一、教程简介

LanPaint 是一款开源图像局部修复工具，于 2025 年 3 月发布。它采用创新的推理方法，无需额外训练即可适配多种稳定扩散模型（包括自定义模型），从而实现高质量的图像修复。相较于传统方法，LanPaint 提供了一种更轻量级的解决方案，显著降低了对训练数据和计算资源的需求。相关论文成果为「Lanpaint: Training-Free Diffusion Inpainting with Exact and Fast Conditional Inference」。

本教程采用资源为单卡 RTX 4090 。

该项目提供了 8 个样例工作流，总共使用了下列模型文件：

animagineXL40_v40pt.safetensors
fux1-dev-fp8.safetensors
juggernautXL_juggXlByRundiffusion.safetensors
clip_l_hidream.safetensors
clip_g_hidream.safetensors
flux_vae.safetensors
hidream-i1-full-Q6_K.gguf
t5-v1_1-xxl-encoder-Q4_K_S.gguf
Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf

二、项目示例

所有示例都使用随机种子 0 生成 4 张图像的批次，以便进行公平比较。

HiDream 示例：InPaint（LanPaint K Sampler，5 个思考步骤）

字符一致性（侧视图生成）（LanPaint K Sampler，5 个思考步骤）

Paint 中的助焊剂模型（LanPaint K Sampler，5 个步骤的思考）

三、功能列表

🎨零训练修复：可立即与任何 SD 模型（带/不带 ControlNet）和 Flux 模型配合使用！甚至你自己训练的自定义模型。
🛠️简单集成：与标准 ComfyUI KSampler 相同的工作流程。
🎯 真正的空白生成：无需将传统方法中使用的默认去噪设置为 0.7（在蒙版中保留 30% 的原始像素）：100% 新内容创建，无需覆盖现有内容。
🌈 不仅仅是 inpaint：您甚至可以将其用作生成一致字符的简单方法。

四、运行步骤

1. 启动容器后点击 API 地址即可进入 Web 界面

若显示「Bad Gateway」，这表示模型正在初始化，由于模型较大，请等待约 1-2 分钟后刷新页面。

2. 功能演示

使用步骤

1. 导入工作流

本项目内置了 8 个样例工作流。
工作流下载地址：样例工作流下载

2. 本教程 Demo 已将工作流搭建好，仅需修改「CLIP Text Encode(Prompt)」，
并分别在「Original Image」和「Mask Image for inpainting」节点处上传对应的图片，
即可点击「run」来运行。

下面步骤以 example 6 为例，首次克隆需要手动打开文件夹内的工作流进行加载，将 InPainted_Drag_Me_to_ComfyUI.png 打开到 ComfyUI 中，加载工作流程。

3. 将 Original_No_Mask.png 上传到 Load image 组（最左侧）中的 Original Image 节点（左一）。

4. 将 Masked_Load_Me_in_Loader.png 上传到 Mask image for inpainting 组中的 Load image 节点（左二）。

5. 本教程已添加了 8 个样例工作流所需的模型文件并且每个工作流会自行选择模型，您可以跳过此步骤，执行下一步（注意：若使用非样例工作流，请根据需求自行选择或下载模型）。

6. 设置基本采样器的参数，项目已设置好默认参数，若您无需修改参数，可以跳过此步骤，执行下一步。

简化的界面，推荐使用默认设置：

Steps：建议 50+。
LanPaint NumSteps：去噪前的思考次数。建议大多数任务使用 5 次。
LanPaint EndSigma：噪音等级低于此等级时，思维将被禁用。建议写实风格设置为 0.6（已在 Juggernaut-xl 上测试），动漫风格设置为 3.0（已在 Animagine XL 4.0 上测试）。

LanPaint KSampler（高级）

参数	范围	描述
`Steps`	0-100	扩散采样的总步数。步数越高，修复效果越好。建议设置为 50 。
`LanPaint_NumSteps`	0-20	每个去噪步骤的推理迭代次数（“思考深度”）。简单任务：1-2 。困难任务：5-10
`LanPaint_Lambda`	0.1-50	内容对齐强度（越高越严格）。推荐 8.0
`LanPaint_StepSize`	0.1-1.0	每个思考步骤的步长，建议 0.5 。
`LanPaint_EndSigma`	0.0-20.0	噪声级别，低于该级别时，思考将被禁用。建议 0.3 – 3 。值越高速度越快，但可能会损害质量。值越低，思考能力越强，但可能会使输出模糊。
`LanPaint_cfg_BIG`	-20-20	对齐蒙版和非蒙版区域时使用的 CFG 比例（正值倾向于忽略提示，负值增强提示）。当提示不重要时，建议使用 8 进行无缝修复（例如肢体、面部）。当提示很重要时，例如角色一致性（即多视图），建议使用 -0.5

7. 点击「Run」按钮，生成结果图像

8. 您将通过 3 种方法获得最终的图像

VAE Inpainting 编码（中）
设置潜在噪声遮罩（右二）
LanPaint（最右侧）

五、交流探讨

🖌️ 如果大家看到优质项目，欢迎后台留言推荐！另外，我们还建立了教程交流群，欢迎小伙伴们扫码备注【SD 教程】入群探讨各类技术问题、分享应用效果↓

引用信息

本项目引用信息如下：

@misc{zheng2025lanpainttrainingfreediffusioninpainting,
      title={Lanpaint: Training-Free Diffusion Inpainting with Exact and Fast Conditional Inference}, 
      author={Candi Zheng and Yuan Lan and Yang Wang},
      year={2025},
      eprint={2502.03491},
      archivePrefix={arXiv},
      primaryClass={eess.IV},
      url={https://arxiv.org/abs/2502.03491}, 
}