前言
這一篇要測試一下Video Linear CFG Guidance這個節點，在網路上很多的教學影片跟網友分享的工作流中會看到這個節點，據說這個節點不只可以用在生成影片的工作流中，也可以使用在一般的生成圖片工作流中。
圖片生成測試
1.CFG值=7
下圖是為了測試而搭建的工作流，在這張圖中尚未接上VideoLinearCFGGuidance。
這張圖中採用的大模型是SDVN7-NijiStyleXL，可以在CIVITAI網站搜尋並下載，使用的文字提示詞是模型提供者的範例圖片調整而來，為了方便修改將不同的提示詞分行顯示。
其中KSampler中的CFG參數透過右鍵改成輸入節點，另外串接了Primitive Float節點，方便跟VideoLinearCFGGuidance這個節點的min_cfg做對比。
2.CFG 1~7
下圖另外複製了一份KSampler跟VAE decode，跟原本的KSampler串接方式一樣，只是在model輸入時先串接了VideoLinearCFGGuidance。
在這個工作流中串接了Batch Image是為了將兩張圖片併排比較，執行後生成的圖片如下圖。
上圖左邊是串接VideoLinearCFGGuidance前，右邊是串接後，可以明顯看出兩張圖根本是不一樣的圖片，而且串接後畫面品質變差很多。
接下來測試將min_cfg值改成5，縮小差距後生成的圖片如下圖。
結果雖然比前一個好，但是構圖還是產生了不一樣的結果。
再來將min_cfg值改成6，生成的圖片如下圖。
仔細看人物的臉型有些許不同，但是構圖已經非常相近，就看喜歡那一張。
3.CFG 2~3
下面再來測試低CFG值的效果。
下圖分別是CFG值3跟使用VideoLinearCFGGuidance設定min_cfg值為2的生成圖片比對。
因為CFG值改變時構圖會完全不同，所以這是重新抽卡後得到想要的構圖後再做的測試。
分析
在測試的過程中發現圖片的構圖受CFG值影響蠻大，而套用VideoLinearCFGGuidance後生成的圖像感覺是混合了不同CFG值的圖片的構圖、色調、線條...等。
為了更好的理解這個節點的效果，我將工作流修改如下圖。
可以看到我用了3組KSampler，由左至右分別是CFG=3，CFG=2~3，CFG=2，生成的圖片如下圖。
可以觀察到中間CFG=2~3生成的圖片其實非常接近CFG=2的圖片。
之後更改了數值將CFG的最大值改成7，發現是一樣的結果，所以在生成單張圖片的時候套用這個節點是沒有用處的。
修正
所以VideoLinearCFGGuidance的正確用法為何？
我修正了原本的工作流為下圖。
這個工作流中只用了一組KSampler，但是Empty Latent Image的batch_size改成4，表示執行一次會生成四張圖片。
而執行後得到的圖片如下圖。
可以看出這個工作流會生成4張不同的圖片，這結果顯示了VideoLinearCFGGuidance的作用是在一次生成多個圖片時改變CFG值，因此可以確定只能使用在生成影片或是測試不同CFG值生成圖片的工作流中。
小結
VideoLinearCFGGuidance這個節點在生成單張圖片時是會直接使用min_cfg值生成圖片，因此不需要在一般的圖片生成工作流中使用這個節點。
另外我用SVD的官方工作流測試生成動畫時使用與不使用的效果，結果發現使用了VideoLinearCFGGuidance後生成的影片只是消除了初始幀數跟後續幀數間的不自然過度關係。
因為SVD的官方工作流一開始輸入的圖片是一張高畫質的風景照片，所以在經過SVD模型處理時初始幀仍然是高畫質的圖片，但後續圖片因為加入了動態而模糊，所以不使用VideoLinearCFGGuidance時會有一個不自然的變化。
在之後測試生成影片的工作流時，會再測試使用這個節點與否的效果。
