FreeU_V2模型重加权节点
不需要苦思冥想提示词，
不需要一点点调试采样方法，
不需要到处找更好看的模型，
不需要繁杂的节点串联，
甚至几乎不需要更多的运算时间和资源占用。
任何工作流的基础上都可以照此方法提升出图质量。
天下真的有免费的午餐？
——freeU节点&freeU_v2节点讲解。
01
—
FreeU使用介绍
先来一张对比图
 |  |
房子前的地面多了草丛等细节，整体还多了很多自然的阴影
在使用完全一样的基础提示词，完全一样的采样方法，完全一致的随机种子的情况下。出图的总体质量尤其是细节有了明显的提升。
而区别仅仅是第二个流程在model后增加freeU节点
那么这个节点的参数怎么用呢？原理又是如何的呢？
原理相对学术，我先把原文贴出来：
FreeU发现一种策略，即在模型的扩散推理阶段，设计了两个专门的调制因子，其中一个因子称为backbone特征因子，用来放大backbone的特征图效应，从而加强去噪过程，同时为了防止去噪带来的过度纹理平滑，第二个因子被设计为跳连特征缩放因子，用来进行权衡调节。
简单来说是这个策略找到了出图过程中的“小窍门”，通过提升“backbone特征（b1,b2）”可以在迅速提升出图质量，与此同时画面会失衡比如往往会偏暗过饱和等，此时配合调低“跳连特征缩放因子（S1,S2）”，会使画面整体更加顺滑。
当b1,b2调节过高时的~
但是S1和S2调节对于出图质量并不会有显著区别：
官网例子
对于不同的图像和模型，最适合的参数并不固定，还需要自己调整适应。
官网也给了一些通用场景参数供大家参考：
SD1.4: （will be updated soon）
b1: 1.3, b2: 1.4, s1: 0.9, s2: 0.2
SD1.5: (will be updated soon）
b1: 1.5, b2: 1.6, s1: 0.9, s2: 0.2
SD2.1
b1: 1.1, b2: 1.2, s1: 0.9, s2: 0.2
b1: 1.4, b2: 1.6, s1: 0.9, s2: 0.2
SDXL
b1: 1.3, b2: 1.4, s1: 0.9, s2: 0.2 SDXL results
Range for More Parameters
When trying additional parameters, consider the following ranges:
b1: 1 ≤ b1 ≤ 1.2
b2: 1.2 ≤ b2 ≤ 1.6
s1: s1 ≤ 1
s2: s2 ≤ 1
02
—
使用技巧和总结
1. 如何快速找到适合自己的参数？
可以先调整到全1参数：
这时你会发现生成的图像和原图一样，这时再上下调节b，s参数就比较容易找到适合自己的参数啦
2. 这个模型是万能的吗？
是万能的，在任何场景，比如文生图，图片重绘，动画生成，3D生成都可以很好的增强画面细节和质量，并且几乎没有性能损耗！
但是：
如果你的图像本身由于提示词到位，采样方法适当，出图质量已经很高了，这时再使用这个节点，你会发现效果并不明显。要记住这个节点的原理是“捷径”，当你已经达到了一定的上限时，“捷径”的效果自然就不那么明显了。
可以看到，出图效果并没有明显差距
那么应用场景也很明显了：
在出图前期优化，如还没有明确想法，刚开始调试提示词时。
在批量工具工作流处理时，比如批量替换背景，图片融合修复时等难以精细控制每一张图片效果时，都可以加上这个节点。
3. FreeU 和 FreeU_V2有什么区别？
没有本质区别，FreeU论文作者在隔了一段时间后，更新了他的论文，优化了策略算法，据他说可以优化生成速度和质量。
因此comfyUI的作者也据此做了FreeU_V2节点。