![\"\"](\"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-content\/uploads\/2026\/04\/Snimak-ekrana-2026-06-07-110841.png\")
<\/a><\/a>1 . Pozitivan prompt u ComfyUI predstavlja opis elemenata koje \u017eelimo da generi\u0161emo na slici, kao \u0161to su stil, prostor, materijali, osvetljenje, atmosfera i detalji. Negativan prompt ima suprotnu funkciju \u2014 njime se defini\u0161u elementi koje \u017eelimo da izbegnemo u finalnom rezultatu, poput deformacija, zamu\u0107enja, lo\u0161e perspektive ili ne\u017eeljenih detalja. Elemente koje sam \u017eelela posebno da naglasim stavljala sam u zagrade, \u010dime se pove\u0107ava njihov zna\u010daj u procesu generisanja i model se dodatno usmerava ka \u017eeljenom vizuelnom izlazu.<\/p>\n\n\n\n
2 . KSampler je centralni node u workflow-u, jer se u njemu zapravo formira finalni izgled rendera. Svi prethodni nodeovi slu\u017ee za pripremu slike, prompta i modela, dok nodeovi nakon njega prikazuju i \u010duvaju dobijeni rezultat. KSampler sadr\u017ei va\u017ene parametre kao \u0161to su seed, steps, CFG, sampler, scheduler i denoise. Njihovim pode\u0161avanjem kontroli\u0161e se koliko \u0107e se model dr\u017eati prompta, koliko \u0107e menjati ulaznu sliku i koliko \u0107e finalni render biti realisti\u010dan i stabilan.<\/p>\n\n\n\n
- \n
- Seed predstavlja po\u010detnu numeri\u010dku vrednost koja uti\u010de na varijaciju generisanja slike. Promenom seeda mogu se dobiti razli\u010diti rezultati iako prompt i ostali parametri ostaju isti. Nakon izbora odgovaraju\u0107e po\u010detne varijante, seed se fiksira kako bi se preciznije uporedio uticaj ostalih parametara.<\/li>\n<\/ul>\n\n\n\n
![\"\"](\"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-content\/uploads\/2026\/04\/Snimak-ekrana-2026-06-07-170233.png\")
<\/a><\/figure>\n\n\n\nPri testiranju parametara K Sampler-a zadr\u017ea\u0107u isti pozitivan i negativan prompt, kao i fiksiran seed, kako bih mogla da sagledam pojedina\u010dan uticaj parametara kao \u0161to su steps, scheduler, sampler name i denoise na finalni rezultat.<\/p>\n\n\n\n
- \n
- Steps u K Sampler-u odre\u0111uju koliko koraka AI ima da od po\u010detnog \u0161uma postepeno formira sliku. \u0160to je ve\u0107i broj steps, model ima vi\u0161e vremena da razradi detalje, svetlo, teksture i kompoziciju. Optimalan broj je izmedju 20-30-40 steps.<\/li>\n\n\n\n
- CFG scale odre\u0111uje stepen u kom model prati zadati pozitivni i negativni prompt. Ni\u017ee vrednosti omogu\u0107avaju ve\u0107u slobodu interpretacije, dok vi\u0161e vrednosti poja\u010davaju uskla\u0111enost rezultata sa tekstualnim opisom. Tokom testiranja prime\u0107eno je da vrednosti u rasponu od 3 do 7 daju mek\u0161e rezultate, ali sa slabijim stepenom realizma. Nasuprot tome, vrednosti iznad 8 \u010desto dovode do prenagla\u0161enih, agresivnih i vizuelno ve\u0161ta\u010dkih prikaza.<\/li>\n\n\n\n
- Sampler name ozna\u010dava izbor algoritma kojim model uklanja \u0161um i formira kona\u010dnu sliku. U ComfyUI postoji velika lista razli\u010ditih algoritama, a njihova promena uti\u010de na realizam, o\u0161trinu, teksture i stabilnost rezultata. Tokom testiranja prime\u0107eno je da DPM SDE daje najpogodnije rezultate za prikaz enterijera.<\/li>\n<\/ul>\n\n\n\n
\n ![\"\"](\"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-content\/uploads\/2026\/04\/euler-1024x683.png\")
<\/a><\/figure>\n<\/figure>\n\n\n\n![\"\"](\"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-content\/uploads\/2026\/04\/dpmpp_3mm-2-1024x683.png\")
<\/a>sampler name – dpmpp_3m_sde_gpu<\/figcaption><\/figure>\n\n\n\n - \n
- Denoise odre\u0111uje koliko \u0107e model menjati po\u010detni input, odnosno u kojoj meri \u0107e zadr\u017eati postoje\u0107u kompoziciju, geometriju i osnovne odnose slike. Tokom testiranja prime\u0107eno je da i pri optimalnim ni\u017eim vrednostima do 0.35, kada model maksimalno prati osnovni input, render ne daje zadovoljavaju\u0107u vizuelizaciju, dok previsoke vrednosti dovode do prevelikog odstupanja i nestabilnog rezultata.<\/li>\n<\/ul>\n\n\n\n
![\"\"](\"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-content\/uploads\/2026\/04\/denoise-0.30-1024x683.png\")
<\/a>denoise – 0.30<\/figcaption><\/figure>\n\n\n\n ![\"\"](\"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-content\/uploads\/2026\/04\/denoise-0.60-1024x683.png\")
