ComfyUI全面掌握-知识点详解——Image相关示例：图片修复、超分与风格迁移

ChengHai37

699人浏览 · 2026-05-17 06:00:00

ChengHai37 · 2026-05-17 06:00:00 发布

知识点详解——Image 相关示例：图片修复、超分与风格迁移

本文为系列第 15 篇，详解 ComfyUI 中与 Image 相关的三大实用方向：图片修复（Inpainting）、超分辨率放大（Upscaling）与风格迁移（Style Transfer / Img2Img）。

一、引言：为什么 Image 工作流如此重要？
- 1.1 从"生成"到"精修"的进阶之路
- 1.2 本篇文章你将掌握的内容
二、图片修复（Inpainting）深入详解
三、超分辨率放大（Upscaling）全面指南
四、风格迁移（Style Transfer / Img2Img）
五、三种技术的融合工作流
- 5.1 超分 + Inpainting 联合修复
- 5.2 Inpainting + 风格迁移的组合应用
六、总结与常见问题排查
官方参考链接

一、引言：为什么 Image 工作流如此重要？

1.1 从"生成"到"精修"的进阶之路

经过前面系列文章的学习，你已经掌握了 ComfyUI 的基础操作、文生图和图生图的核心流程。但真正让 AI 绘图从"玩具"变成"生产力工具"的，是对图像的精细控制能力。

在实际创作中，很少有"一次生成就完美"的情况：

画面整体满意，但人物手指畸变了 → 需要局部修复（Inpainting）
生成的图分辨率太低，细节模糊 → 需要超分辨率放大（Upscaling）
想要把写实照片变成动漫风格 → 需要风格迁移（Style Transfer）

这三种 Image 相关的技术，是 ComfyUI 进阶路上必须掌握的三大核心能力。它们既相互独立，又可以组合使用，构成完整的高质量图像生产管线。

一句话总结：文生图帮你"从无到有"，Image 工作流帮你"从有到优"。

1.2 本篇文章你将掌握的内容

技术方向	核心能力	应用场景
✅ Inpainting（局部重绘）	精准修改图像特定区域	瑕疵修复、物体去除、局部调整
✅ Upscaling（超分放大）	提升图像分辨率与细节	老照片修复、AI 图高清化、打印输出
✅ Style Transfer（风格迁移）	转换图像的艺术风格	照片转插画、风格仿作、创意设计
✅ 融合工作流	三种技术组合使用	完整的高质量图像生产管线

二、图片修复（Inpainting）深入详解

2.1 Inpainting 的核心原理与应用场景

Inpainting（局部重绘） 是 AI 图像处理中最实用的功能之一。它的核心逻辑是：只修改图像中你指定的区域，其他部分保持不变。

打个比方：你请画家画了一幅画，大部分都很满意，但有个细节需要调整——你不需要让画家重画整幅画，只需要告诉他"把这里改一下"。你用手指指出的那个"区域"就是 Mask（遮罩），画家根据你的要求只修改这块区域——这就是 Inpainting。

典型应用场景：

场景	说明	示例
瑕疵修复	去除照片中的多余物体、水印、污点	照片背景中的路人、广告牌
肢体修正	修复 AI 生成错误的手指、手臂等	SD 常见的多指/断指问题
局部换装	更改人物服装颜色或款式	电商模特换装
面部调整	微调表情、眼睛颜色、嘴型	人像精修
物体替换	将画面中的某个物体替换为其他内容	把桌上的杯子换成花盆

2.2 核心节点解析：VAE Encode for Inpainting

Inpainting 工作流与常规文生图/图生图最大的区别在于 VAE 编码阶段。ComfyUI 提供了专门的 VAE Encode (for Inpainting) 节点，它的作用是将输入图像和遮罩一起编码到潜空间，让模型知道"哪里需要重绘，哪里要保持原样"。

VAE Encode for Inpainting 参数详解：

参数名	类型	作用说明
`pixels`	IMAGE	需要编码到潜空间的输入图像（RGB）
`vae`	VAE	用于将像素空间编码到潜空间的 VAE 模型
`mask`	MASK	指定需要修改区域的遮罩（白色=重绘区域，黑色=保留区域）
`grow_mask_by`	INT	遮罩向外扩展的像素值，默认 6，值越大融合越自然

