ComfyUI-Inpaint-CropAndStitch：终极智能局部修复指南-拓冰建站

ComfyUI-Inpaint-CropAndStitch：终极智能局部修复指南

【免费下载链接】ComfyUI-Inpaint-CropAndStitchComfyUI nodes to crop before sampling and stitch back after sampling that speed up inpainting项目地址: https://gitcode.com/gh_mirrors/co/ComfyUI-Inpaint-CropAndStitch

想要在ComfyUI中实现精准高效的图像局部修复吗？ComfyUI-Inpaint-CropAndStitch正是你需要的解决方案！这个强大的节点组合通过创新的"裁剪-修复-缝合"架构，让局部修复变得前所未有的简单和高效。无论你是AI绘画新手还是专业创作者，这个工具都能大幅提升你的工作流程效率。

为什么选择智能局部修复？

传统AI图像修复往往需要处理整张图片，即使你只想修改一个小小的细节。这不仅浪费计算资源，还可能导致非修复区域的质量下降。ComfyUI-Inpaint-CropAndStitch改变了这一现状，它专注于只处理需要修复的区域，带来以下核心优势：

极速处理：相比全图修复，速度提升高达30-100倍
精准控制：只修改蒙版区域，保持其他部分完全不变
资源节省：大幅减少GPU/CPU内存占用
质量保证：避免全图处理带来的画质损失

核心节点详解：裁剪与缝合的艺术

✂️ Inpaint Crop (改进版)

这个智能裁剪节点是工作流的起点，它能够：

智能识别蒙版区域：自动检测需要修复的部分
上下文感知裁剪：包含周边环境信息确保自然过渡
分辨率适配：自动调整到模型最佳输入尺寸
蒙版优化：填充孔洞、扩展边界、平滑边缘

图：Stable Diffusion 1.5的完整修复工作流，展示从裁剪到缝合的完整流程

✂️ Inpaint Stitch (改进版)

修复完成后，缝合节点确保完美融合：

无缝融合：自动处理边缘过渡，消除接缝
像素级精度：修复区域精准对齐，无偏移
自动混合：支持自定义融合半径，实现自然效果

三种实战工作流配置指南

方案一：基础快速修复（SD 1.5）

对于日常修复任务，推荐使用Stable Diffusion 1.5模型：

# 关键参数配置 output_target_size: 512x512 # SD 1.5最佳分辨率 context_from_mask_extend_factor: 2.0 # 适当上下文扩展 mask_blend_pixels: 8 # 边缘融合像素数 device_mode: gpu (much faster) # GPU加速模式

工作流路径：example_workflows/inpaint_sd15.json

方案二：高级控制修复（Flux模型）

需要更精细控制时，Flux模型是绝佳选择：

图：Flux模型与ControlNet的深度集成，提供精准的结构控制

核心特性：

ControlNet结构控制
多提示词支持
高级噪声调节
精确细节生成

所需模型：

Flux Dev Q5 GGUF →models/unet/
Flux 1. dev controlnet inpainting beta →models/controlnet/
t5 GGUF Q3_K_L →models/clip/

方案三：高分辨率专业修复

处理需要超高清细节的场景：

图：结合超分辨率模型的高清修复方案

配置要点：

使用4x Ultrasharp等超分模型
设置output_target_size: 1024x1024
启用preresize确保最小分辨率
使用mask_fill_holes填充蒙版孔洞

参数配置完全指南

蒙版处理参数

参数	默认值	作用说明
mask_fill_holes	启用	自动填充蒙版中的空洞
mask_expand_pixels	0	按像素数扩展蒙版边界
mask_blend_pixels	8	边缘融合像素数
mask_hipass_filter	0	过滤接近黑色的低值蒙版

分辨率控制参数

参数	推荐值	适用场景
output_target_size	512x512	SD 1.5模型
output_target_size	1024x1024	SDXL/Flux模型
output_padding	8	确保尺寸兼容性

性能优化参数

参数	选项	性能影响
device_mode	gpu (much faster)	30-100倍加速
device_mode	cpu (compatible)	兼容性优先
downscale_algorithm	bicubic	速度与质量平衡

常见问题与解决方案

问题1：修复区域边缘不自然

解决方案：

增加mask_blend_pixels值（建议8-16）
调整context_from_mask_extend_factor为2.0-3.0
确保蒙版边缘完全为白色（255,255,255）

问题2：修复速度慢

优化建议：

切换到GPU模式：device_mode: gpu (much faster)
降低output_target_size分辨率
减少context_from_mask_extend_factor值

问题3：蒙版识别不准确

排查步骤：

使用图像编辑工具检查蒙版像素值
启用mask_fill_holes填充空洞
调整mask_hipass_filter过滤低值区域

安装与快速上手

安装方法

通过ComfyUI-Manager安装或手动安装：

git clone https://gitcode.com/gh_mirrors/co/ComfyUI-Inpaint-CropAndStitch

五分钟快速开始

导入工作流：拖拽example_workflows/inpaint_sd15.json到ComfyUI
加载图像：替换Load Image节点中的图片
设置蒙版：使用黑色区域标记需要修复的部分
调整参数：根据模型类型设置合适的分辨率
运行修复：点击Queue Prompt开始处理

最佳实践技巧

蒙版质量是关键：确保蒙版完全为白色（#FFFFFF），使用模糊选择工具验证
上下文扩展要适中：context_from_mask_extend_factor建议2.0-3.0
分辨率匹配模型：SD 1.5用512x512，SDXL/Flux用1024x1024
批量处理优化：支持多图像/蒙版对同时处理，适合视频修复

进阶配置与优化

GPU加速深度优化

2026年1月更新引入了GPU支持，带来巨大性能提升：

# GPU模式配置示例 device_mode: "gpu (much faster)" downscale_algorithm: "nearest-exact" upscale_algorithm: "bicubic"

性能对比：

CPU模式：兼容性好，速度较慢
GPU模式：需要足够VRAM，速度提升30-100倍

内存管理策略

处理大图像时的内存优化：

分批处理：将大图像分割为多个区域
分辨率调整：适当降低output_target_size
上下文控制：减少context_from_mask_extend_factor

多模型适配方案

不同AI模型的最佳配置：

模型类型	目标分辨率	推荐参数
SD 1.5	512x512	padding: 8, context: 2.0
SDXL	1024x1024	padding: 16, context: 2.5
Flux	1024x1024	padding: 32, context: 3.0

实际应用场景展示

照片修复案例

修复老照片中的划痕和污渍：

使用SD 1.5基础模型
设置mask_blend_pixels: 12确保平滑过渡
启用mask_fill_holes自动填充小孔洞

创意艺术创作

在艺术作品中添加新元素：

使用Flux模型获得更佳细节
结合ControlNet保持结构一致性
设置context_from_mask_extend_factor: 3.0提供充足上下文

产品图像优化

电商产品图局部美化：

批量处理多张产品图
使用GPU模式加速处理
保持output_target_size一致确保质量统一

技术架构解析

处理器逻辑设计

项目采用分层架构，核心代码位于inpaint_cropandstitch.py：

class ProcessorLogic(ABC): @abstractmethod def crop_magic_im(self, image, mask, x, y, w, h, target_w, target_h, padding, downscale_algorithm, upscale_algorithm, resize_output=True): pass @abstractmethod def stitch_magic_im(self, canvas_image, inpainted_image, mask, ctc_x, ctc_y, ctc_w, ctc_h, cto_x, cto_y, cto_w, cto_h, downscale_algorithm, upscale_algorithm): pass