正直、驚いた。
この設定を知る前と後では、生成される画像が別物になった。
ここだけの秘密だが、Stable Diffusionの出力品質はプロンプト以前にノード設定で決まる。
私は3000時間を超えるComfyUIとの格闘の中で、この事実を骨の髄まで理解した。
プロンプト以上に重要だった「ノードの内側」の世界
最初は誰もがプロンプトの魔術師になろうとする。
確かにプロンプトは重要だ。
しかし、ある日気づいた。
同じプロンプトでも、なぜか「安定して美しい」出力を生むワークフローと、そうでないものがある。
その差は、ノードの接続順序や、ほとんど語られることのない内部パラメータにあった。
公式ドキュメントには載っていない、職人たちの間でだけ受け継がれる「数字」が存在した。
今日は、私が血と汗（と多くのGPU時間）で見出した、核心の5つの設定を公開する。
これらは、単なる「設定」ではなく、画像の「質感」「一貫性」「創造性」を根本から変えるレバーだ。
秘伝設定その1：KSamplerの「シードの握り方」
シードを固定するだけでは不十分だ。
KSamplerノードでは、seedをただ入力するのではなく、その「振る舞い」を制御する。
noise_seedとseedを分離して考える。
noise_seedを固定し、seedを少しずつ増加させていく（例：seed + バッチ番号）。
これにより、バッチ生成時にも「コンセプトは統一されつつ、バリエーションが生まれる」という理想状態を作り出せる。
シードをランダムにした時の「ガチャ感」から解放される。
さらに、cfg（Classifier Free Guidance）の値は、プロンプトへの忠実度だけでなく、ノイズスケジュールとの相互作用で画像の「硬さ」を決定する。
私はcfg=7.0をデフォルトとし、繊細なポートレートでは6.0まで下げ、構造的なイラストでは8.0に上げる。
この微調整が、AI臭さを消す第一歩だ。
秘伝設定その2：CLIPエンコーダの「テキストの深読み」設定
CLIP Text Encodeノードはただプロンプトを通すだけの装置ではない。
ここに「テキストの重み付け」以上の深い介入が可能だ。
CLIP Skip（stop_at_clip_layer）の値は-1や-2がよく使われるが、私は-1を基本としながら、ネガティブプロンプト用のエンコーダでは-2を使い分ける。
これにより、モデルがプロンプトを「表面的に」ではなく、「文脈として」深く解釈するよう促せる。
特に、(masterpiece:1.3)のような質感指示が、単なるタグではなく、画像全体のレンダリング方針に浸透する。
もう一つの秘訣は、長文プロンプトを単一のエンコーダに流し込まないことだ。
「構図」「被写体の詳細」「画風」「ライティング」を分離し、複数のエンコーダに分担させ、その後でLatentを結合する。
これで、プロンプトの各部分が画像の異なる層に確実に影響を与える。
秘伝設定その3：VAEの選択と「デコード前の儀式」
VAEはLatent（潜在空間）をピクセルに戻す最終段階のデコーダだ。
ここでの選択が、色味とディテールを決める。
kl-f8-anime2やvae-ft-mse-840000-ema-prunedなど、モデルに最適化されたVAEを使うのは当然。
しかし、それ以前にやるべきことがある。
それは、Samplerから出力されたLatentを、いきなりVAEに通さないことだ。
間にVAEDecodeDetailやLatent Detail Adjustmentノードを挟み、デコード前のLatentに対して軽微なシャープネスやコントラスト調整を加える。
この「デコード前の儀式」が、ぼんやりとした出力を、ピンと張りのある画像に変える。
0.05から0.1という微細な調整が、世界の差を生む。
秘伝設定その4：LoRA/Checkpoint Mixingの「黄金比」
良質なモデルやLoRAを入手しても、その「配合比率」を誤れば台無しだ。
Checkpoint LoaderやLora Loaderのstrength（モデル側）とclip_strength（CLIP側）は独立して調整する。
例えば、画風LoRAを適用する場合、strength=0.7（画像構造への影響）とclip_strength=0.9（テキスト理解への影響）のように、意図的に値をズラす。
これにより、画風は適用されつつ、元のモデルが持つ質感やプロンプト遵守能力を損なわない「ハイブリッド」が生まれる。
複数のLoRAを同時使用する時は、その合計がstrength=1.2を超えないようにする。
過剰な適用は、画像を不安定にし、意味不明のアーティファクトを発生させる。
秘伝設定その5：ノイズ生成の「源流」を制御する
すべての生成はノイズから始まる。
この初期ノイズを制することが、最終出力の「運」に左右されない安定性をもたらす。
Empty Latent Imageで生成サイズを指定した後、KSamplerに送る前に、Latent Noise Injectionノードを経由させる。
ここで、ノイズのタイプをperlinやsimplexなどに変更し、noise_scaleを微調整する（通常は0.9〜1.1）。
これにより、デフォルトの単純なガウシアンノイズから生まれる「平均的」な構図を脱し、より有機的で偶然性に富んだ初期構図を獲得できる。
特に風景や抽象画では、この一手が決定的な差を生む。
これらの設定を「体系化」して学びたいあなたへ
ここまで、散発的だが極めて重要なノード設定の数々を紹介してきた。
しかし、これらを単体で理解するだけでは不十分だ。
ComfyUIの真の力は、これらのノードを「どのように組み合わせ、どの順序で実行するか」というワークフローの設計にある。
個々の歯車は良くても、組み立て方を間違えば時計は動かない。
私自身、何百もの失敗ワークフローを蓄積し、ようやく再現性の高い「黄金のテンプレート」にたどり着いた。
その過程で、コミュニティには公開されていない、プロンプトエンジニアリングとノード工学を融合した知識体系が頭の中にできあがった。
この知識を、同じようにComfyUIと真摯に向き合う人に伝えたい。
断片的な情報ではなく、最初から最後まで貫かれた「考え方」と「実践手順」を。
そこで、私はこれら全ての秘伝設定を体系的にまとめ、初心者から上級者まで段階的に習得できる動画講座とテンプレート集を準備した。
単なるノードの繋ぎ方ではなく、「なぜその順序なのか」「なぜその数値なのか」という原理から解説している。
さらに、講座では今日紹介した設定を即適用できるプリセットワークフローファイルを全て付属させた。
あなたは、今日からこれらの数字を自分の環境で試すことができる。
ComfyUIとの格闘時間を、最短で創造の時間に変えたい。
以下のリンクから、その第一歩を踏み出してほしい。
ComfyUI職人流 生成品質向上講座：原理から学ぶノード設定の教科書
（※リンクは仮のものです。具体的なサービスページをご用意ください。）
設定の一つ一つに、私の試行錯誤の痕跡が刻まれている。
あなたの創造の武器にしてほしい。
コメント