ComfyUI-Advanced-ControlNet

用于在不同采样步数和批量潜变量之间调度 ControlNet 强度的节点，以及应用自定义权重和注意力掩码。这里的 ControlNet 节点完全支持滑动上下文采样，就像 ComfyUI-AnimateDiff-Evolved 节点中所使用的那样。目前支持 ControlNets、T2IAdapters、ControlLoRAs、ControlLLLite、SparseCtrls、SVD-ControlNets 和 Reference。

通过软权重（Soft Weights），自定义权重可以复现 Auto1111 的 sd-webui ControlNet 扩展中的“我的提示更重要”功能；而“ControlNet 更重要”功能则可以通过调整同一软权重上的 uncond_multiplier 来进行精细控制。

ControlNet 预处理节点可通过 comfyui_controlnet_aux 节点获得。

特性

• 采样步数与潜变量强度调度
• 注意力掩码
• 通过“软权重”复现 sd-webui-controlnet 扩展中的“我的提示更重要”功能，并可通过 base_multiplier 调整软化程度。
• 通过“软权重”上的 uncond_multiplier 复现 sd-webui-controlnet 扩展中的“ControlNet 更重要”功能。
  • 当 uncond_multiplier=0.0 时，结果与 auto1111 的原生功能完全一致；但介于 0.0 和 1.0 之间的值也可无碍使用，以更精细地控制该设置。
• 支持滑动上下文窗口的 ControlNet、T2IAdapter 和 ControlLoRA。
• 支持 ControlLLLite。
• 支持 ControlNet++。
• 支持 CtrLoRA。
  • 相关模型链接见 CtrLoRA GitHub 页面。
• 支持 SparseCtrl。
• 支持 SVD-ControlNet。
  • 由 CiaraRowles 训练的稳定视频扩散 ControlNets：深度、线稿。
• 支持 Reference。
  • 支持 reference_attn、reference_adain 和 reference_adain+attn 模式。style_fidelity 和 ref_weight 分别对应 Auto1111 中的 style_fidelity 和 control_weight，而 Apply ControlNet 的强度则决定了参考影响结果与无参考结果之间的平衡。此外，还有一个 Reference ControlNet（微调）节点，允许分别调整 style_fidelity、weight 以及 attn 和 adain 的强度。

目录：

• 调度说明
• 节点
• 使用方法（即将补充）

调度说明

调度的两个核心概念是“采样步数关键帧”和“潜变量关键帧”。

“采样步数关键帧”保存了指导 ControlNet 设置的数值，并根据其 start_percent 开始生效，start_percent 对应于采样过程的百分比。它们可以包含每个潜变量的强度掩码、control_net_weights 以及 latent_keyframes（每个潜变量的具体强度），这些都是可选的。

“潜变量关键帧”则决定特定潜变量上 ControlNet 的强度——它们仅包含潜变量的 batch_index 以及该潜变量应应用的 ControlNet 强度。作为一种概念，潜变量关键帧的效果等同于使用选定强度值的均匀掩码。

节点

此处提供的 ControlNet 节点包括“Apply Advanced ControlNet”和“Load Advanced ControlNet Model”（或 diff）节点。普通的 ControlNet 节点同样兼容，几乎可以互换使用——唯一的区别在于，要使用 Advanced 版本的 ControlNet，必须至少使用其中一个节点（这对于滑动上下文采样非常重要，例如 AnimateDiff-Evolved）。

符号说明：

• 🟩 — 必需输入
• 🟨 — 可选输入
• 🟦 — 默认为小部件，可转换为输入
• 🟥 — 可选输入/输出，但不建议在非必要情况下使用
• 🟪 — 输出

Apply Advanced ControlNet

功能与普通版的 Apply Advanced ControlNet（Advanced）节点相同，只是增加了 Advanced ControlNet 的特性。它会自动将来自 ControlNet 加载器的任何 ControlNet 转换为 Advanced 版本。

