Easy Apply IPAdapter (Embeds)

节点功能:将预先生成的嵌入向量(embeddings)应用到模型中,而不需要重新编码图像。它接受已经编码好的正负嵌入向量作为输入。

输入参数

参数名称说明
model需要进行视觉控制的基础模型。
clip_vision用于嵌入解码的视觉模型。
ipadapter已加载的 IPAdapter 模型。
pos_embed正向嵌入向量。
neg_embed负向嵌入向量(可选)。
attn_mask可选注意力遮罩。

输出参数

参数名称说明
model已注入视觉嵌入的模型。
ipadapter返回的 IPAdapter 对象。

控件参数

参数名称说明
weight控制嵌入特征影响力,范围 -1 到 3。
weight_type嵌入应用方式。 linear:线性权重,按直线规则估算中间值。 ease in:缓入,起始权重变化慢,随后加快。 ease out:缓出,起始权重变化快,随后变慢。 ease - in - out:缓入缓出,起始和结束权重变化慢,中间快。 reverse ease - in - out:反向缓入缓出,与缓入缓出变化顺序相反。 weak input:弱输入权重,输入影响弱。 weak output:弱输出权重,输出影响弱。 weak middle:中间权重弱,两端影响大。 strong middle:中间权重强,两端影响小。 style transfer:风格迁移权重方式,用于风格转换。 composition:构图相关权重方式,影响构图元素融合。 strong style transfer:强风格迁移,强化风格转换效果。 style and composition:兼顾风格迁移与构图权重。 style transfer precise:精确风格迁移,精准控制风格转换 。
start_at嵌入开始生效的 timestep(0~1)。
end_at嵌入停止生效的 timestep(0~1)。
embeds_scaling嵌入处理方式。 V only:仅针对 Value 向量操作,控制温和。 K+V:作用于 Key 和 Value 向量,适合常规使用。 K+V w/ C penalty:带惩罚项,平衡输出效果。 K+mean(V) w/ C penalty:对 Value 取平均并加惩罚项,适合多特征融合 。


weight:用于控制风格迁移或内容引导的强度。


weight_type 参数说明

选项名称含义说明推荐使用场景
linear权重在整个扩散过程中均匀作用。默认通用型,适合大多数应用
ease in初期影响较小,后期逐渐增强。类似动画中的缓入效果。用于渐变引导、细节后期提升
ease out初期影响较大,后期逐渐减弱。快速设定风格基调,适合粗风格引导
ease in-out中间阶段影响最大,首尾阶段较弱。平滑自然风格融合,适合连续内容生成
reverse in-out与 ease in-out 相反:首尾影响大,中间弱。特殊风格控制需求,如强调开头/结尾部分
weak input起始阶段影响力较弱,仅轻微引导希望保留原始内容结构轻度风格迁移
weak output末尾阶段影响较弱,初期设定风格,后期让原模型控制更多图生图保留原图细节,风格仅用于起始构思
weak middle中间阶段影响较弱,首尾较强非常规风格衰减,实验性使用
strong middle中间阶段影响最强,其它阶段较弱风格在图像生成中段突显,适合高频率细节控制
style transfer专为风格迁移设计,按一定比例强制覆盖内容特征明确迁移风格图,适用于文本+图像组合输入
composition关注图像结构的合成(构图)特征,引导更符合图像内容的布局使用构图参考图时推荐此项
strong style transfer比 style transfer 更强的迁移方式,压制原内容风格明确覆盖,适用于多图风格融合时的主导图设定
style and composition同时关注风格与构图,平衡迁移与原图结构高级混合策略,适合精细风格生成
style transfer precise更精准的风格迁移,优化细节匹配,适合对内容和纹理有严格要求的场景精准模仿特定风格画作或摄影作品



embeds_scaling 参数说明

选项名称含义说明推荐使用场景
V only仅将嵌入向量作用于 Attention 的 Value (V) 向量部分。控制相对温和,适合保留原图结构,仅注入风格信息
K+V同时作用于 Key (K) 和 Value (V) 向量,影响注意力方向与值。标准风格注入方式,风格表现力增强
K+V w/ C penalty在 K+V 基础上加入“通道惩罚项”(Channel penalty),避免对注意力造成过强干扰。在风格增强的同时抑制副作用,如图像过度变形
K+mean(V) w/ C penalty类似于上一个,但对 V 向量使用均值后再与 K 一起注入,并加惩罚,进一步控制影响范围。高精度风格控制场景,防止风格影响全局一致性