VOIDInpaintConditioning - ComfyUI Built-in Node Documentation

VOIDInpaintConditioning 节点用于准备使用 CogVideoX 模型进行修复（inpainting）所需的 conditioning 数据。

VOIDInpaintConditioning 节点用于准备使用 CogVideoX 模型进行修复（inpainting）所需的 conditioning 数据。它接收源视频和预处理后的 quadmask，通过 VAE 编码，并将它们组合成一个 32 通道的 conditioning 信号（16 通道来自 mask，16 通道来自 masked video），模型使用该信号来填充遮罩区域。

​

输入

参数	描述	数据类型	必需	范围
positive	要添加修复潜在信息的正向 conditioning	CONDITIONING	是	-
negative	要添加修复潜在信息的负向 conditioning	CONDITIONING	是	-
vae	用于将 mask 和 masked video 编码到潜在空间的 VAE 模型	VAE	是	-
video	源视频帧 [T, H, W, 3]	IMAGE	是	-
quadmask	来自 VOIDQuadmaskPreprocess 的预处理 quadmask [T, H, W]	MASK	是	-
width	视频和 mask 调整到的宽度（默认值：672）	INT	是	16 到 MAX_RESOLUTION（步长：8）
height	视频和 mask 调整到的高度（默认值：384）	INT	是	16 到 MAX_RESOLUTION（步长：8）
length	要处理的像素帧数。对于 CogVideoX-Fun-V1.5（patch_size_t=2），latent_t 必须为偶数——产生奇数 latent_t 的长度会向下取整（例如 49 → 45）（默认值：45）	INT	是	1 到 MAX_RESOLUTION（步长：1）
batch_size	输出噪声 latent 的批大小（默认值：1）	INT	是	1 到 64

​

输出

输出名	描述	数据类型
positive	已添加修复潜在信息的正向 conditioning	CONDITIONING
negative	已添加修复潜在信息的负向 conditioning	CONDITIONING
latent	形状为 [batch_size, 16, latent_t, latent_h, latent_w] 的零填充噪声潜在张量	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): 885e462c0f17a3e9610146a05ba3b9c879db0112d3961c95a83f63ba2cd511f1