关键技巧： grow_mask_by 参数非常关键。设得太小（如 0-3），重绘区域与原图之间会有生硬的边缘痕迹；设得太大（如 20+），会影响过多区域。建议从 6 开始调整，观察效果。

与 Inpainting 相关的其他核心节点：

节点名称	功能
`Load Image`	加载待修复的图像
`VAE Decode`	将潜空间图像解码回像素空间
`KSampler`	控制 denoise 强度（Inpainting 建议 0.7-1.0）
`Mask Editor`（内置）	在 ComfyUI 中直接绘制遮罩
`Preview Image`	预览生成结果

2.3 遮罩编辑器（Mask Editor）使用指南

遮罩是 Inpainting 的核心输入。ComfyUI 提供了便捷的 遮罩编辑器（Mask Editor），让你无需借助外部工具即可精准绘制遮罩。

打开遮罩编辑器的步骤：

在 Load Image 节点上右键点击
在右键菜单中选择 Open in MaskEditor（在遮罩编辑器中打开）
在弹出的编辑窗口中使用画笔工具绘制遮罩

遮罩编辑器界面功能：

功能	操作	说明
🖌️ 画笔	左键拖拽绘制	白色区域 = 需要重绘的区域
🧹 橡皮擦	右键拖拽擦除	擦除误绘的遮罩区域
📏 画笔大小	右侧滑块调节	精细区域用小画笔（5-20px），大区域用大画笔（50-200px）
🔍 缩放	滚轮缩放	便于精细绘制边缘区域
💾 保存	点击 Save 按钮	保存遮罩并返回到工作流

高效遮罩技巧：
✅ 利用 Copy Clipspace 和 Paste Clipspace 快速在节点间传递图像
✅ 遮罩边缘可以稍微超出目标区域，用 grow_mask_by 控制融合
✅ 复杂遮罩可以在外部工具（如 Photoshop）中创建带 alpha 通道的 PNG 直接导入

2.4 Inpainting 模型 vs 常规模型的选择

Inpainting 任务中，模型的选择直接影响最终效果。主要有两种方案：

方案	优点	缺点	推荐场景
专用 Inpainting 模型	融合效果自然，对遮罩区域控制精准	需要额外下载模型，占用更多空间	修复大区域、重要细节
常规模型 + 高 denoise	无需额外模型，使用方便	边缘融合可能不自然	小范围修复、快速尝试

推荐 Inpainting 模型：

SD 1.5 Inpainting：官方微调模型，适合 SD1.5 生态
Dreamshaper 8 Inpainting：社区热门，效果优秀
Realistic Vision Inpainting：适合写实风格修复

2.5 实操案例一：人像照片瑕疵修复

目标：修复一张 AI 生成的人像照片中的手指畸形问题。

准备工作：

一张包含手指缺陷的 AI 人像图
已安装 SD1.5 Inpainting 或 Dreamshaper 8 Inpainting 模型

步骤详解：

步骤	操作	节点/位置	参数设置
1️⃣	加载 Inpainting 专用模型	`Load Checkpoint`	选择 Dreamshaper 8 Inpainting
2️⃣	导入待修复图片	`Load Image`	上传人像照片
3️⃣	打开遮罩编辑器	右键 Load Image → Open in MaskEditor	—
4️⃣	绘制手指区域的遮罩	Mask Editor 画笔	画笔大小 20-30px，精确覆盖畸形区域
5️⃣	保存遮罩	Save 按钮	—
6️⃣	连接 VAE Encode for Inpainting	将 image 和 mask 接入该节点	grow_mask_by = 8
7️⃣	设置正向提示词	`CLIP Text Encode (Positive)`	`beautiful hands, delicate fingers, natural pose, detailed`
8️⃣	设置反向提示词	`CLIP Text Encode (Negative)`	`deformed fingers, extra fingers, bad anatomy, blurry`
9️⃣	配置采样器	`KSampler`	denoise = 0.85, steps = 30, CFG = 7
🔟	执行生成	Queue Prompt	观察结果，不满意则调整 denoise 或重新绘制遮罩

