# ComfyUI图生图教程

让一张参考图经过 VAE Encode 进入采样，分别记录低、中、高 denoise 对构图与风格的影响。

本地结构与素材核验，未执行 ComfyUI 前端导入或扩散/ESRGAN 推理。图像与原 JSON 来源见 provenance.json。所有工作流为 UI 格式 0.4，与 prompt-api.json 分开。权重不打包。

## 使用

1. python check.py
2. 查看 models.csv，按模型出处准备文件。
3. 用本地 ComfyUI 打开 workflow.json，重新选择 Loader 下拉和输入。
4. 自己完成真实小样，填写 acceptance.csv。

## 1. 保存原始参考图

下载 input.png，复制到 ComfyUI/input 并在 Load Image 选择它。先记录分辨率与颜色；练习使用官方例图来源，自己的照片要另存且确认使用权限。

## 2. 导入图生图专用 JSON

打开 workflow.json，确认 Load Image → VAE Encode → KSampler.latent_image；不能仍用 Empty Latent 的空潜空间代替输入。checkpoint 与 VAE 必须来自同一家族。

## 3. 固定其他变量

使用同一模型、提示词、seed、尺寸和采样器，先把结果命名为 img2img/d035。正向描述目标风格同时保留主体位置，不同时改主体和背景。

## 4. 比较三个去噪设置

分别用 denoise=0.35、0.65、0.85 提交单图，将每次最终 JSON 存档。数值只是对照实验起点；较高值通常允许更大变化，不是质量评分，也不自动保证相同人物。

## 5. 逐一检查构图与边缘

把实际输出与 input 并排，核对主体位置、轮廓、背景和新瑕疵；遮挡或不可判断项写清楚。使用 denoise-record.csv 记录每张文件，不用肉眼印象替代证据。

## 6. 选定可交付的小样

优先选择任务约束满足且变化可接受的结果；如保留要求太强，减小 denoise 或改用 mask 局部编辑。保留失败样图便于解释下一步，而非只展示最好的一张。

## 7. 复查结果与材料完整性

打包原输入、三个实际输出、最终 JSON 与模型版本。本站已核验官方 JSON 与输入文件结构，尚未执行这三次推理，图中官方示例不能代表本教程实测。


queue_client.py 默认只查询；--submit 明确触发本地真实推理。batch_manifest.py 仅生成计划，未提交。故障日志、history 响应和空验收栏是教材，不是本站成功实测。

## 官方来源

- https://docs.comfy.org/tutorials/basic/image-to-image
- https://github.com/Comfy-Org/ComfyUI
- https://www.douyin.com/video/7691594447310244330