ComfyUI的节点式工作流中，Latent Composite是一个容易被低估的功能。很多用户习惯在像素空间里处理图像拼接，却忽略了潜空间操作带来的巨大灵活度。Latent Composite节点允许我们在VAE编码后的潜变量张量上直接做区域复制与覆盖，从源头上决定扩散模型看到的输入结构。这种操作与像素级拼接完全不同，它保留了图像内隐含的语义关系，使得最终生成结果在物体比例、光影一致性以及细节过渡上都能维持稳定。
要真正用好这个节点，需要理解潜空间变量是如何组织的，以及节点各参数在张量层面究竟做了什么。下面先厘清潜空间的基本原理，再深入分析节点行为，最后通过一个具体的工作流演示组合过程。
潜空间到底在做什么
潜空间是VAE编码器把高维像素压缩后得到的低维特征空间。在Stable Diffusion这类模型中，一张512×512的彩色图片会被编码为64×64×4的潜变量张量，其中每个位置保留了局部纹理、物体轮廓以及色彩分布等抽象特征。扩散模型在这个紧凑空间里进行去噪，效率远高于直接操作像素。Latent Composite的操作对象正是这种张量，因此它不像图像合成那样简单叠加透明通道，而是直接修改生成模型“眼中”的底层数据。
在潜空间里做拼接的一个显著优势是语义一致性。当两幅潜变量被放置在同一个张量中时，后续的采样过程会自动协调它们之间的边界。比如左侧是人物，右侧是风景，潜空间拼接后扩散模型可能在前景与背景之间生成符合透视关系的过渡带。相比之下，像素空间的硬切边会在生成过程中被模型视为异物，从而产生违和感。
另一个关键点是效率。潜变量张量尺寸只有像素尺寸的约1/64，复制、裁剪或移位操作的内存开销极低。即使一次拼接数十个区域，在显存占用上也远小于高分辨率的图片处理。这让批量生成多角色组合、场景分层成为可能，而无需担心GPU内存溢出。
Latent Composite 节点的工作机制
Latent Composite 节点接收两个关键输入：基础潜变量 samples1 和待粘贴的潜变量 samples2。它的本质是把 samples2 中选取的区域裁剪下来，覆盖到 samples1 指定的坐标位置。节点提供 x、y 参数控制粘贴起始点，size 参数则决定从 samples2 中复制多大尺寸的区域。size 通常可以选择 none 或 original，前者表示不缩放直接使用原始张量，后者根据目标区域自动调整尺寸。部分较新的实现还允许手动输入宽高值，这为精确控制拼接区域提供了更多灵活性。
需要注意的是，这里的坐标单位是潜空间像素。由于潜变量分辨率远低于原始图像，坐标换算不能按照 1:1 进行。如果希望把一张 512×512 图像中的某个 256×256 的区块复制到另一张图，那么潜空间坐标大约是原始像素坐标除以 8。忽略这一点会导致粘贴的位置偏移，甚至超出张量边界。
Latent Composite 节点并不做柔化混合，它执行的是硬覆盖。也就是说 samples2 的像素值会直接替换目标区域的原有数值。如果想要实现半透明过渡或遮罩控制，需要配合 Latent Composite Masked 节点。Masked 版本额外接受一个遮罩输入，允许在粘贴时根据遮罩的灰度值计算混合比例，从而产生柔和的边缘。在很多工作流里，硬覆盖用于快速摆盘，Masked 版本则用于精细修整。
从工作流看潜变量拼接的实战操作
下面用一个实际工作流来说明如何借助 Latent Composite 将两个人物的潜变量组合到同一张画面中。假设已经通过文本生成或图像重绘得到了两个独立的人物潜变量：left_latent 和 right_latent，它们分别表示站立在画面两侧的角色。我们希望把 right_latent 覆盖到一张空白背景潜变量的右半部分，同时保留左侧人物。
ComfyUI 的 API 格式中，这个操作对应的节点配置如下：
{
"class_type": "LatentComposite",
"inputs": {
"samples1": ["encode_1", 0],
"samples2": ["encode_2", 0],
"x": 32,
"y": 0,
"size": "original"
}
}
其中 encode_1 和 encode_2 分别是两个人物图像的编码结果，x=32、y=0 表示把 samples2 从潜空间坐标 (32, 0) 处开始覆盖。如果潜变量尺寸是 64×64，那么 32 恰好对应原始像素 256 的水平偏移，适合将右半边内容放置到左侧人物右侧。size 选择 original 表示不改变样本自身的尺寸，直接使用完整潜变量。
这里的核心技巧是如何控制背景。通常可以先通过 CLIP 文本编码生成一个空白场景的潜变量，再把人物粘贴上去。例如用 “empty stage, plain background” 作提示词得到背景潜变量 base_latent，然后分别把两个人物的区域粘贴进去。如果粘贴后出现明显的边界纹路，可以在后续的 KSampler 采样时加入适当噪声，让扩散模型平滑处理整个潜变量。经验表明，初始 denoise 强度设置在 0.55 到 0.65 之间，能够有效消除生硬接缝。
进阶技巧与常见误区
很多人第一次使用 Latent Composite 时，直接把像素尺寸当作潜空间坐标，导致粘贴区域偏移。请记住，标准模型的潜变量尺寸始终是像素尺寸除以8。在设置 x、y 参数前，最好先用 VAE Encode 节点查看 latent 张量的 shape，明确高度和宽度。比如 512×768 的图像编码后是 64×96，如果要把一个位于原始像素 (256, 384) 的对象移动到另一个位置，那么潜空间坐标大约为 (32, 48)。这个换算关系在放大模型或分块采样时同样适用。
另一个常见的误区是认为 Latent Composite 可以做像素级混合。实际上它只实现硬替换，若需要透明度渐变，务必选择 Masked 变体。通过绘制遮罩，可以让粘贴区域在某些位置完全不透明，在其他位置逐渐透明。遮罩的尺寸必须与潜变量一致，如果使用图像遮罩，需要先对遮罩做 VAE 编码或调整尺寸。ComfyUI 中有 Load Image（遮罩）配合 Transform Latent 节点的方法，能直接调整遮罩到目标张量大小。
关于边界优化，推荐在处理完潜变量组合后，接一个 Mask 边缘模糊或者加入少量高斯噪声的节点。噪声幅度一般控制在潜变量标准差的 5% 以内，这样不会破坏整体结构，又能打散粘贴造成的硬边。最后再送入采样器进行去噪。这种“先组合，后去噪”的思路，实际上让扩散模型隐式地完成了融合工作，比任何像素级羽化算法都要自然。
通过掌握潜空间坐标换算、理解硬覆盖与遮罩混合的差异，并适当控制采样参数，Latent Composite 就能成为你组合复杂场景的利器。真正高效的工作流，往往不是事无巨细地绘制每个细节，而是在潜空间层面大胆布局，再让扩散模型替你完成精细过渡。这也是 ComfyUI 潜空间操作最值得深入探索的地方。
ComfyUILatent Composite潜空间修改时间：2026-08-25 02:59:51