HyperAI超神経
ホームニュース最新論文チュートリアルデータセット百科事典SOTALLMモデルGPU ランキング学会
検索
サイトについて
HyperAI超神経

ComfyUI LanPaint 画像修復ワークフローチュートリアル

オンラインでこのチュートリアルを実行

1. チュートリアルの概要

LanPaintは、2025年3月にリリースされたオープンソースの画像ローカル修復ツールです。革新的な推論手法を使用し、追加トレーニングなしでさまざまな安定した拡散モデル（カスタムモデルを含む）を適応させ、高品質の画像復元を実現します。 LanPaint は、従来の方法と比較して、トレーニング データとコンピューティング リソースの要件を大幅に削減する軽量ソリューションを提供します。関連する論文の結果は以下の通りである。Lanpaint: 正確かつ高速な条件付き推論によるトレーニング不要の拡散インペインティング”。

このチュートリアルでは、単一の RTX 4090 カードのリソースを使用します。

このプロジェクトでは、合計で次のモデル ファイルを使用した 8 つのサンプル ワークフローが提供されます。

  • animagineXL40_v40pt.safetensors
  • fux1-dev-fp8.safetensors
  • juggernautXL_juggXlByRundiffusion.safetensors
  • clip_l_hidream.safetensors
  • clip_g_hidream.safetensors
  • flux_vae.セーフテンソル
  • hidream-i1-full-Q6_K.gguf
  • t5-v1_1-xxl-エンコーダ-Q4_K_S.gguf
  • Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf

2. プロジェクト例

すべての例では、公平な比較を可能にするために、ランダム シード 0 を使用して 4 つの画像のバッチを生成します。

HiDream の例: InPaint (LanPaint K Sampler、5 つの思考ステップ)

キャラクターの一貫性（側面図生成）（LanPaint K Sampler、5つの思考ステップ）

ペイントにおけるフラックスモデル（LanPaint Kサンプラー、思考の5つのステップ）

3. 機能一覧

  • 🎨トレーニングゼロの修正: どの SD モデル (ControlNet の有無にかかわらず) および Flux モデルでもすぐに使用できます。自分でトレーニングしたカスタムモデルも。
  • 🛠️シンプルな統合: 標準の ComfyUI KSampler と同じワークフローです。
  • 🎯  真のブランク生成: 従来の方法で使用されるデフォルトのノイズ除去を 0.7 に設定する必要はありません (マスク内に 30% の元のピクセルを保持)。100% 既存のコンテンツを上書きせずに新しいコンテンツが作成されます。
  • 🌈  単なるインペイント以上のもの: これを使用すると、一貫性のある文字を簡単に生成することもできます。

4. 操作手順

1. コンテナを起動した後、API アドレスをクリックして Web インターフェイスに入ります

「Bad Gateway」と表示される場合、モデルが初期化中であることを意味します。モデルが大きいため、1〜2分ほど待ってページを更新してください。

2. 機能デモンストレーション

利用手順

1. 导入工作流

このプロジェクトには 8 つのサンプル ワークフローが組み込まれています。
ワークフローのダウンロードアドレス:サンプルワークフローのダウンロード

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。

次の手順では、例 6 を例として取り上げます。最初のクローンの場合は、フォルダー内のワークフローを手動で開いてロードする必要があります。 InPainted_Drag_Me_to_ComfyUI.png を ComfyUI で開き、ワークフローを読み込みます。 

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。
LanPaint KSampler

簡素化されたインターフェース、デフォルト設定が推奨されます:

  • ステップ数:50以上を推奨します。
  • LanPaint NumSteps: ノイズ除去の前に考える回数。ほとんどのタスクには 5 が推奨されます。
  • LanPaint EndSigma: ノイズレベルがこのレベルを下回ると、思考が無効になります。推奨設定は、リアルなスタイルの場合は 0.6 (Juggernaut-xl でテスト済み)、アニメ スタイルの場合は 3.0 (Animagine XL 4.0 でテスト済み) です。

LanPaint KSampler（上級）

パラメータ範囲説明する
Steps0-100拡散サンプリングステップの合計数。工程数が多いほど修復効果は高まります。推奨設定は50です。
LanPaint_NumSteps0-20各ノイズ除去ステップの推論反復回数（「思考の深さ」）。簡単なタスク: 1-2。難易度：5～10
LanPaint_Lambda0.1-50コンテンツの配置の強度（高いほど厳密になります）。おすすめ 8.0
LanPaint_StepSize0.1-1.0各思考ステップの推奨ステップ サイズは 0.5 です。
LanPaint_EndSigma0.0-20.0思考が不可能になるノイズレベル。 0.3～3が推奨されます。値が高いほど速度は速くなりますが、品質が低下する可能性があります。値を低くすると、思考はより堅牢になりますが、出力がぼやける可能性があります。
LanPaint_cfg_BIG-20-20マスクされた領域とマスクされていない領域を揃えるときに使用する CFG 比率 (正の値はキューを無視する傾向があり、負の値はキューを強調します)。キューが重要でない場合は、シームレスな復元のために 8 が推奨されます (例: 手足、顔)。キャラクターの一貫性（複数のビューなど）などの手がかりが重要な場合は、-0.5 が推奨されます。
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

5. 議論

🖌️ 高品質のプロジェクトを見つけたら、メッセージを残してバックグラウンドで推奨してください。さらに、チュートリアル交換グループも設立しました。お友達はコードをスキャンして [SD チュートリアル] に参加し、さまざまな技術的な問題について話し合ったり、アプリケーションの効果を共有したりできます。 

引用情報

このプロジェクトの引用情報は次のとおりです。

@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}, 
}