输入

• 🟩 positive：正向条件。
• 🟩 negative：反向条件。
• 🟩 control_net：已加载的 ControlNet；如果是受支持的类型，此节点会自动将其转换为 Advanced 版本。
• 🟩 image：用于引导 ControlNet 的图像——如果加载的 ControlNet 需要，这些必须是预处理过的图像。如果只提供一张图，将对所有潜变量使用同一张；如果提供了多张，则每张图分别应用于不同的潜变量。若提供的图片数量不足以覆盖所有潜变量，则会从头开始重复使用图片，以保持与普通 ControlNet 功能一致。
• 🟨 mask_optional：要应用于 ControlNet 的注意力掩码；基本上决定了 ControlNet 应用于图像的哪一部分（以及相对强度，如果掩码不是二值的）。与图像输入类似，若提供多于一个掩码，则每个掩码可应用于不同的潜变量。
• 🟨 timestep_kf：用于在整个采样过程中引导 ControlNet 效果的采样步数关键帧。
• 🟨 latent_kf_override：潜变量关键帧的覆盖设置，当不需要采样步数关键帧中的其他功能时非常有用。注意：此潜变量关键帧将应用于所有采样步数，无论是否有其他潜变量关键帧连接到相应的采样步数关键帧。
• 🟨 weights_override：权重的覆盖设置，当不需要采样步数关键帧中的其他功能时很有用。注意：此权重将应用于所有采样步数，无论是否有其他权重连接到相应的采样步数关键帧。
• 🟦 strength：ControlNet 的强度；1.0 为全强度，0.0 则完全无效。
• 🟦 start_percent：ControlNet 应开始应用的采样步骤百分比——无论采样步数关键帧设置了什么 start_percent，只有达到这个百分比后才会生效。
• 🟦 stop_percent：ControlNet 应停止应用的采样步骤百分比——无论采样步数关键帧设置了什么 start_percent，一旦达到这个结束百分比，ControlNet 就不再起作用。

输出

• 🟪 positive：应用了 ControlNet 后的正向条件。
• 🟪 negative：应用了 ControlNet 后的反向条件。

加载高级 ControlNet 模型

加载一个 ControlNet 模型，并将其转换为支持本仓库所有功能的高级版本。当与 应用高级 ControlNet 节点一起使用时，无需在此节点上使用 timestep_keyframe 输入——请改用“应用高级 ControlNet”节点上的 timestep_kf 输入。

输入

• 🟥timestep_keyframe：可选且通常不必要的输入，用于让 ControlNet 使用选定的时间步关键帧；除非确实需要，否则不应使用。如果此节点未连接到 应用高级 ControlNet 节点，但仍希望使用时间步关键帧，或者在相同情况下使用来自 ControlWeights 的 TK_SHORTCUT 输出，则此输入会很有用。如果在 应用高级 ControlNet 节点上提供了 timestep_kf 输入，则该输入将覆盖此处的 timestep_keyframe。
• 🟨model：要插入到差异版本节点中的模型。某些 ControlNet 是专门设计来接收模型的；如果你不清楚这个参数的作用，可能就不需要使用差异版本的节点。

输出

• 🟪CONTROL_NET：已加载的高级 ControlNet

时间步关键帧

基于设定的 start_percent，在各个时间步（采样步骤）上调度节点。通过串联多个时间步关键帧，可以按照百分比在采样步骤中创建 ControlNet 的时间步关键帧调度。

