1. Einführung in das Tutorial

LanPaint ist ein Open-Source-Tool zur lokalen Bildreparatur, das im März 2025 veröffentlicht wurde. Es verwendet eine innovative Inferenzmethode, um eine Vielzahl stabiler Diffusionsmodelle (einschließlich benutzerdefinierter Modelle) ohne zusätzliches Training anzupassen und so eine qualitativ hochwertige Bildwiederherstellung zu erreichen. Im Vergleich zu herkömmlichen Methoden bietet LanPaint eine leichtere Lösung, die den Bedarf an Trainingsdaten und Rechenressourcen erheblich reduziert. Die relevanten Papierergebnisse sindLanpaint: Trainingsfreies Diffusions-Inpainting mit exakter und schneller bedingter Inferenz".

Dieses Tutorial verwendet Ressourcen für eine einzelne RTX 4090-Karte.

Dieses Projekt bietet 8 Beispiel-Workflows und verwendet insgesamt die folgenden Modelldateien:

animagineXL40_v40pt.safetensors
fux1-dev-fp8.safetensor
juggernautXL_juggXlByRundiffusion.safetensors
clip_l_hidream.safetensors
clip_g_hidream.safetensors
flux_vae.safetensor
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

2. Projektbeispiele

In allen Beispielen wird der Zufallsstartwert 0 verwendet, um Stapel von 4 Bildern zu generieren und so einen fairen Vergleich zu ermöglichen.

HiDream-Beispiel: InPaint (LanPaint K Sampler, 5 Denkschritte)

Zeichenkonsistenz (Seitenansichtsgenerierung) (LanPaint K Sampler, 5 Denkschritte)

Flussmodell in Paint (LanPaint K Sampler, 5 Denkschritte)

3. Funktionsliste

🎨Null Trainingsfix: Funktioniert sofort mit jedem SD-Modell (mit oder ohne ControlNet) und Flux-Modell! Sogar benutzerdefinierte Modelle, die Sie selbst trainiert haben.
🛠️Einfache Integration: Gleicher Arbeitsablauf wie beim Standard-ComfyUI-KSampler.
🎯 Echte Blank-Generierung: Es ist nicht erforderlich, die bei herkömmlichen Methoden verwendete Standard-Rauschunterdrückung auf 0,7 einzustellen (wobei 30% Originalpixel in der Maske verbleiben): 100% Neuer Inhalt wird erstellt, ohne vorhandenen Inhalt zu überschreiben.
🌈 Mehr als nur Inpaint: Sie können dies sogar als einfache Möglichkeit verwenden, konsistente Zeichen zu generieren.

4. Bedienungsschritte

1. Klicken Sie nach dem Starten des Containers auf die API-Adresse, um die Weboberfläche aufzurufen

Wenn „Bad Gateway“ angezeigt wird, bedeutet dies, dass das Modell initialisiert wird. Da das Modell groß ist, warten Sie bitte etwa 1–2 Minuten und aktualisieren Sie die Seite.

2. Funktionsdemonstration

Anwendung

1. 导入工作流

Dieses Projekt verfügt über 8 integrierte Beispiel-Workflows.
Workflow-Download-Adresse:Beispiel-Workflow herunterladen

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。

Die folgenden Schritte dienen als Beispiel 6. Für den ersten Klon müssen Sie den Workflow manuell im Ordner öffnen, um ihn zu laden. Öffnen Sie InPainted_Drag_Me_to_ComfyUI.png in ComfyUI und laden Sie den Workflow.

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。

Vereinfachte Schnittstelle, Standardeinstellungen werden empfohlen:

Schritte: 50+ werden empfohlen.
LanPaint NumSteps: Anzahl der Denkvorgänge vor der Rauschunterdrückung. Für die meisten Aufgaben wird 5 empfohlen.
LanPaint EndSigma: Wenn der Geräuschpegel unter diesen Pegel fällt, wird das Denken deaktiviert. Die empfohlene Einstellung ist 0,6 für realistischen Stil (getestet auf Juggernaut-xl) und 3,0 für Anime-Stil (getestet auf Animagine XL 4.0).

LanPaint KSampler (Fortgeschritten)

Parameter	Umfang	beschreiben
`Steps`	0-100	Die Gesamtzahl der Diffusionsprobenahmeschritte. Je höher die Anzahl der Schritte, desto besser der Reparatureffekt. Die empfohlene Einstellung ist 50.
`LanPaint_NumSteps`	0-20	Die Anzahl der Inferenziterationen („Denktiefe“) für jeden Rauschunterdrückungsschritt. Einfache Aufgaben: 1-2. Schwierigkeitsaufgaben: 5-10
`LanPaint_Lambda`	0.1-50	Stärke der Inhaltsausrichtung (höher ist strenger). Empfohlen 8.0
`LanPaint_StepSize`	0.1-1.0	Die empfohlene Schrittweite für jeden Denkschritt beträgt 0,5.
`LanPaint_EndSigma`	0.0-20.0	Der Geräuschpegel, unterhalb dessen das Denken unmöglich ist. Der empfohlene Wert liegt bei 0,3 – 3. Höhere Werte sind schneller, können aber die Qualität beeinträchtigen. Niedrigere Werte ermöglichen ein robusteres Denken, können aber die Ausgabe verwischen.
`LanPaint_cfg_BIG`	-20-20	Zu verwendendes CFG-Verhältnis beim Ausrichten maskierter und unmaskierter Bereiche (positive Werte neigen dazu, Hinweise zu ignorieren, negative Werte verstärken Hinweise). Wenn das Stichwort nicht wichtig ist, wird 8 für eine nahtlose Wiederherstellung empfohlen (z. B. Gliedmaßen, Gesicht). Wenn Hinweise wichtig sind, wie z. B. die Zeichenkonsistenz (z. B. mehrere Ansichten), wird -0,5 empfohlen

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-Codierung(Mitte)
Einstellen der potenziellen Rauschmaske(Zweiter von rechts)
LanPaint (ganz rechts)

5. Diskussion

🖌️ Wenn Sie ein hochwertiges Projekt sehen, hinterlassen Sie bitte im Hintergrund eine Nachricht, um es weiterzuempfehlen! Darüber hinaus haben wir auch eine Tutorien-Austauschgruppe ins Leben gerufen. Willkommen, Freunde, scannen Sie den QR-Code und kommentieren Sie [SD-Tutorial], um der Gruppe beizutreten, verschiedene technische Probleme zu besprechen und Anwendungsergebnisse auszutauschen ↓

Zitationsinformationen

Die Zitationsinformationen für dieses Projekt lauten wie folgt:

@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}, 
}