며, 계산 효율성과 샘플링 정확성의 균형을 유지합니다. 이러한 적응형 접근 방식은 필요한 단계 수를 줄이면서 품질을 - [SamplerDPMPP_2M_SDE - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerDPMPP_2M_SDE.md): SamplerDPMPP2MSDE 노드는 확산 모델용 DPM++ 2M SDE 샘플러를 생성합니다. 이 샘플러는 확률적 미분 방정식과 함께 2차 미분 방정식 솔버를 사용하여 샘플을 생성합니다. 샘플링 과정을 제어하기 위해 다양한 솔버 유형과 노이즈 처리 옵션을 제공합니다. - [SamplerDPMPP_2S_Ancestral - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerDPMPP_2S_Ancestral.md): SamplerDPMPP2SAncestral 노드는 이미지 생성에 DPM++ 2S Ancestral 샘플링 방법을 사용하는 샘플러를 생성합니다. 이 샘플러는 결정적 요소와 확률적 요소를 결합하여 일관성을 유지하면서도 다양한 결과를 생성합니다. 샘플링 과정에서 무작위성과 노이즈 수준을 제어할 수 있게 해줍니다. - [SamplerDPMPP_3M_SDE - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerDPMPP_3M_SDE.md): SamplerDPMPP3MSDE 노드는 샘플링 과정에서 사용할 DPM++ 3M SDE 샘플러를 생성합니다. 이 샘플러는 구성 가능한 노이즈 매개변수와 함께 3차 다단계 확률 미분 방정식 방법을 사용합니다. 이 노드를 사용하면 노이즈 계산을 GPU에서 수행할지 CPU에서 수행할지 선택할 수 있습니다. - [SamplerDPMPP_SDE - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerDPMPP_SDE.md): SamplerDPMPPSDE는 샘플링 과정에서 사용할 DPM++ SDE(확률적 미분 방정식) 샘플러를 생성합니다. 이 샘플러는 노이즈 매개변수와 장치 선택을 구성할 수 있는 확률적 샘플링 방법을 제공합니다. 샘플링 파이프라인에서 사용할 수 있는 샘플러 객체를 반환합니다. - [SamplerER_SDE - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerER_SDE.md): SamplerERSDE 노드는 확산 모델을 위한 특수 샘플링 방법을 제공하며, ER-SDE, Reverse-time SDE, ODE 등 다양한 솔버 유형을 지원합니다. 이 노드를 사용하면 샘플링 과정의 확률적 동작과 계산 단계 수를 제어할 수 있습니다. 선택된 솔버 유형에 따라 설정을 자동으로 조정하여 샘플러가 올바르게 - [SamplerEulerAncestral - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerEulerAncestral.md): SamplerEulerAncestral 노드는 이미지 생성을 위한 Euler Ancestral 샘플러를 생성합니다. 이 샘플러는 오일러 적분과 조상 샘플링 기법을 결합한 특정 수학적 접근 방식을 사용하여 이미지 변형을 생성합니다. 이 노드를 사용하면 생성 과정 중 무작위성과 스텝 크기를 제어하는 매개변수를 조정하여 샘플링 - [SamplerEulerAncestralCFGPP - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerEulerAncestralCFGPP.md): SamplerEulerAncestralCFGPP 노드는 이미지 생성을 위해 분류기-프리 가이던스(CFG++)와 함께 Euler Ancestral 방법을 사용하는 샘플러를 생성합니다. 이 샘플러는 ancestral 샘플링 기법과 가이던스 조건화를 결합하여 일관성을 유지하면서 다양한 이미지 변형을 생성하며, 노이즈 및 스텝 - [SamplerLCM - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerLCM.md): SamplerLCM 노드는 조정 가능한 단계별 노이즈 매개변수를 갖춘 LCM(Latent Consistency Model) 샘플러를 제공합니다. 이 노드를 사용하면 샘플링 프로세스의 각 단계에 적용되는 노이즈를 제어할 수 있으며, snoise는 모델의 학습 노이즈 스케일에 대한 승수입니다. - [SamplerLCMUpscale - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerLCMUpscale.md): SamplerLCMUpscale 노드는 잠재 일관성 모델(LCM) 샘플링과 이미지 업스케일링 기능을 결합한 특수 샘플링 방법을 제공합니다. 샘플링 프로세스 중에 다양한 보간 방법을 사용하여 이미지를 점진적으로 업스케일링하므로 단일 샘플링 패스에서 더 높은 해상도의 출력을 생성할 수 있습니다. 출력은 샘플링 노드에 연결할 - [SamplerLMS - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerLMS.md): SamplerLMS 노드는 확산 모델에서 사용할 최소 평균 제곱(LMS) 샘플러를 생성합니다. 