参数调优建议：

参数	建议范围	效果说明
`denoise`	0.7 - 0.9	越高越偏离原图，修复大缺陷用高值
`grow_mask_by`	4 - 12	越大融合越自然，但会影响更多原图区域
`steps`	25 - 40	修复建议步数稍多，效果更稳定
`CFG Scale`	7 - 10	提示词严格度，修复任务可适当提高

💡 小提示：修复手指等精细部位时，如果一次效果不理想，可以尝试：1) 缩小遮罩范围 2) 降低 denoise 到 0.7 3) 在正向提示词中更具体地描述期望的手部形态。

三、超分辨率放大（Upscaling）全面指南

3.1 像素放大 vs 潜空间放大：本质区别

在 ComfyUI 中，图像放大有两种完全不同的路线：像素空间放大和潜空间放大。理解它们的区别是选择正确放大方案的前提。

对比维度	像素空间放大（Pixel Upscale）	潜空间放大（Latent Upscale）
操作位置	在像素（图像）层面操作	在潜空间（Latent）层面操作
原理	使用传统插值或 AI 模型直接放大图像	将图像编码到潜空间 → 放大 → 再解码
节点示例	`Upscale Image`、`SUPIR`、`Ultimate SD Upscale`	`Upscale Latent`、`LatentUpscale`
速度	较快（尤其是传统插值）	较慢（需要编解码过程）
细节保留	取决于 upscale 模型质量	可与 KSampler 结合补充细节
适用场景	需要快速放大、简单提升分辨率	需要高质量放大并添加细节

两者的本质区别图：

像素放大路线：
输入图像 → Upscale Image 节点 → 放大后的图像
（简单直接，不经过潜空间）

潜空间放大路线：
输入图像 → VAE Encode → Upscale Latent → KSampler → VAE Decode → 放大图像
（编解码过程中，KSampler 可以"补充"放大后的细节）

3.2 常用 Upscale 节点与模型对比

ComfyUI 中有多种放大方案，以下是最常用的几种：

方案	核心节点	放大倍数	速度	质量	推荐场景
传统插值	`Upscale Image`（Nearest/Lanczos）	1-4x	⚡⚡⚡⚡	⭐⭐	快速预览、轻量需求
ESRGAN 类	`ESRGAN Upscaler`	2-4x	⚡⚡⚡	⭐⭐⭐⭐	通用高质量放大
SUPIR	`SUPIR Model Loader` + `SUPIR Sampler`	1-4x	⚡⚡	⭐⭐⭐⭐⭐	极致画质、老照片修复
Ultimate SD Upscale	`UltimateSDUpscale` + KSampler	任意	⚡	⭐⭐⭐⭐	细节增强型放大
Latent Upscale	`Upscale Latent` + KSampler	1-2x	⚡⚡	⭐⭐⭐	与工作流集成度高

像素放大（Upscale Image）参数说明：

参数	选项	效果
`nearest_exact`	最近邻插值	最快，但边缘锯齿明显，不适合放大
`bilinear`	双线性插值	折中方案，边缘平滑但可能模糊
`lanczos`	拉格朗日插值	传统算法中质量最佳，细节保留好
`area`	面积加权	适合缩小图像
`bislerp`	双三次样条	高质量放大，速度适中

3.3 实操案例二：低分辨率老照片超分增强

目标：将一张 512×512 的低分辨率老照片放大至 2048×2048，同时修复模糊和噪点。

方案选择：使用 ESRGAN + 后期轻量锐化的组合方案，兼顾速度与质量。

准备工作：

一张 512×512 或更低分辨率的老照片（JPEG/PNG）
已安装 ESRGAN 模型（如 RealESRGAN_x4plus）放置在 ComfyUI/models/upscale_models/

