1. 튜토리얼 소개

LanPaint는 2025년 3월에 출시된 오픈 소스 이미지 로컬 복구 도구입니다. 혁신적인 추론 방법을 사용하여 추가 학습 없이 다양한 안정적 확산 모델(사용자 정의 모델 포함)을 적용하여 고품질 이미지 복원을 달성합니다. LanPaint는 기존 방식에 비해 훈련 데이터와 컴퓨팅 리소스에 대한 요구 사항을 크게 줄여주는 더 가벼운 솔루션을 제공합니다. 관련 논문 결과는 다음과 같습니다.Lanpaint: 정확하고 빠른 조건 추론을 통한 훈련 없는 확산 인페인팅".

이 튜토리얼에서는 단일 RTX 4090 카드에 대한 리소스를 사용합니다.

이 프로젝트는 다음 모델 파일을 사용하여 총 8개의 샘플 워크플로를 제공합니다.

animagineXL40_v40pt.safetensors
fux1-dev-fp8.safetensors
juggernautXL_juggXlByRundiffusion.safetensors
클립_l_hidream.safetensors
클립_g_hidream.safetensors
flux_vae.safetensors
hidream-i1-full-Q6_K.gguf
t5-v1_1-xxl-인코더-Q4_K_S.gguf
메타-라마-3.1-8B-인스트럭트-Q4_K_M.gguf

2. 프로젝트 예시

모든 예제에서는 공정한 비교를 위해 난수 시드 0을 사용하여 4개의 이미지 배치를 생성합니다.

HiDream 예시: InPaint(LanPaint K 샘플러, 5단계 사고)

캐릭터 일관성(측면 뷰 생성)(LanPaint K 샘플러, 5가지 사고 단계)

페인트의 플럭스 모델(LanPaint K 샘플러, 사고의 5단계)

3. 함수 목록

🎨제로 트레이닝 수정: 모든 SD 모델(ControlNet 포함 또는 미포함) 및 Flux 모델과 함께 바로 사용 가능합니다! 직접 훈련시킨 맞춤형 모델도 있습니다.
🛠️간단한 통합: 표준 ComfyUI KSampler와 동일한 워크플로우입니다.
🎯 진정한 공백 세대: 기존 방식(마스크에 30% 원본 픽셀 유지)에서 사용했던 기본 노이즈 제거를 0.7로 설정할 필요가 없습니다. 100% 기존 콘텐츠를 덮어쓰지 않고 새 콘텐츠가 생성됩니다.
🌈 단순한 페인트 그 이상: 이를 통해 일관된 문자를 쉽게 생성할 수도 있습니다.

4. 작업 단계

1. 컨테이너 시작 후 API 주소를 클릭하여 웹 인터페이스로 진입합니다.

"잘못된 게이트웨이"가 표시되면 모델이 초기화 중임을 의미합니다. 모델이 크기 때문에 1~2분 정도 기다리신 후 페이지를 새로고침해 주세요.

2. 기능 시연

사용 방법

1. 导入工作流

이 프로젝트에는 8개의 기본 제공 샘플 워크플로가 있습니다.
워크플로우 다운로드 주소:샘플 워크플로 다운로드

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。

다음 단계에서는 예제 6을 예로 들어 보겠습니다. 첫 번째 복제본의 경우, 폴더에서 워크플로를 수동으로 열어 로드해야 합니다. ComfyUI에서 InPainted_Drag_Me_to_ComfyUI.png를 열고 워크플로를 로드합니다.

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。

간소화된 인터페이스, 기본 설정을 권장합니다:

단계: 50개 이상이 권장됩니다.
LanPaint NumSteps: 노이즈를 제거하기 전에 생각해야 하는 횟수입니다. 대부분의 작업에는 5가 권장됩니다.
LanPaint EndSigma: 소음 수준이 이 수준 이하로 떨어지면 사고가 불가능해집니다. 현실적인 스타일(Juggernaut-xl에서 테스트)의 경우 권장 설정은 0.6이고, 애니메이션 스타일(Animagine XL 4.0에서 테스트)의 경우 권장 설정은 3.0입니다.

LanPaint KSampler(고급)

매개변수	범위	설명하다
`Steps`	0-100	확산 샘플링 단계의 총 수입니다. 단계의 수가 많을수록 수리 효과가 좋아집니다. 권장 설정은 50입니다.
`LanPaint_NumSteps`	0-20	각 노이즈 제거 단계에 대한 추론 반복 횟수("사고 깊이")입니다. 간단한 작업: 1-2. 난이도 과제: 5-10
`LanPaint_Lambda`	0.1-50	콘텐츠 정렬 강도(높을수록 엄격함). 추천 8.0
`LanPaint_StepSize`	0.1-1.0	각 사고 단계에 권장되는 단계 크기는 0.5입니다.
`LanPaint_EndSigma`	0.0-20.0	사고가 불가능해지는 소음 수준입니다. 0.3 – 3이 권장됩니다. 값이 높을수록 더 빠르지만 품질이 떨어질 수 있습니다. 값이 낮을수록 사고는 더 활발해지지만 출력이 흐릿해질 수 있습니다.
`LanPaint_cfg_BIG`	-20-20	마스크된 영역과 마스크되지 않은 영역을 정렬할 때 사용할 CFG 비율(양수 값은 신호를 무시하는 경향이 있고, 음수 값은 신호를 강화함). 신호가 중요하지 않은 경우 원활한 복구를 위해 8이 권장됩니다(예: 사지, 얼굴). 문자 일관성(예: 여러 뷰)과 같은 신호가 중요한 경우 -0.5가 권장됩니다.

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 인페인팅 코딩(가운데)
잠재적 노이즈 마스크 설정(오른쪽에서 두 번째)
LanPaint(맨 오른쪽)

5. 토론

🖌️ 고품질 프로젝트를 발견하시면, 백그라운드에 메시지를 남겨 추천해주세요! 또한, 튜토리얼 교환 그룹도 만들었습니다. 친구들의 QR코드 스캔과 [SD 튜토리얼] 댓글을 통해 그룹에 가입하여 다양한 기술 이슈에 대해 논의하고 신청 결과를 공유해 주시기 바랍니다.↓

인용 정보

이 프로젝트에 대한 인용 정보는 다음과 같습니다.

@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}, 
}