샘플링 과정에서 사용할 수 있는 샘플러 객체를 생성하며, LMS 알고리즘의 차수를 제어하여 수치적 안정성과 정확성을 조정할 수 있게 합니다. - [SamplerSASolver - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerSASolver.md): SamplerSASolver 노드는 확산 모델을 위한 사용자 정의 샘플링 알고리즘을 구현합니다. 이 노드는 예측-수정(predictor-corrector) 접근 방식과 구성 가능한 차수 설정 및 확률 미분 방정식(SDE) 매개변수를 사용하여 입력 모델에서 샘플을 생성합니다. - [SamplerSEEDS2 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplerSEEDS2.md): 이 노드는 이미지 생성을 위한 설정 가능한 샘플러를 제공합니다. 이 노드는 확률적 미분 방정식(SDE) 솔버인 SEEDS-2 알고리즘을 구현합니다. 매개변수를 조정하여 seeds2, expheun2x0, expheun2x0sde를 포함한 여러 특정 샘플러처럼 동작하도록 구성할 수 있습니다. - [VOIDSampler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VOIDSampler.md): VOIDSampler는 VOID 인페인팅 모델을 위한 특수 DDIM 샘플러입니다. 표준 KSampler가 적용하는 노이즈 스케일링 없이 VOID가 학습된 것과 동일한 디노이징 프로세스를 구현합니다. 이 노드를 SamplerCustom 또는 SamplerCustomAdvanced와 함께 사용하고, RandomNoise 또는 #### Schedulers - [AlignYourStepsScheduler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/AlignYourStepsScheduler.md): AlignYourStepsScheduler 노드는 다양한 모델 유형에 따라 디노이징 프로세스용 시그마 값을 생성합니다. 샘플링 과정의 각 단계에 적합한 노이즈 수준을 계산하고 denoise 매개변수에 따라 전체 단계 수를 조정합니다. 이를 통해 다양한 확산 모델의 특정 요구 사항에 맞게 샘플링 단계를 정렬할 수 있습니 - [BasicScheduler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/BasicScheduler.md): BasicScheduler 노드는 제공된 스케줄러, 모델 및 디노이징 매개변수를 기반으로 확산 모델에 대한 시그마 값 시퀀스를 계산하도록 설계되었습니다. 디노이즈 팩터에 따라 총 단계 수를 동적으로 조정하여 확산 과정을 미세 조정하며, 정밀한 제어가 필요한 고급 샘플링 프로세스(예: 다단계 샘플링)의 다양한 단계에 정 - [BetaSamplingScheduler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/BetaSamplingScheduler.md): BetaSamplingScheduler 노드는 베타 스케줄링 알고리즘을 사용하여 샘플링 프로세스를 위한 일련의 노이즈 레벨(sigmas)을 생성합니다. 모델과 구성 매개변수를 받아 이미지 생성 중 디노이징 프로세스를 제어하는 맞춤형 노이즈 스케줄을 생성합니다. 이 스케줄러는 알파 및 베타 매개변수를 통해 노이즈 감소 궤적 - [ExponentialScheduler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ExponentialScheduler.md): ExponentialScheduler 노드는 확산 샘플링 과정에서 지수 스케줄을 따라 시그마 값 시퀀스를 생성하도록 설계되었습니다. 이 노드는 확산 과정의 각 단계에 적용되는 노이즈 수준을 제어하는 사용자 정의 방식을 제공하여 샘플링 동작을 세밀하게 조정할 수 있도록 합니다. - [Flux2Scheduler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Flux2Scheduler.md): Flux2Scheduler는 디노이징 과정을 위한 노이즈 레벨(시그마) 시퀀스를 생성하며, Flux 모델에 특화되어 있습니다. 디노이징 단계 수와 대상 이미지의 크기를 기반으로 일정을 계산하며, 이는 이미지 생성 중 노이즈 제거 진행 과정에 영향을 줍니다. - [GITSScheduler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/GITSScheduler.md): GITSScheduler 노드는 GITS(Generative Iterative Time Steps) 샘플링 방법에 대한 노이즈 스케줄 시그마를 생성합니다. 계수 매개변수와 단계 수를 기반으로 시그마 값을 계산하며, 사용되는 총 단계를 줄일 수 있는 선택적 디노이징(denoising) 인자를 제공합니다. 이 노드는 사전 정 - [Ideogram4Scheduler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Ideogram4Scheduler.md): Ideogram 4 Scheduler 노드는 Ideogram 4 참조 일정을 기반으로 확산 샘플링 과정을 위한 시그마 값(노이즈 수준) 시퀀스를 생성합니다. 