| 输入参数 | |
| pipe | 输入的推理流程对象，包含模型、提示词、VAE 等配置。 |
| image_to_latent | 输入图像，将转换为 latent，用于 img2img 推理。 |
| latent | 直接输入 latent 图像表示，绕过图像转换过程 |
| 输出参数 | |
| pipe | 包含采样配置与 latent 的流程对象。 |
| 控件参数 | |
| steps | 总采样步数，决定生成过程的迭代次数，默认 20。 |
| cfg | 提示词引导系数。 |
| sampler_name | 采样器名称。 |
| scheduler | 调度器名称。 |
| start_at_step | 从第几步开始执行采样，默认 0。 |
| end_at_step | 到第几步终止采样，默认 10000。 |
| add_noise | 噪声添加模式，支持 "enable (CPU)", "enable (GPU=A1111)", "disable"。 |
| seed | 随机种子，控制输出图像的确定性。 |
| return_with_leftover_noise | 启用残余噪声输出，可选值为 enable / disable。 |
相比传统“一次性完成采样”的方式，分段采样提供了更高的灵活性和控制力。第一个节点专注于提取图像结构，如构图、姿态和轮廓；第二个节点则利用剩余步数进行细节优化和风格调整。这一策略允许在后段单独调整如 CFG 等参数，更精确地控制饱和度与风格表现。而传统采样中 CFG 的修改会影响整体生成，难以分离结构与风格控制。
注意：前面的PreSampling (Advanced)节点需要开启return_with_leftover_noise，最后一个PreSampling (Advanced)节点则要关闭return_with_leftover_noise。
可加入知识星球获取所有示例工作流
微信扫码入群，加入AIGC大家庭，与大家一起交流学习