今天带来的是一个基于ComfyUI的工作流展示，该流程的目标是通过加载扩散模型与VAE组件，对输入图像进行潜在空间的编码与解码，再结合采样器、调度器以及条件控制实现生成与变换。效果图能够直观展现输入图像如何在潜在层级被重构与翻转，最终输出结果存储到指定目录中。整个过程展示了从模型加载到结果保存的完整链路，使得初学者能够快速理解 ComfyUI 工作流在实际图像生成任务中的运行方式。文章目录工作流介绍核心模型Node节点工作流程大模型应用LotusConditioning 生成语义的核心控制入口使用方法应用场景开发与应用工作流介绍该工作流由扩散模型、变分自编码器（VAE）、调度采样器与图像处理节点共同构成。整体设计通过UNet 扩散模型负责核心生成逻辑，VAE 模型实现图像与潜在空间的双向映射，而Conditioning 与 Sampler的组合则保证了生成过程中条件约束与迭代更新的稳定性。最终配合图像翻转与保存节点，实现了可调节参数下的多样化输出。这种结构为图像编辑、风格迁移与潜在表示探索提供了灵活的实验路径。核心模型工作流核心依赖于两个关键模型：一是Lotus 深度扩散模型，负责潜在空间的生成推理；二是VAE 模型，保障了图像与潜在表示之间的高保真映射。扩散模型在引导条件的作用下完成去噪和重建，而VAE则在潜在与像素之间提供高效桥梁。模型名称说明lotus-depth-d-v1-1.safetensors用于深度引导的扩散模型，支持潜在空间生成与多轮迭代采样vae-ft-ms