ComfyUI 修图实战：图生图、局部重绘与放大，从「能出图」到「能交付」

上一篇我们完成了文生图工作流：写提示词、搭 KSampler、调采样器参数，最终生成一张满意的图。但如果目标是接修图的活儿，你会发现一个现实问题——客户发来的不是提示词，而是一张已经存在的图片。他们要的不是「生成一张新的」，而是「把这张改好」。

会文生图只是第一步，真正能交付的是「改图」。图生图（Img2Img）、局部重绘（Inpaint）、放大（Upscale）这三个技能，构成了 AI 修图接单的核心组合，也是从「能出图」走向「能交付」的关键一步。本篇实测环境仍为 Mac mini M4（32G 统一内存）+ ComfyUI Desktop + SDXL 模型。

三技能总览：先分清定位

三者的分工可以用一张表说清：

判断用哪个，只问一个问题：改动是「整张图」还是「某个区域」还是「只是不够清晰」。整图换风格用图生图；只动局部、其他必须原样保留，用局部重绘；客户要求 4K 输出或印刷尺寸，用放大。真实接单中三者几乎总是组合使用，后文会给出完整示例。

图生图（Img2Img）：整体重绘的核心

原理

图生图把一张已有图片作为起点：图片先经 VAE Encode 转成 latent 噪声表示，再由 KSampler 从这个「半成品」出发重新采样。与文生图的区别只在输入端——文生图是从纯随机噪声开始，图生图是从你的原图开始。

denoise：图生图最重要的参数

KSampler 上的 denoise（降噪强度）决定采样从噪声的哪一层开始：值越低，保留原图越多；值越高，越接近从零生成。这个参数直接决定成图是「微调」还是「重画」，必须逐档理解：

• 0.3–0.4：微调档。构图、人物、物体全部保留，变化集中在色调、纹理、光感层面。适合统一照片色调、轻度质感优化。低于 0.3 时模型基本没有发挥空间，输出与原图差异极小。
• 0.5–0.7：重构档。构图大体保留，但细节会被重新解释：人脸特征可能变化、物体形状会重画。这是照片转插画、线稿化最常用的区间——要的就是「同一个构图，换一种画法」。
• 0.8 以上：重画档。只保留非常粗略的布局暗示，画面内容基本重新生成，提示词的影响力超过原图。适合以原图为灵感来源的完全重创作，不适合任何需要「保持原样」的交付场景。

为什么说 denoise 是图生图最重要的参数？因为客户需求最终都落在「保留多少原图」这个问题上。修图接单的失败案例，一大半是 denoise 给高了——客户要微调，你交付了一张面目全非的新图。

操作步骤

1. 右键画布 Add Node → image → Load Image，加载一张本地图片。
2. Load Image 的 IMAGE 输出连到 VAE Encode 的 pixels 输入（VAE 模型仍用 sd_xl_vae 或 checkpoint 自带的）。
3. VAE Encode 的 LATENT 输出连到 KSampler 的 latent_image 输入，替换掉原来的 Empty Latent Image。
4. 设置 denoise：按上面的档位选择。
5. 其余连接（模型、提示词、VAE Decode）与文生图工作流完全一致，直接复用。

一个细节：图生图时 KSampler 的 steps 和 cfg 保持文生图的默认即可，denoise 才是主导变量。另外图生图对图片尺寸有要求，SDXL 最佳区间是 1024×1024 左右，原图尺寸偏离太远时先在外部工具里调整到合适比例。

典型应用

• 改画风：照片转插画、转水彩、转线稿，denoise 0.5–0.6，提示词写目标风格。
• 换场景：人物保留、背景氛围改变，denoise 0.6 左右，提示词描述新环境。
• 修整体色调：偏黄的老照片、色温不对的产品图，denoise 0.3–0.4 轻推。

局部重绘（Inpaint）：精准修改的关键

原理

图生图改的是全图，但修图需求绝大多数是「只改这里，别处不许动」：去水印、修掉背景里的路人、把模特的衣服换个颜色。局部重绘通过蒙版（Mask）告诉模型：只有蒙版覆盖的区域参与采样，其余像素原封不动。

操作步骤

1. Load Image 加载原图。
2. 在 Load Image 节点上直接用鼠标涂抹要修改的区域，ComfyUI 会自动生成蒙版；也可以单独用 ImageAndMaskPreview 或 MaskEditor 检查蒙版范围。节点上 Open in MaskEditor 可以精确涂抹。
3. IMAGE 和 MASK 输出连到 VAE Encode (for Inpainting) 的对应输入。注意这个节点与普通 VAE Encode 不同：它接收 pixels + mask 双输入，只在蒙版区域内编码。
4. KSampler：latent_image 接 VAE Encode (for Inpainting) 的输出，denoise 设高一些，0.7–0.9。原因：蒙版区域是要「重新画」的内容，denoise 太低会导致新内容与周围不融合，出现明显的补丁感。
5. 用 Image Composite Masked 把重绘结果贴回原图：destination 接原图 IMAGE，source 接 VAE Decode 输出，mask 接同一张蒙版。这样蒙版外的像素是原始图片，彻底避免二次采样对保留区域的意外损伤。

蒙版怎么画

蒙版不是涂得越精准越好，两个实践要点：

• 范围略大于目标：要修掉一个水印，蒙版边缘要超出水印边界 10–20 像素，否则边缘残留旧内容的像素痕迹。
• 边缘必须模糊：MaskEditor 里可以设置羽化（feather）。硬边缘蒙版会让重绘区域和原图之间出现一条肉眼可见的接缝；羽化后新内容与旧像素平滑过渡。这个细节是业余和专业的分水岭——客户未必说得出哪里不对，但能感觉到「修过的地方很假」。

