ARVideoI2V - ComfyUI Built-in Node Documentation

此节点为使用 Causal Forcing 或 Self-Forcing 的 AR（自回归）视频模型准备图像到视频生成设置。

此节点为使用 Causal Forcing 或 Self-Forcing 的 AR（自回归）视频模型准备图像到视频生成设置。它使用 VAE 将起始图像编码到潜空间，并将其存储在模型的 transformer 选项中，以便视频采样过程可以在去噪前初始化 KV 缓存。它使用相同的文本到视频模型检查点，因此无需单独的图像到视频架构。

​

输入

参数	描述	数据类型	必填	范围
模型	用于生成的 AR 视频模型。	MODEL	是	-
vae	用于将起始图像编码到潜空间的 VAE 模型。	VAE	是	-
起始图像	将作为生成视频第一帧的初始图像。仅使用输入批次中的第一张图像，并且仅编码其 RGB 通道。	IMAGE	是	-
宽度	生成视频帧的宽度（默认值：832）。	INT	是	16 到 8192 （步长：16）
高度	生成视频帧的高度（默认值：480）。	INT	是	16 到 8192 （步长：16）
长度	生成视频的总帧数（默认值：81）。	INT	是	1 到 1024 （步长：4）
批量大小	在单个批次中生成的视频序列数量（默认值：1）。	INT	是	1 到 64

注意：起始图像在编码前会调整到指定的 width 和 height。潜空间的时间维度计算为 ((length - 1) // 4) + 1，空间维度为 height / 8 和 width / 8。

​

输出

输出名称	描述	数据类型
MODEL	克隆后的模型，其中编码后的起始图像存储在其 transformer 选项（ar_config.initial_latent）中，采样器在去噪前使用它来初始化 KV 缓存。	MODEL
LATENT	一个全零填充的潜空间张量，形状为 [batch_size, 16, lat_t, height // 8, width // 8]，其中 lat_t = ((length - 1) // 4) + 1。	LATENT

本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！ 在 GitHub 上编辑

---

Source fingerprint (SHA-256): 984834951b9d5a22aef51c85a5019fd8ba58cdb2d6fff235371ed29f316896d8