输入

• 🟨prev_timestep_kf：用于将多个时间步关键帧串联起来以形成调度。顺序并不重要——时间步关键帧会根据其 start_percent 自动排序。如果 prev_timestep_kf 中包含与当前时间步关键帧相同 start_percent 的关键帧，则会被覆盖。
• 🟨cn_weights：在此时间步关键帧生效期间应用于 ControlNet 的权重。必须与已加载的 ControlNet 兼容，否则会抛出错误，说明哪些权重类型是兼容的。如果 inherit_missing 为 True，且未传递 control_net_weight，则会尝试重用时间步关键帧调度中上次使用的权重。如果“应用高级 ControlNet”节点设置了 weight_override，则在采样过程中将使用 override 权重，而非 control_net_weight。
• 🟨latent_keyframe：在此时间步关键帧生效期间应用于 ControlNet 的潜在关键帧。如果 inherit_missing 为 True，且未传递 latent_keyframe，则会尝试重用时间步关键帧调度中上次使用的潜在关键帧。如果“应用高级 ControlNet”节点设置了 latent_kf_override，则在采样过程中将使用 override 潜在关键帧，而非 latent_keyframe。
• 🟨mask_optional：应用于 ControlNet 的注意力掩码；基本上决定了 ControlNet 应作用于图像的哪一部分（以及相对强度，如果掩码不是二值的）。与“应用高级 ControlNet”节点上的 mask_optional 相同，既可以对所有潜在变量应用同一张掩码，也可以为每个潜在变量单独指定掩码。如果 inherit_missing 为 True，且未传递 mask_optional，则会尝试重用时间步关键帧调度中上次使用的 mask_optional。它不会被“应用高级 ControlNet”节点上的 mask_optional 覆盖，而是会同时生效。
• 🟦start_percent：此时间步关键帧有资格被使用的采样步骤百分比。它是时间步关键帧调度中的“关键”。
• 🟦strength：ControlNet 的强度；基本上会将 ControlNet 的效果乘以此值，与“应用 ControlNet”节点上的强度叠加使用。如果设置为 0.0，则在此时间步关键帧生效期间不会产生任何效果，并且由于不进行任何计算，会加快采样速度。
• 🟦null_latent_kf_strength：为未在传入的潜在关键帧中指定的潜在变量分配的强度。如果没有传入潜在关键帧，或者在采样过程中潜在关键帧中没有未指定的 batch_indeces，则此参数无效。
• 🟦inherit_missing：决定是否从之前的时间步关键帧中重用未在此时间步关键帧中指定的可选值（control_net_weights、latent_keyframe 和 mask_option）。如果只想继承特定的输入，请使用默认值。
• 🟦guarantee_steps：当设置为 1 或更大时，即使调度中排在此时间步关键帧之前的某个关键帧的 start_percent 更接近当前采样百分比，此时间步关键帧仍会在接下来的指定步骤内继续生效，然后再切换到下一个选定的时间步关键帧。无论该时间步关键帧是否被使用，其输入仍将用于 inherit_missing 目的。

输出

• 🟪TIMESTEP_KF：创建的时间步关键帧，可以链接到另一个时间步关键帧或作为时间步关键帧输入。

时间步关键帧插值

允许在给定的百分比范围内创建具有插值强度值的时间步关键帧。（生成的第一个关键帧将具有 guarantee_steps=1，后续的关键帧则为 guarantee_steps=0）。

输入

• 🟨prev_timestep_kf：用于将多个时间步关键帧串联起来，形成一个调度表。输入顺序无关紧要——时间步关键帧会根据其 start_percent 自动排序。如果 prev_timestep_keyframe 中包含与当前时间步关键帧相同 start_percent 的关键帧，则会被覆盖。
• 🟨cn_weights：在该时间步关键帧生效期间应用于 ControlNet 的权重。必须与已加载的 ControlNet 兼容，否则会抛出错误，说明哪些权重类型是兼容的。如果 inherit_missing 为 True，且未传入 control_net_weight，则会尝试复用时间步关键帧调度表中上次使用的权重。如果“应用高级 ControlNet”节点设置了 weight_override，则在采样时将使用 weight_override，而非 control_net_weight。
• 🟨latent_keyframe：在该时间步关键帧生效期间应用于 ControlNet 的潜在关键帧。如果 inherit_missing 为 True，且未传入 latent_keyframe，则会尝试复用时间步关键帧调度表中上次使用的潜在关键帧。如果“应用高级 ControlNet”节点设置了 latent_kf_override，则在采样时将使用 latent_lf_override，而非 latent_keyframe。
• 🟨mask_optional：应用于 ControlNet 的注意力掩码；基本上决定了 ControlNet 应作用于图像的哪一部分（以及相对强度，如果掩码不是二值的）。与“应用高级 ControlNet”节点上的 mask_optional 相同，可以为所有潜在变量应用同一张掩码，也可以为每个潜在变量指定单独的掩码。如果 inherit_missing 为 True，且未传入 mask_optional，则会尝试复用时间步关键帧调度表中上次使用的 mask_optional。它不会被“应用高级 ControlNet”节点上的 mask_optional 覆盖，而是会同时使用。
• 🟦start_percent：第一个生成的时间步关键帧符合使用条件的采样步骤百分比。
• 🟦end_percent：最后一个生成的时间步关键帧符合使用条件的采样步骤百分比。
• 🟦strength_start：范围开始处时间步关键帧的强度。
• 🟦strength_end：范围结束处时间步关键帧的强度。
• 🟦interpolation：插值方法。
• 🟦intervals：总共要生成的关键帧数量——第一个的关键帧的 start_percent 等于 start_percent，最后一个的关键帧的 start_percent 等于 end_percent。
• 🟦null_latent_kf_strength：为未在传入的 latent_keyframes 中列出的潜在变量分配的强度。如果没有传入 latent_keyframes，或者在采样时 latent_keyframes 中没有未列出的 batch_indeces，则此参数无效。
• 🟦inherit_missing：决定是否应从先前的时间步关键帧中复用可选值（control_net_weights、latent_keyframe 和 mask_option），这些值在当前时间步关键帧中未包含。若仅需继承特定输入，请使用默认输入。
• 🟦print_keyframes：如果为 True，则会打印由该节点生成的时间步关键帧，用于调试目的。