典型应用

去水印、修皮肤瑕疵、移除背景杂物和路人、给模特换衣服、改产品颜色、修补照片破损区域。凡是「精确、局部、保留原样」的需求，都是 Inpaint 的主场。

放大（Upscale）：高清输出的三种方法

生图通常在 1024×1024 完成，但交付时客户常要 2K、4K 甚至印刷尺寸。放大有三种路线。

方法一：模型放大

用预训练的放大模型做像素级超分：

1. 下载放大模型（推荐 4x-UltraSharp，细节锐利、适合照片类；皮肤人像可用 4x-UltraSharp 或 4x_NMKD-Siax），放入 models/upscale_models/。
2. Upscale Image (using Model) 节点：upscale_model 选 Load Upscale Model 加载的模型，image 接原图。
3. 输出直接就是 4 倍分辨率的图。

优点是快、稳、内存占用低，一张 1024 图几秒完成；缺点是它只做「超分辨率重建」，不会新增语义细节。适合：图本身已经够好，只需要更大的尺寸。

方法二：放大 + 二次采样（Hires Fix 思路）

先模型放大，再送回 KSampler 补一轮细节：

1. 方法一放大后的图接 Upscale Latent (or Image to Latent)，经 VAE Encode 转回 latent。
2. 再接一个 KSampler，denoise 设 0.4 左右，steps 可适当降低（20 步即可）。
3. VAE Decode 输出。

这轮采样的作用是在高分辨率上重新「画」一遍细节：发丝、织物质感、瞳孔反光这类低分辨率下画不出来的内容会在二次采样中涌现。缺点是慢，且 denoise 超过 0.5 时画面内容可能漂移。适合：追求极致细节的成品输出。

方法三：Tiled Diffusion 分块放大

当目标尺寸很大（比如 4096 以上）时，整张图一次算完会爆内存。Tiled Diffusion（安装 ComfyUI-TiledDiffusion 插件，配合 Tiled VAE）把大图切成小块分别处理再拼接，单块显存/内存占用恒定，32G 的 Mac mini 也能跑大图放大。缺点是块与块的接缝处偶有不一致，需要用 overlap 参数（通常 64–128）缓解。适合：超大尺寸输出、内存紧张的场景。

选择建议：日常交付用方法一；重点作品用方法二；尺寸或内存吃紧用方法三。三者也可以串联：模型放大打底，二次采样补细节，最后按需分块。

组合实战：老照片修复工作流

用一个完整例子把三技能串起来。假设客户需求：修复一张 90 年代的破损老照片，输出可打印的尺寸。

第一步，放大打底。 老照片通常分辨率很低（几百像素），先用方法一的模型放大，把它抬到 1024 左右，让后续操作有足够的像素空间。这一趟主要是「把图变清楚」。

第二步，局部重绘去破损。 照片上的划痕、霉斑、折痕，用 Inpaint 逐块处理：用蒙版圈住破损区域，denoise 设 0.7–0.8，让模型用周围的皮肤、衣物纹理补全这块。一处一处来，比一次性圈大片区域更可控——圈得太大，模型可能画出与原人物不匹配的特征。

第三步，图生图统一色调。 老照片常有偏黄、褪色的问题，用图生图 denoise 设 0.3–0.4，提示词里写「restored photo, natural color」，轻推整体色调，让它回到自然的色彩。

第四步，放大输出。 处理完成后，再用放大输出到客户要的尺寸（比如 A4 打印的 300dpi 规格）。如果目标特别大，用方法三分块放大兜底。

这个流程也是实际接单的标准套路：先修（Inpaint 处理局部破损）→ 再调（Img2Img 统一观感）→ 最后输出（Upscale 定尺寸）。每一步都有明确的客户可见的改善，交付时也好向客户解释每一步做了什么。

避坑指南

denoise 过高导致面目全非。 图生图/重绘时 denoise 设得过高，客户要微调你却交付了重画的新图。原则：能低不高，先从小值试起，达到效果即可。

蒙版选错区域。 蒙版圈错了地方，改的不是客户要改的地方。重绘前一定要用 MaskEditor 预览蒙版范围，确认覆盖正确。

放大后细节糊或出现伪影。 模型放大本身不产生新细节，如果原图本身糊，放大了只会更糊。先确认原图质量；二次采样补细节时 denoise 别超过 0.5，否则容易出伪影和内容漂移。

内存不足。 放大到大尺寸或 batch 开大时被 killed。用分块放大（Tiled Diffusion）、关掉其他大应用、batch 保持 1。

Inpaint 与 ControlNet 的注意点。 局部重绘常配合 ControlNet（比如要严格保持原图的姿势、结构）。两者叠加时，ControlNet 的 strength 要适当降低（0.5–0.7），否则会抑制重绘区域按提示词重画，导致改不动。这个在第 5 篇会详细展开。

相关资源

• 放大模型：HuggingFace 搜 4x-UltraSharp、4x_NMKD-Siax_200k
• Tiled Diffusion 插件：ComfyUI-TiledDiffusion（ComfyUI Manager 内可搜）
• ComfyUI 官方：https://github.com/comfyanonymous/ComfyUI

下一篇进入 ControlNet 实战——让 AI 严格按你画的来。姿态、线稿、深度三种控制方式实操，以及它和局部重绘怎么配合。这也是从「能改图」走向「能精准定制」的关键，很多商稿需求都卡在这一步。