ARVideoI2V - ComfyUI Built-in Node Documentation - ComfyUI

このノードは、Causal Forcing または Self-Forcing を使用する AR（自己回帰）動画モデル向けの、画像から動画への生成セットアップを準備します。開始画像を VAE で潜在空間にエンコードし、モデルの Transformer オプションに保存します。これにより、動画サンプリング処理がノイズ除去の前に KV キャッシュをシードできるようになります。同じ text-to-video モデルチェックポイントを使用するため、別個の image-to-video アーキテクチャは必要ありません。

入力

パラメータ	説明	データ型	必須	範囲
`model`	生成に使用する AR 動画モデルです。	MODEL	はい	-
`vae`	開始画像を潜在空間にエンコードするために使用する VAE モデルです。	VAE	はい	-
`start_image`	生成される動画の最初のフレームとして使用される初期画像です。入力バッチ内の最初の画像のみが使用され、その RGB チャンネルのみがエンコードされます。	IMAGE	はい	-
`幅`	生成される動画フレームの幅（デフォルト: 832）。	INT	はい	16 〜 8192 （ステップ 16）
`高さ`	生成される動画フレームの高さ（デフォルト: 480）。	INT	はい	16 〜 8192 （ステップ 16）
`長さ`	生成される動画の総フレーム数（デフォルト: 81）。	INT	はい	1 〜 1024 （ステップ 4）
`バッチサイズ`	単一バッチで生成する動画シーケンスの数（デフォルト: 1）。	INT	はい	1 〜 64

注: 開始画像は、エンコードされる前に指定された width と height にリサイズされます。潜在時間次元は ((length - 1) // 4) + 1 として計算され、潜在空間の空間次元は height / 8 と width / 8 です。

出力

出力名	説明	データ型
`MODEL`	エンコードされた開始画像が Transformer オプション（`ar_config.initial_latent`）に保存されたクローンモデルです。サンプラーはこれを使用して、ノイズ除去前に KV キャッシュをシードします。	MODEL
`LATENT`	形状 `[batch_size, 16, lat_t, height // 8, width // 8]` のゼロ埋めされた潜在テンソルです。ここで `lat_t = ((length - 1) // 4) + 1` です。	LATENT

このドキュメントは AI によって生成されました。エラーを見つけた場合や改善のご提案がある場合は、ぜひ貢献してください！ GitHub で編集

Source fingerprint (SHA-256): 984834951b9d5a22aef51c85a5019fd8ba58cdb2d6fff235371ed29f316896d8