步骤详解：

步骤	操作	节点	参数设置
1️⃣	加载图像	`Load Image`	上传老照片
2️⃣	第一次放大（传统插值）	`Upscale Image`	方法：lanczos，宽高从 512 放大到 1024
3️⃣	AI 超分放大	`ESRGAN Upscaler`	选择 RealESRGAN_x4plus 模型，放大到 2048
4️⃣	降噪处理（可选）	`Image Denoise`	强度 0.2-0.3（根据噪点程度调整）
5️⃣	对比度/色彩调整	`Image Adjust`	适当增加对比度 + 饱和度
6️⃣	保存结果	`Save Image`	保存为 PNG 格式

如果你追求极致画质（SUPIR 方案）：

SUPIR（Scaling Up Image Restoration）是目前 ComfyUI 中最强的图像修复与超分方案之一。工作流节点序列：

Load Image → SUPIR Model Loader → SUPIR First Stage (Denoiser) 
→ SUPIR Encode → SUPIR Conditioner → SUPIR Sampler 
→ SUPIR Decode → Color Match → Image Resize → Save Image

SUPIR 关键参数	说明	推荐值
`denoise_strength`	降噪强度，越大越平滑	0.3 - 0.6
`sharpness`	锐化程度	0.5 - 1.0
`cfg_scale`	提示词遵循度	4 - 7
`color_match`	色彩匹配方法	wavelet / mean

⚠️ 注意：SUPIR 方案对显存要求较高（建议 8GB+），显存不足时可以先使用 ESRGAN 方案。如果你使用 Comfy Cloud，可以直接使用 SUPIR 工作流模板。

四、风格迁移（Style Transfer / Img2Img）

4.1 图生图（Img2Img）的核心参数：Denoise

风格迁移的最简单实现方式是 图生图（Img2Img） 工作流。它的核心在于 KSampler 中的 denoise 参数。

Denoise 参数的作用：

denoise = 0     → 输出与输入完全一致（无变化）
denoise = 0.3   → 轻微变化，保留大部分原图结构
denoise = 0.5   → 中等变化，风格开始转变
denoise = 0.7   → 显著变化，风格主导
denoise = 0.85  → 强烈变化，保留构图但风格完全转变
denoise = 1.0   → 完全重绘，等同于文生图（丢失原图信息）

不同 denoise 值的效果对比：

denoise	原图保留度	风格强度	适用场景
0.2 - 0.4	很高	弱	微调色调、轻微润色
0.4 - 0.6	中等	中等	线稿上色、老照片着色
0.6 - 0.8	较低	强	写实→插画、风格迁移
0.8 - 1.0	很低	极强	大幅修改、创意重绘

4.2 风格迁移的三种常见路线

除了基础的 Img2Img，ComfyUI 中还有更多风格迁移方案：

方案	原理	优点	缺点	推荐指数
方案A：Img2Img 基础迁移	调整 denoise + 风格提示词	最简单，无需额外节点	控制力有限	⭐⭐⭐
方案B：Img2Img + ControlNet	用 ControlNet 约束构图	保留原图结构，风格更自由	需要 ControlNet 模型	⭐⭐⭐⭐⭐
方案C：IP-Adapter 风格迁移	用参考图直接提取风格	风格迁移最精准	需要 IP-Adapter 节点	⭐⭐⭐⭐

方案 B 核心流程（推荐）：

Load Image → ControlNet Loader + ControlNetApply → VAE Encode 
→ KSampler (denoise=0.7-0.85) → VAE Decode → Save Image

ControlNet 的作用是"锁定"原图的构图和轮廓，让模型在改变风格时不偏离原图的结构。推荐使用 Canny 或 Lineart 类型的 ControlNet 模型。