输出

• 🟪TIMESTEP_KF：创建的时间步关键帧，可将其链接到另一个关键帧，或作为时间步关键帧输入使用。

从列表创建时间步关键帧

允许通过浮点数列表创建时间步关键帧，例如使用 ComfyUI_FizzNodes 节点中的“批量数值调度”。（第一个生成的关键帧将具有 guarantee_steps=1，后续的关键帧则为 guarantee_steps=0。）

输入

• 🟨prev_timestep_kf：用于将多个时间步关键帧串联起来，形成一个调度表。输入顺序无关紧要——时间步关键帧会根据其 start_percent 自动排序。如果 prev_timestep_keyframe 中包含与当前时间步关键帧相同 start_percent 的关键帧，则会被覆盖。
• 🟨cn_weights：在该时间步关键帧生效期间应用于 ControlNet 的权重。必须与已加载的 ControlNet 兼容，否则会抛出错误，说明哪些权重类型是兼容的。如果 inherit_missing 为 True，且未传入 control_net_weight，则会尝试复用时间步关键帧调度表中上次使用的权重。如果“应用高级 ControlNet”节点设置了 weight_override，则在采样时将使用 weight_override，而非 control_net_weight。
• 🟨latent_keyframe：在该时间步关键帧生效期间应用于 ControlNet 的潜在关键帧。如果 inherit_missing 为 True，且未传入 latent_keyframe，则会尝试复用时间步关键帧调度表中上次使用的潜在关键帧。如果“应用高级 ControlNet”节点设置了 latent_kf_override，则在采样时将使用 latent_lf_override，而非 latent_keyframe。
• 🟨mask_optional：应用于 ControlNet 的注意力掩码；基本上决定了 ControlNet 应作用于图像的哪一部分（以及相对强度，如果掩码不是二值的）。与“应用高级 ControlNet”节点上的 mask_optional 相同，可以为所有潜在变量应用同一张掩码，也可以为每个潜在变量指定单独的掩码。如果 inherit_missing 为 True，且未传入 mask_optional，则会尝试复用时间步关键帧调度表中上次使用的 mask_optional。它不会被“应用高级 ControlNet”节点上的 mask_optional 覆盖，而是会同时使用。
• 🟩float_strengths：一个浮点数列表，对应每个时间步关键帧的强度；第一个将分配给 start_percent，最后一个将分配给 end_percent，其余按线性方式均匀分布。
• 🟦start_percent：第一个生成的时间步关键帧符合使用条件的采样步骤百分比。
• 🟦end_percent：最后一个生成的时间步关键帧符合使用条件的采样步骤百分比。
• 🟦null_latent_kf_strength：为未在传入的 latent_keyframes 中列出的潜在变量分配的强度。如果没有传入 latent_keyframes，或者在采样时 latent_keyframes 中没有未列出的 batch_indeces，则此参数无效。
• 🟦inherit_missing：决定是否应从先前的时间步关键帧中复用可选值（control_net_weights、latent_keyframe 和 mask_option），这些值在当前时间步关键帧中未包含。若仅需继承特定输入，请使用默认输入。
• 🟦print_keyframes：如果为 True，则会打印由该节点生成的时间步关键帧，用于调试目的。

输出

• 🟪TIMESTEP_KF：创建的时间步关键帧，可将其链接到另一个关键帧，或作为时间步关键帧输入使用。

隐变量关键帧

单个隐变量关键帧，用于为特定的 batch_index 选择强度。如果采样过程中不存在该 batch_index，则不会产生任何效果。可以与其他任何隐变量关键帧类型的节点串联，以创建隐变量关键帧序列。