이미지 크기에 맞게 조정되는 맞춤형 노이즈 일정을 만들며, 통계적 매개변수를 통한 미세 조정을 지원합니다. - [KarrasScheduler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/KarrasScheduler.md): KarrasScheduler 노드는 Karras 등(2022)의 노이즈 스케줄을 기반으로 일련의 노이즈 레벨(시그마)을 생성하도록 설계되었습니다. 이 스케줄러는 생성 모델의 확산 과정을 제어하는 데 유용하며, 생성 과정의 각 단계에 적용되는 노이즈 레벨을 세밀하게 조정할 수 있도록 합니다. - [LaplaceScheduler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LaplaceScheduler.md): LaplaceScheduler 노드는 확산 샘플링에 사용하기 위해 라플라스 분포를 따르는 시그마 값 시퀀스를 생성합니다. 이 노드는 최대값에서 최소값으로 점진적으로 감소하는 노이즈 레벨 일정을 생성하며, 라플라스 분포 매개변수를 사용하여 진행을 제어합니다. 이 스케줄러는 확산 모델의 노이즈 일정을 정의하기 위해 사용자 정 - [LTXVScheduler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVScheduler.md): LTXVScheduler 노드는 사용자 정의 샘플링 프로세스를 위해 sigma 값을 생성합니다. 입력 latent의 토큰 수를 기반으로 노이즈 스케줄 매개변수를 계산하고, 시그모이드 변환을 적용하여 샘플링 스케줄을 생성합니다. 이 노드는 결과 sigma를 선택적으로 늘려서 지정된 종료 값과 일치시킬 수 있습니다. - [OptimalStepsScheduler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/OptimalStepsScheduler.md): OptimalStepsScheduler 노드는 확산 샘플링 중에 사용할 노이즈 스케줄(시그마 값의 시퀀스)을 생성합니다. 선택된 모델 유형에 따라 기본 노이즈 레벨을 선택하고, 디노이징이 부분적으로 적용될 때 스케줄을 조정하며, 반환된 시그마가 요청된 스텝 수와 일치하도록 레벨을 보간합니다. - [PolyexponentialScheduler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/PolyexponentialScheduler.md): PolyexponentialScheduler 노드는 다지수(polyexponential) 노이즈 스케줄을 기반으로 노이즈 수준(sigmas) 시퀀스를 생성하도록 설계되었습니다. 이 스케줄은 시그마 로그값에 대한 다항 함수로서, 확산 과정 전반에 걸쳐 유연하고 사용자 정의 가능한 노이즈 수준 진행을 가능하게 합니다. - [SDTurboScheduler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SDTurboScheduler.md): SDTurboScheduler는 이미지 샘플링을 위한 시그마 값 시퀀스를 생성하도록 설계되었으며, 지정된 노이즈 제거 수준과 단계 수에 따라 시퀀스를 조정합니다. 특정 모델의 샘플링 기능을 활용하여 이러한 시그마 값을 생성하며, 이 값은 이미지 생성 중 노이즈 제거 과정을 제어하는 데 중요합니다. - [VPScheduler - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VPScheduler.md): VPScheduler 노드는 Variance Preserving(VP) 스케줄링 방식을 기반으로 노이즈 수준(시그마) 시퀀스를 생성하도록 설계되었습니다. 이 시퀀스는 확산 모델의 노이즈 제거 과정을 안내하여 이미지 또는 기타 데이터 유형의 제어된 생성을 가능하게 하는 데 중요합니다. #### Sigmas - [ExtendIntermediateSigmas - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ExtendIntermediateSigmas.md): ExtendIntermediateSigmas 노드는 기존 시그마 값 시퀀스를 가져와 그 사이에 추가 중간 시그마 값을 삽입합니다. 추가할 단계 수, 보간을 위한 간격 방법, 그리고 시그마 시퀀스 내에서 확장이 발생할 위치를 제어하는 선택적 시작 및 종료 시그마 경계를 지정할 수 있습니다. - [FlipSigmas - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/FlipSigmas.md): FlipSigmas 노드는 확산 모델에 사용되는 시그마 값 시퀀스의 순서를 반전시키고, 첫 번째 값이 원래 0이었다면 0이 아닌 값으로 보장하여 조작하도록 설계되었습니다. 이 작업은 노이즈 수준을 역순으로 적용하여 데이터에서 점진적으로 노이즈를 줄이는 방식으로 작동하는 모델의 생성 과정을 용이하게 하는 데 중요합니다. - [ManualSigmas - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ManualSigmas.md): ManualSigmas 노드는 샘플링 과정에서 사용할 노이즈 레벨(시그마)의 사용자 지정 시퀀스를 수동으로 정의할 수 있게 해줍니다. 숫자 목록을 문자열로 입력하면 노드가 이를 다른 샘플링 노드에서 사용할 수 있는 텐서로 변환합니다. 