4.3 实操案例三：照片转手绘插画风格

目标：将一张普通照片转换为手绘水彩插画风格。

准备工作：

一张风景或人像照片
已安装 SDXL 或 SD1.5 模型
建议安装 ControlNet（Canny 模型）

步骤详解（Img2Img + ControlNet 方案）：

步骤	操作	节点	参数/提示词
1️⃣	加载模型	`Load Checkpoint`	选择擅长插画风格的模型（如 Dreamshaper）
2️⃣	加载照片	`Load Image`	上传原始照片
3️⃣	提取边缘	`ControlNet Loader` + `Canny`	low_threshold=100, high_threshold=200
4️⃣	应用 ControlNet	`ControlNetApply`	strength=0.7（控制强度）
5️⃣	正向提示词	`CLIP Text Encode (P)`	`watercolor painting, illustration style, soft colors, artistic, beautiful`
6️⃣	反向提示词	`CLIP Text Encode (N)`	`photo, realistic, 3d, ugly, blurry, low quality`
7️⃣	采样器	`KSampler`	denoise=0.75, steps=30, CFG=7, sampler=DPM++ 2M Karras
8️⃣	解码与保存	`VAE Decode` → `Save Image`	—

效果调优建议：

问题	解决方案
风格变化不够明显	提高 denoise 到 0.8-0.85
原图结构变形	提高 ControlNet strength 到 0.8+，或降低 denoise
颜色过于饱和	在负向提示词中加入 `oversaturated`，或后续通过 Image Adjust 调整
细节丢失严重	使用 SDXL 模型（保留更多细节），或降低 denoise

进阶技巧：如果你想要更精准的风格迁移，可以尝试 IP-Adapter 方案。它的工作原理是使用一张"风格参考图"（如你喜欢的画师作品），让模型直接学习参考图的风格特征，效果往往比提示词描述更精准。

五、三种技术的融合工作流

在实际项目中，Inpainting、Upscaling 和 Style Transfer 很少单独使用。下面介绍两种常见的融合方案。

5.1 超分 + Inpainting 联合修复

这是老照片修复的经典管线：先用超分提升分辨率，再用 Inpainting 修复局部破损。

老照片 → Upscale Image（提升分辨率）
        → VAE Encode for Inpainting + Mask Editor（标记破损区域）
        → KSampler（denoise=0.6-0.8）
        → VAE Decode → 修复完成

参数建议：

阶段	节点	参数
第一阶段：超分	ESRGAN Upscaler	2-4x 放大
第二阶段：降噪	Image Denoise	denoise=0.3
第三阶段：Inpainting	VAE Encode for Inpainting	grow_mask_by=8, denoise=0.7
第四阶段：色彩调整	Image Adjust	适当增加对比度和饱和度

5.2 Inpainting + 风格迁移的组合应用

先对图像进行局部修改，再整体迁移风格——这在创意设计中非常实用。

原图 → Inpainting（修改局部）→ 保存中间结果
     → ControlNetApply（保留构图）
     → KSampler（高 denoise 风格迁移）
     → 风格化结果

六、总结与常见问题排查

6.1 核心知识点回顾

通过本文的学习，你已经掌握了：

✅ Inpainting 局部重绘：VAE Encode for Inpainting 节点参数、遮罩编辑器使用、模型选择
✅ 像素放大 vs 潜空间放大：两种路线的原理、优缺点和适用场景
✅ ESRGAN 与 SUPIR：两种主流超分方案的使用方法和参数调优
✅ Denoise 参数：在不同场景下的效果变化和控制技巧
✅ 风格迁移三种方案：Img2Img 基础、ControlNet 辅助、IP-Adapter 精准迁移
✅ 三种技术融合：超分+Inpainting 联合修复、Inpainting+风格迁移组合应用
✅ 三个实操案例：人像瑕疵修复、老照片超分增强、照片转手绘插画

6.2 常见问题排查表

问题	可能原因	解决方案
Inpainting 区域边缘生硬	grow_mask_by 太小	增大 grow_mask_by，建议 8-12
Inpainting 后原图区域被改变	mask 精度不够	重新绘制遮罩，确保只覆盖目标区域
放大后图像模糊	使用的 upscale 模型不匹配	使用高质量 ESRGAN 或 SUPIR 模型
风格迁移后构图崩溃	denoise 过高或未使用 ControlNet	降低 denoise 到 0.6-0.7，或添加 ControlNet
显存不足（OOM）	分辨率过高或模型过大	降低批次大小、使用 Tiled VAE、缩小图像尺寸
SUPIR 速度极慢	显存不足或参数过高	使用 Tiled 模式、降低 denoise_strength