输入

• 🟨prev_latent_kf：用于将多个隐变量关键帧串联起来形成序列。如果 prev_latent_kf 中包含的某个隐变量关键帧与当前隐变量关键帧具有相同的 batch_index，那么它将优先于当前节点的值。
• 🟦batch_index：批次中应用 ControlNet 强度的隐变量索引。在隐变量关键帧序列中充当“键”。
• 🟦strength：应用于相应隐变量的 ControlNet 强度。

输出

• 🟪LATENT_KF：生成的隐变量关键帧，可链接到其他节点或作为隐变量关键帧输入。

隐变量关键帧组

允许通过单独的索引或 Python 风格的范围来创建隐变量关键帧。

输入

• 🟨prev_latent_kf：用于将多个隐变量关键帧串联起来形成序列。如果 prev_latent_kf 中包含的任何隐变量关键帧与当前隐变量关键帧具有相同的 batch_index，那么它们将优先于本节点的版本。
• 🟨latent_optional：预计传入进行采样的隐变量；仅当您希望使用负索引时才需要（会自动转换为实际值）。
• 🟦index_strengths：一个字符串列表，包含要分配强度的索引或 Python 风格的索引范围。如果传入了 latent_optional，则可以包含负索引或包含负数的 Python 风格范围。不同的索引必须用逗号分隔。可以通过 batch_index=strength 的形式指定单个隐变量，例如 0=0.9。范围可以通过 start_index_inclusive:end_index_exclusive=strength 的形式指定，例如 0:8=strength。当 latent_optional 有输入时，也可以使用负索引，例如 0,-4=0.25。
• 🟦print_keyframes：如果为真，则会打印由该节点生成的隐变量关键帧，以便调试。

输出

• 🟪LATENT_KF：生成的隐变量关键帧，可链接到其他节点或作为隐变量关键帧输入。

隐变量关键帧插值

允许在一定范围内创建具有插值强度的隐变量关键帧。

输入

• 🟨prev_latent_kf：用于将多个隐变量关键帧串联起来形成序列。如果 prev_latent_kf 中包含的任何隐变量关键帧与当前隐变量关键帧具有相同的 batch_index，那么它们将优先于本节点的版本。
• 🟦batch_index_from：范围的起始 batch_index，包含在内。
• 🟦batch_index_to：范围的结束 batch_index，不包含在内（Python 风格的范围）。
• 🟦strength_from：插值的起始强度。
• 🟦strength_to：插值的结束强度。
• 🟦interpolation：插值方法。
• 🟦print_keyframes：如果为真，则会打印由该节点生成的隐变量关键帧，以便调试。

输出

• 🟪LATENT_KF：生成的隐变量关键帧，可链接到其他节点或作为隐变量关键帧输入。

从列表创建隐变量关键帧

允许通过浮点数列表创建隐变量关键帧，例如结合 ComfyUI_FizzNodes 节点中的批量数值调度功能。

输入

• 🟨prev_latent_kf：用于将多个隐变量关键帧串联起来形成序列。如果 prev_latent_kf 中包含的任何隐变量关键帧与当前隐变量关键帧具有相同的 batch_index，那么它们将优先于本节点的版本。
• 🟩float_strengths：一个浮点数列表，对应每个隐变量关键帧的强度；batch_index 即为列表中每个浮点数值的索引。
• 🟦print_keyframes：如果为真，则会打印由该节点生成的隐变量关键帧，以便调试。

输出

• 🟪LATENT_KF：生成的隐变量关键帧，可链接到其他节点或作为隐变量关键帧输入。

还有更多的节点需要文档化并展示其用法——很快就会添加！ 待办事项

ComfyUI-Advanced-ControlNet 快速上手指南

ComfyUI-Advanced-ControlNet 是一个增强型 ControlNet 节点包，支持在采样时间步（Timesteps）和批次潜变量（Batched Latents）上调度 ControlNet 强度，应用自定义权重及注意力掩码。它完美支持滑动上下文采样（Sliding Context Sampling），适用于动画生成（如配合 AnimateDiff-Evolved），并复刻了 Auto1111 中“提示词更重要”和"ControlNet 更重要”的高级控制功能。

环境准备

系统要求

• 操作系统: Windows, Linux, macOS
• Python: 3.10 或更高版本（推荐与 ComfyUI 官方环境一致）
• ComfyUI: 已安装最新版本的 ComfyUI 主程序
• 显卡: 推荐使用 NVIDIA GPU (CUDA) 以获得最佳性能，AMD (ROCm) 或 Apple Silicon 也可运行

