Skip to main content
Empty Qwen Image Layered Latent prepara el lienzo en blanco sobre el que el modelo Qwen-Image-Layered va a pintar. Imagínalo como una pila de hojas de calco limpias sujetas en orden: el modelo rellena la primera hoja con la imagen completa y cada hoja posterior con una parte de esa imagen. Este nodo decide qué tamaño tienen las hojas y cuántas hay. No dibuja nada por sí mismo.

Entradas

Nota: Los parámetros width y height se dividen internamente por 8 para determinar las dimensiones espaciales del tensor latente de salida.

Salidas

Por qué obtienes una imagen más de la que pediste

Qwen-Image-Layered no solo separa una imagen en partes. También vuelve a pintar la imagen completa en su propia hoja, junto con las capas. Por eso la pila siempre tiene una hoja más que el número de capas solicitado.
  • La primera imagen es la imagen completa, no una capa. Es la misma imagen que ya tienes, así que deséchala si solo quieres las capas.
  • Si superpones todas las capas una sobre otra, vuelves a obtener la imagen completa. Si no coinciden con esa primera imagen, la separación no ha funcionado como esperabas, de modo que esta es una forma rápida de comprobar el resultado.
  • Mantén las hojas en orden. La pila es el único registro de qué capa va encima de cuál. En las hojas no hay nada escrito que indique su posición, así que reordenarlas o eliminar imágenes significa reordenar o perder capas.
  • Las capas se generan con transparencia, por lo que pueden superponerse sin que las inferiores queden ocultas tras un fondo opaco.

Sugerencias de uso

Envía la salida al muestreador como lo harías con un latente vacío normal, y luego coloca LatentCutToBatch con dim ajustado a t antes de VAE Decode. Ese es el paso que separa la pila en imágenes individuales, en orden, empezando por la imagen completa. Empieza con el valor predeterminado de 3 capas. Pedir más capas implica una generación más larga y una separación más fina, y no merece la pena aumentarlo hasta que veas lo que el modelo hace con un número pequeño.
Esta documentación fue generada por IA. Si encuentra algún error o tiene sugerencias de mejora, ¡no dude en contribuir! Editar en GitHub

Source fingerprint (SHA-256): 5ccac979fcbcefb65f28867a89401c095cb330e09c13270008c32feeeafb1287