이는 특정 노이즈 스케줄을 테스트하거나 생성하는 데 유용합니다. - [SamplingPercentToSigma - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SamplingPercentToSigma.md): SamplingPercentToSigma 노드는 모델의 샘플링 매개변수를 사용하여 샘플링 백분율 값을 해당 시그마 값으로 변환합니다. 0.0에서 1.0 사이의 백분율 값을 받아 모델의 노이즈 스케줄에서 적절한 시그마 값으로 매핑하며, 경계 값에서 계산된 시그마 또는 실제 최대/최소 시그마 값을 반환하는 옵션을 제공합니다. - [SetFirstSigma - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SetFirstSigma.md): SetFirstSigma 노드는 시그마 시퀀스의 첫 번째 값만 사용자 지정 시그마 값으로 교체하여 시그마 시퀀스를 변경합니다. 기존 시그마 시퀀스와 새 시그마 값을 입력받아 첫 번째 값을 제외한 모든 값이 변경되지 않은 새로운 시그마 시퀀스를 반환합니다. - [SplitSigmas - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SplitSigmas.md): SplitSigmas 노드는 시그마 값 시퀀스를 지정된 단계에 따라 두 부분으로 분할하도록 설계되었습니다. 이 기능은 시그마 시퀀스의 초기 부분과 후속 부분에 대해 서로 다른 처리나 가공이 필요한 작업에 필수적이며, 이러한 값들을 보다 유연하고 목적에 맞게 조작할 수 있게 해줍니다. - [SplitSigmasDenoise - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SplitSigmasDenoise.md): SplitSigmasDenoise 노드는 디노이즈 강도 매개변수에 따라 시그마 값 시퀀스를 두 부분으로 나눕니다. 입력 시그마를 높은 시그마 시퀀스와 낮은 시그마 시퀀스로 분할하며, 분할 지점은 총 단계 수에 디노이즈 팩터를 곱하여 결정됩니다. 이를 통해 노이즈 스케줄을 서로 다른 강도 범위로 분리하여 특수 처리를 수행할 ### Training - [LoadTrainingDataset - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LoadTrainingDataset.md): 이 노드는 이전에 디스크에 저장된 인코딩된 학습 데이터셋(잠재 벡터 및 컨디셔닝)을 불러옵니다. datasets 디렉터리에서 선택한 데이터셋 폴더의 모든 데이터 샤드 파일을 읽고, 학습 워크플로우에서 사용할 결합된 잠재 벡터와 컨디셔닝 데이터를 반환합니다. - [LossGraphNode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LossGraphNode.md): LossGraphNode는 훈련 단계에 따른 훈련 손실 값의 꺾은선 그래프를 생성하고 이를 미리 보기 이미지로 표시합니다. 훈련 노드에서 손실 값을 읽어 축 레이블과 최소/최대 손실 값이 표시된 그래프로 플로팅한 후, UI에서 그래프를 이미지 미리 보기로 반환합니다. - [MakeTrainingDataset - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/MakeTrainingDataset.md): 이 노드는 이미지와 텍스트를 인코딩하여 학습 데이터를 준비합니다. 이미지 목록과 이에 대응하는 텍스트 캡션 목록을 입력받은 후, VAE 모델을 사용하여 이미지를 잠재 표현(latent representation)으로 변환하고 CLIP 모델을 사용하여 텍스트를 컨디셔닝 데이터로 변환합니다. 결과적으로 생성된 잠재 표현과 컨 - [ResolutionBucket - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ResolutionBucket.md): 이 노드는 잠재 이미지 목록과 해당 컨디셔닝 데이터를 해상도별로 구성합니다. 동일한 높이와 너비를 공유하는 항목을 함께 그룹화하여 각 고유 해상도에 대해 별도의 배치를 생성합니다. 이 프로세스는 모델이 동일한 크기의 여러 항목을 함께 처리할 수 있게 하여 효율적인 학습을 위한 데이터 준비에 유용합니다. - [SaveTrainingDataset - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SaveTrainingDataset.md): 이 노드는 인코딩된 학습 데이터셋을 디스크에 저장하여 학습 중 효율적으로 불러올 수 있도록 합니다. 이미지 잠재 변수(latents)와 이에 대응하는 텍스트 컨디셔닝을 입력받아, 이를 샤드(shard)라고 하는 더 작은 파일들로 분할한 후 datasets 디렉터리 안의 폴더에 저장합니다. 또한 데이터셋을 설명하는 메타 - [TrainLoraNode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TrainLoraNode.md): TrainLoRA 노드는 제공된 잠재 표현(latents)과 컨디셔닝 데이터를 사용하여 확산 모델에 대한 LoRA(저차원 적응) 모델을 생성하고 학습합니다. 사용자 정의 학습 매개변수, 최적화기 및 손실 함수를 사용하여 모델을 미세 조정할 수 있습니다. 이 노드는 학습된 LoRA 가중치, 손실 이력 맵 및 완료된 총 학습