今天展示的案例是一个基于Flux Canny 模型的 ComfyUI 工作流，它通过边缘检测来引导图像生成。整个流程结合了文本提示、Canny 算法的边缘信息以及 Flux 的生成能力，让图像在保持清晰结构的同时具备更高的细节还原度。这种方式不仅能够在动漫风格创作中展现独特的视觉效果，也能在真实场景的图像重建中提供可控性和精细度。工作流通过可视化节点的连接将输入图像、提示词与生成模型整合在一起，最终在预览和保存节点中展现完整的生成结果。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CLIPTextEncode 文本语义嵌入生成CLIPTextEncode (Negative Prompt) 负向语义控制FluxGuidance 文本嵌入调控使用方法应用场景开发与应用工作流介绍该工作流依托 Flux 系列模型的生成能力，结合 Canny 边缘检测算法，实现了从输入图像到高质量生成图像的完整链路。工作流利用 CLIP 和 T5 文本编码器提供条件输入，通过 Flux Guidance 调整生成过程的风格和方向，并借助 InstructPixToPixConditioning 结合输入图像的局部结构，最终由 KSampler 和 VAE 解码完成生成。核心模型在核心模型部分，工作流加载了多类模型，包括 UNet 作为生成的主体网络，VAE 用于潜变量与图像的互相转换，以及 CLIP 与 T5 双编码器为提示词提供语义条件支持。Canny 专用的 Flux 模型被用来结合边缘特征进行引导，使得生成的画面既能保留输入结构，又能呈现新的创作效果。整体模型组合保证了风格表达与结构一致性的平衡。模型名称说明flux1-canny-dev.safetensorsFlux 专用的 Canny 引导扩散模型，用于在生成过程中结合边缘信息增强结构控制ae.safetensorsVAE 解码模型，负责将潜空