<\/a>denoise – 0.60<\/figcaption><\/figure>\n\n\n\n - \n
- Ako steps odre\u0111uje koliko koraka proces ima, a sampler name kojim algoritmom se radi, onda scheduler<\/strong> odre\u0111uje kojim tempom \u0107e se \u0161um smanjivati kroz te korake. Njegov izbor uti\u010de na stabilnost, o\u0161trinu, detalje i op\u0161ti karakter finalnog rendera, a tokom testiranja primetila sam da Beta i Karras scheduler daju najpogodnije rezultate za vizuelizacije enterijera.<\/li>\n<\/ul>\n\n\n\n
![\"\"](\"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-content\/uploads\/2026\/04\/beta-1024x683.png\")
<\/a>Scheduler – Beta<\/figcaption><\/figure>\n\n\n\n ![\"\"](\"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-content\/uploads\/2026\/04\/karras--1024x683.png\")
<\/a>Scheduler – Karras<\/figcaption><\/figure>\n\n\n\n Analizom parametara i dobijenih rezultata u ComfyUI-u mo\u017ee se zaklju\u010diti da osnovni workflow za generisanje rendera enterijera ima ograni\u010denja u pogledu efikasnosti i kvaliteta. Postizanje zadovoljavaju\u0107eg rezultata zahteva veliki broj poku\u0161aja, razli\u010ditih varijacija i pode\u0161avanja parametara, \u0161to proces \u010dini vremenski zahtevnim i nedovoljno prakti\u010dnim. Zbog toga se mo\u017ee zaklju\u010diti da je za postizanje kvalitetnijih i kontrolisanijih vizuelizacija neophodno uslo\u017enjavanje workflowa i primena naprednijih metoda obrade.<\/p>\n\n\n\n
![\"\"](\"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-content\/uploads\/2026\/04\/render-cahtgpt-sa-recenicom-napravi-mi-od-ove-skice-render-1024x768.png\")
<\/a><\/figure>\n\n\n\nRender enterijera generisan u ChatGPT-u na osnovu jednog tekstualnog prompta.<\/p>\n\n\n\n
<\/p>\n","protected":false},"excerpt":{"rendered":"
Druga faza istra\u017eivanja usmerena je na ispitivanje odnosa izme\u0111u po\u010detnog vizuelnog prikaza enterijera izra\u0111enog u SketchUp-u i kona\u010dnog AI generisanog rezultata. Polazna osnova istra\u017eivanja je fotografija, odnosno render enterijera dobijen iz SketchUp modela, koji se zatatim transformi\u0161e u ComfyUI okru\u017eenju. Istra\u017eivanje \u0107u zapo\u010deti od jednog osnovnog workflow-a, u okviru kojeg \u0107e se kontrolisano pode\u0161avati odre\u0111eni… Continue reading Faza 2: Metodolo\u0161ko testiranje po\u010detnog ComfyUI workflow-a i analiza uticaja parametara na rezultat<\/span><\/a><\/p>\n","protected":false},"author":741,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"coauthors":[744],"class_list":["post-25073","post","type-post","status-publish","format-standard","hentry","category-opste","entry"],"_links":{"self":[{"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/posts\/25073","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/users\/741"}],"replies":[{"embeddable":true,"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/comments?post=25073"}],"version-history":[{"count":18,"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/posts\/25073\/revisions"}],"predecessor-version":[{"id":25930,"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/posts\/25073\/revisions\/25930"}],"wp:attachment":[{"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/media?parent=25073"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/categories?post=25073"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/tags?post=25073"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/coauthors?post=25073"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
- Ako steps odre\u0111uje koliko koraka proces ima, a sampler name kojim algoritmom se radi, onda scheduler<\/strong> odre\u0111uje kojim tempom \u0107e se \u0161um smanjivati kroz te korake. Njegov izbor uti\u010de na stabilnost, o\u0161trinu, detalje i op\u0161ti karakter finalnog rendera, a tokom testiranja primetila sam da Beta i Karras scheduler daju najpogodnije rezultate za vizuelizacije enterijera.<\/li>\n<\/ul>\n\n\n\n
- Denoise odre\u0111uje koliko \u0107e model menjati po\u010detni input, odnosno u kojoj meri \u0107e zadr\u017eati postoje\u0107u kompoziciju, geometriju i osnovne odnose slike. Tokom testiranja prime\u0107eno je da i pri optimalnim ni\u017eim vrednostima do 0.35, kada model maksimalno prati osnovni input, render ne daje zadovoljavaju\u0107u vizuelizaciju, dok previsoke vrednosti dovode do prevelikog odstupanja i nestabilnog rezultata.<\/li>\n<\/ul>\n\n\n\n