
第3回 LoRAってどう入れるの?i2iはどうやるの?迷いが消える亜型の基本(2026年から始めるComfyUI)
ComfyUIを触り始めて、
第1回・第2回を経て、そろそろこんな疑問が出てくる頃だと思います。
WebUIで使えたLoraは使えるの?
LoRAって、どうやってつなげばいいの?
t2iではなく、i2iを使う場合ってどうすればいい?
今回はこのあたりを、
「仕組みから分かる」ように分かりやすく説明していきます。
難しそうに見えるけど、
実は考え方はかなりシンプルです。
LoRAを使うには、どうする?
まず最初に混乱しやすいのがここ。
ComfyUIでは、
LoRAをダウンロード(読み込み)するノードを入れる
必要に応じてLoRAのトリガーワードをプロンプトに入れる
必要があります。
LoRAをダウンロード(読み込み)するノードを入れる場所は、基本は、
Checkpoint(モデル)を読み込んだあと
→ KSamplerに入る前

この間になります。
前回の記事で書いた前半部の
・前半(モデル読み込み部分)=モデルやi2iなどの種類によって変わる
部分になります。
https://note.com/lucky_briony452/n/n1ec3b83fa07e
「どこか特別な場所がある」というより、
modelの流れの途中に差し込む
という感覚でOKです。
LoRAノードは2種類ある
ここが今回の一番大事なポイントです。
ComfyUIのLoRAノードには、
model のみに作用するもの
model+CLIP の両方に作用するもの
この2種類があります。

これは見た目の違いではなく、
「どこに効かせるか」の違いです。
どちらを使うかの基本ルール
キャラ要素がある場合 → model+CLIP
キャラクターLoRA
特定人物
顔の特徴がはっきりしたもの
こういったLoRAは、
「この単語は、このキャラだよ」
とCLIP(文章の解釈側)に教える必要があります。
なので
👉 model+CLIP 両方につなぐ
のが基本です。

modelは、Ksamplerへ
CLIPは、CLIPテキストエンコーダー(プロンプト)へ
つなぐ
画風・質感・雰囲気系 → modelのみ
画風LoRA
塗り
質感
ライティング
全体の雰囲気調整
こういうLoRAは、
「絵の描き方」そのものを変えたい
だけなので、
言葉の解釈(CLIP)まで触る必要はありません。
👉 modelのみにつなぐ
これが安定します。

良いので簡単。
服装・ポーズLoRAはちょっと特殊
服装やポーズの場合は、
基本は model+CLIP
でも 効きすぎることが多い
という、ちょっとクセのある存在です。
よくある現象
体型が崩れる
他の服装指定を無視する
ポーズが固定されすぎる
こういう時は、
model+CLIP → model のみ
に切り替えるだけで、
一気に安定することがあります。
「再現性」より
「破綻しないこと」を優先する判断ですね。
t2iとi2iは、何が違うの?
次は i2i の話です。
WebUIだと
「txt2img(t2i)」「img2img(i2i)」というタブがあり、「img2img」のタグを
選ぶと、i2iが行える設定が出現します。
しかし、ComfyUIにはその切り替えがありません。
では、どうすればよいか?というと
・Ksamplerに入れるlatentの種類を変える
ことでi2iに切り替えることが出来ます。
t2iの場合:空のlatentを入れる
前回の記事でお伝えした、t2iのワークフローでは、
Empty Latent Image(空の潜在画像)
それを KSampler に入れる

Ksamplerに入れる
フローになっていました。
そうすることで、t2iが行えていました。
i2iの場合:画像をlatentに変えてから入れる
i2iでは、
Load Imageノード→VAE Encoder→ KSampler に入れる
というフローになります。

latentを変えることで何をしているのか?
では、Ksamplerに入れるlatentを変えることで何をしているのでしょうか?
t2iの場合
空のlatentを入れます。
中身はほぼノイズ。
つまり、
何もないところから作る
これが t2i です。
i2iの場合
Load Imageで入れた画像をVAE Encoderを通すことでlatentを作成します。
この latent には、
構図
明暗
大まかな形
といった「元画像の情報」が、
すでに入っています。
なぜ、画像をそのまま使わないのか?
ここが仕組み的に一番大事なところです。
Stable Diffusion系(ComfyUI含む)の画像生成では、
画像そのものではなく、latent空間で処理する
設計になっています。
KSamplerは、
latent を少しずつプロンプト方向に変形する
だけの存在です。
だから、
t2iの場合は、空の latentが入っているため、テキスト(プロンプト)の指示で、最初から画像を作っています。
i2iの場合は、構図・明暗・大まかな形などの情報が入っている画像由来の latentを用いて、テキスト(プロンプト)の指示の方向に変化させる。
言い方を変えると、入力した画像の構図・明暗・大まかな形を参考に、プロンプトの方向に変化させている。
というワークフローにするのです。
Stable Diffusion WebUI系(a1111,Forgeなど)では、この処理が、画面の裏で行っているため、見えないだけです。
変化の割合を決めているのは denoise
入力した画像をどれだけ変化させるのか決めているのは
・Ksamplerの設定にあるdenoise(ノイズ除去)
です。

このdenoiseは、WebUI系のi2iの設定にあるdenoiseと同じ役割に
なっており、
denoise が低い(0に近づける)
→ 元画像を強く残すdenoise が高い(1に近づける)
→ 作り直しに近づく
となっています。
そのため、denoiseを1にすると、ほぼt2iと同じ挙動になりますが、それでも、空のlatentを使っているt2iに比べると、入力した画像の影響を少し受けます。
このあたりのdenoiseの値を上手に調節出来るようになると、画像生成がグッと、上手になります。
まとめ
今回の話をまとめると、
1)Loraをダウンロードするノードは
Checkpoint(モデル)を読み込んだあと
→ KSamplerに入る前
に入れる。
2)LoRAをダウンロードするノードは、
「どこに効かせたいか」でノードを選ぶ
キャラ → model+CLIP
画風・雰囲気 → model
服装・ポーズは状況次第
3)i2iをするためには、
Ksamplerに
Load Imageで入れた画像をVAE Encoderを通して作成したlatent
を入れる。
ComfyUIは
「難しい」んじゃなくて、
WebUIで裏に隠れている中身が見えるだけなんですね。
この仕組みが分かると、
どういう流れ、考え方でAIは画像生成をしているのか
が、だんだん分かるようになってきます。
次回予告
次回は z-image について書きます。
配線や設定が多くて戸惑いやすい ComfyUI ですが、
出来るだけ、手間をかけず、高品質なイラストを作りたいと
思うのではないかと思います。
いろいろなモデルがありますが、z-image はその中でも
初心者が扱いやすいモデルのひとつと思っています。
実際、複雑な調整をしなくても、簡単に安定した結果が出やすく、
「まず1枚ちゃんと出す」という段階でつまずきにくいです。
そのため、初心者目線で「ここだけ分かれば十分」というポイントを
拾って説明していきますので、引き続きお読みくださると嬉しいです。
今回の記事もお読みいただき、ありがとうございます。
モチベーション維持のため、スキのクリック、コメントお待ちしています。
また、余裕がある方は、コーヒー代のお布施もまっています!!