前置依赖

本插件依赖以下核心组件，请确保已安装：

1. ComfyUI 主程序: 基础运行环境。
2. comfyui_controlnet_aux: 用于提供 ControlNet 预处理器（如 Canny, Depth 等）。
   • 仓库地址: https://github.com/Fannovel16/comfyui_controlnet_aux
3. 模型文件: 需自行下载所需的 ControlNet 模型、T2IAdapter 或 ControlLoRA 模型至 ComfyUI/models/controlnet/ 目录。

国内加速建议:

• 克隆仓库时可使用 Gitee 镜像（如有）或在命令前添加代理。
• 模型下载推荐使用 Hugging Face 国内镜像站（如 hf-mirror.com）或 ModelScope。

安装步骤

方法一：通过 ComfyUI Manager 安装（推荐）

如果您已安装 ComfyUI-Manager 插件：

1. 启动 ComfyUI，点击右侧菜单的 "Manager" 按钮。
2. 选择 "Install Custom Nodes"。
3. 在搜索框输入 Advanced-ControlNet。
4. 找到 ComfyUI-Advanced-ControlNet (作者：Kosinkadink)，点击 Install。
5. 安装完成后重启 ComfyUI。

方法二：手动命令行安装

进入 ComfyUI 的 custom_nodes 目录，执行以下命令：

cd ComfyUI/custom_nodes
git clone https://github.com/Kosinkadink/ComfyUI-Advanced-ControlNet.git

若网络受限，可使用国内加速代理：

cd ComfyUI/custom_nodes
git clone https://ghproxy.com/https://github.com/Kosinkadink/ComfyUI-Advanced-ControlNet.git

安装完成后，重启 ComfyUI 以加载新节点。

基本使用

本插件的核心在于使用 Apply Advanced ControlNet 节点替代原生的 Apply ControlNet 节点，以实现更精细的控制。

最简单的工作流示例

1. 加载模型:

   • 使用 Load Advanced ControlNet Model 节点加载你的 ControlNet 模型（例如 control_v11p_sd15_canny.pth）。
   • 注意：该节点会自动将普通模型转换为高级版本。

2. 准备图像:

   • 使用 Load Image 加载参考图。
   • （可选）使用 Preprocessor 节点（来自 comfyui_controlnet_aux）对图像进行预处理（如提取边缘）。

3. 应用控制:

   • 添加 Apply Advanced ControlNet 节点。
   • positive/negative: 连接你的正向和反向提示词条件（Conditioning）。
   • control_net: 连接第 1 步加载的模型。
   • image: 连接第 2 步的图像（或预处理后的图像）。
   • strength: 设置控制强度（默认 1.0）。
   • start_percent / stop_percent: 设置控制在采样过程中的生效区间（例如 0.0 到 0.8 表示在前 80% 步骤生效）。

4. 生成图像:

   • 将 Apply Advanced ControlNet 输出的 positive 和 negative 连接到 KSampler。
   • 连接 VAE Decode 和 Save Image 节点即可生成结果。

进阶功能速览

• 时间步调度 (Timestep Scheduling): 使用 Timestep Keyframe 节点串联，可以在采样的不同阶段动态改变 ControlNet 强度。例如：前期强控制构图，后期弱控制以保留细节。

• 模拟 Auto1111 高级权重: 在 Timestep Keyframe 或相关权重节点中：

  • 调整 base_multiplier 可模拟 "My prompt is more important"（提示词更重要）。
  • 调整 uncond_multiplier (设为 0.0) 可模拟 "ControlNet is more important"（ControlNet 更重要），也可在 0.0-1.0 间微调。

• 滑动上下文 (Sliding Context): 当与 AnimateDiff-Evolved 配合制作视频时，本插件自动支持滑动窗口采样，无需额外配置即可实现长视频的一致性控制。

节点连接示意

[Load Advanced ControlNet Model] --> (control_net) [Apply Advanced ControlNet] --> (positive/negative) [KSampler]
                                           ^
                                           | (image)
                                     [Load Image / Preprocessor]

通过以上步骤，您即可开始使用 ComfyUI-Advanced-ControlNet 进行高精度的图像生成控制。更多复杂调度（如 Latent Keyframes）可在熟悉基础用法后尝试。