展开本页目录
开始前准备什么
- 已有本地 ComfyUI 环境；按所用模型官方说明准备硬件和权重。
- 下载本页材料，检查模型家族、目录与来源；模型权重未打包。
- 保留原文件与实际版本，UI workflow 与 API prompt 分开。
- 保存原始参考图
- 导入图生图专用 JSON
- 固定其他变量
- 比较三个去噪设置
- 逐一检查构图与边缘
- 选定可交付的小样
- 复查结果与材料完整性
含 UI/单独 API JSON、原输入、模型清单、校验脚本和真实负例；无权重及本次推理输出。
按官方 0.4 格式整理；仅结构核验，需在你的目标版本实际导入。
从本页工作流 Loader 字段读取；按官方来源准备兼容权重。
空结果栏，供你填写实际输出与故障；不预填虚构成功结果。
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。
8. 下载工作流、输入和结构检查
完整包包含官方来源 JSON、按本页整理的 UI workflow、单独的 API prompt、真实输入 PNG、模型与参数清单、空验收表、故障负样本和离线脚本。先执行 python check.py，再在自己的 ComfyUI 安装中导入与实际运行。包内权重未下载，结构检查不能替代前端兼容与推理验收。
怎样确认已经完成
- KSampler 接收的是 VAE Encode 输出的参考图 latent。
- 三次对照只改 denoise，模型、seed 与文本都保留一致。
- 实际输出和检查记录一一对应，未把官方例图当成本地结果。
常见问题
denoise 很高为什么像换了一张图？
输入 latent 被加入更多噪声，参考信息可能弱化。先降低值，或限定 mask 区域再编辑。
denoise 变小会自动减少 steps 吗？
不要这样假设。当前基础采样器会截取噪声日程，实际 steps 和耗时应以当前实现与运行日志核对。