畫出遮罩，只重畫一小塊：第一次局部重繪

想改桌上一個杯子，不想整張重來

第五課用文字要求保留角色，這次多加一個工具：遮罩（mask），用範圍告訴工作流哪裡要重畫。練習目標是認出官方貓咪圖片右下方的修改區，跑出自己的 A 圖，再只調整遮罩做 B 圖比較。

這課換到 Stable Diffusion 局部重繪工作流。它不是在第五課 Qwen 的文字欄加上「遮罩」就會生效，也不是把兩套模型接在一起。先另存新工作流，保留第五課檔案。

官方局部重繪教學 · 官方 Mask Editor 操作 · 本課模型檔案入口

本課圖片是官方 AI 生成示例與官方操作畫面，不是本站出圖測試。可先完成讀圖與接線檢查；需要生成的部分，只有在自己實際跑完後才能填結果。遮罩能限制取樣修改的範圍，但不能據此保證未圈選區域逐像素完全不變。

先看輸入、修改區與官方結果

先回答兩題：要改的是貓咪眼睛，還是右下桌面？IMAGE 和 MASK 是否從同一個 Load Image 出來？答案是右下桌面，且兩條輸出各有不同用途。看到一張來源圖，不代表遮罩已經接入。

官方另提供以下一般 SD1.5 checkpoint 的結果。可以觀察新杯子的邊緣、陰影及桌布，但不要把兩張官方示例當成本站做的嚴格模型 A/B 測試：其檔案中的 seed 不同，不能將所有差異歸因於模型。

第 1 步 另開一份局部重繪流程

1. 下載本課八節點 JSON，在 ComfyUI 的 Workflow → Open 匯入
2. 下載上方官方輸入 PNG，檔名保留 input.png，再由 Load Image 選取它
3. Load Checkpoint 選 512-inpainting-ema.safetensors。這是官方教學指定的 inpainting checkpoint，放在目前環境的 models/checkpoints；不要選第五課 Qwen 檔案，也不要只改其他模型的檔名
4. 模型檔案頁列約 5.21 GB，下載與儲存空間另計；檔案容量不等於執行所需 VRAM。本課沒有測得特定顯示卡的最低記憶體或速度，不將第二課 SD1.5 的建議直接套過來

模型來源標示 openrail++，請從模型入口核對適用條款後取得；本課不附權重，也不作無限制商用承諾。模型尚未備妥的人先做下方讀圖與接線題，不需要為了這課購買雲端服務。

應該看到： 8 個處理節點，模型與圖片欄位都能選到自己的檔案。JSON 只帶設定，不會下載模型、安裝節點或替你完成生成。

第 2 步 沿著兩條線檢查遮罩

• Load Image 的 IMAGE → pixels：傳入要修改的圖片
• Load Image 的 MASK → mask：傳入要修改的範圍
• Load Checkpoint 的 VAE → vae：供圖像編碼使用
• VAE Encode (for Inpainting) 的 LATENT → KSampler 的 latent_image：把含遮罩資訊的潛在資料交給取樣器

這裡不是第二課的 Empty Latent Image，也不是一般 VAE Encode。若 MASK 沒接上，只盯著提示詞看通常找不到原因。

本課來源 PNG 的透明區已經備妥。ComfyUI 的 Load Image 會從 alpha 通道建立反向遮罩：透明處形成要處理的區域；沒有透明通道的普通 JPEG 不會自動知道你想修哪裡。官方 LoadImage 原始碼

應該看到： IMAGE 和 MASK 兩條線都進入同一個 VAE Encode (for Inpainting)。先保持 grow_mask_by = 6，它會讓處理範圍向外延伸以幫助交界過渡，不是數字越大越精準，也不把它解讀成指定方向必定外擴六個像素。

第 3 步 先保存 A 的設定，再執行一次

這次先沿用官方茶杯主題，不急著換成角色改衣服。正向文字為「teacup on pink tablecloth, Anime style」，負向為「watermark, text」。本課 JSON 設定 seed 20261008、fixed、steps 20、cfg 8、sampler uni_pc_bh2、scheduler normal、denoise 1；輸出前綴為 greenbean-lesson-06-A。

以上是這份 SD 工作流的練習基準，不是 Qwen 通用參數，也不是最佳品質保證。輸入圖為 1024×1024；初次先一張，不擴大尺寸或增加批次。環境記憶體不足時保存錯誤，不反覆重按 Run。

另存自己的 lesson-06-A.json，按 Run 一次。完成後同時保留結果 PNG、JSON 和比較紀錄 CSV。若只完成設定、尚未出圖，就在狀態填「尚未生成」。

第 4 步 用 Mask Pen 改範圍，不要用 Paint Pen 塗掉原圖

1. 回到相同原始 input.png，另存 B 工作流；不要把 A 的生成結果接成來源，否則比較時已多改一個條件
2. 在 Load Image 按右鍵 → Open in Mask Editor；新版也可從節點上方的遮罩圖示進入
3. 選 Mask Pen，確認正在操作 Mask Layer。Paint Pen 會修改圖片 RGB 內容，這次不用它代替遮罩筆
4. 用 Eraser 修掉原遮罩的一小部分，或用 Mask Pen 在右下桌面稍微擴大範圍；不要同時改提示詞、seed、模型或 grow_mask_by
5. 按 Save。按 Cancel 則不保存剛才的遮罩修改
6. 輸出前綴改成 greenbean-lesson-06-B，以相同 seed 與其他參數執行一次

遮罩覆蓋層可用黑、白或 Negative 顯示。畫面看見黑色，不等於那裡一定受保護；先看自己選的圖層、工具與顯示模式。Invert 是反轉遮罩，與切換覆蓋層顏色不是同一件事。

應該完成： A、B 來源相同，修改範圍不同，其他取樣設定一致；每張結果能找到對應 JSON。沒有實際跑 B，就只記遮罩設定，不預填「效果更好」。

第 5 步 按三個位置驗收

把來源、A、B 用同樣倍率並排。先看遮罩內是否真的生成預期杯子，再看交界有沒有硬邊、斷掉的桌布紋理或突兀陰影，最後看遮罩外的貓咪眼睛、帽子及背景有沒有可見變化。

新增杯子成功但桌布接縫明顯，應記「內容達成、融合待改善」。圈選區域外有變化，就如實寫位置，不能只因有遮罩便判定完全保留。這份流程沒有在最後把原圖未選區域逐像素貼回；若交付需求要求完全相同，需要另外設計與驗證合成流程。

卡住時先找是哪一種問題

• 範圍看起來沒變：確認用了 Mask Pen、按了 Save，且 MASK 接到 mask
• 整張畫面似乎都被改：檢查是否誤用 Invert，或把遮罩畫成全圖
• 匯入後找不到 input.png：在 Load Image 重新選本課下載的原 PNG，不要用網頁截圖
• 新杯子邊緣不自然：記錄交界位置，下一輪只改遮罩大小或一項設定，避免一次修改所有參數
• 缺模型／執行記憶體不足：依第二課排錯記錄環境與錯誤；本課未提供硬體保證

小練習與參考答案

1. 用 Paint Pen 把桌面塗黑，是否等於建立遮罩？不是，它修改 RGB 圖層；本次用 Mask Pen。
2. A 和 B 除遮罩外又換了 seed，可以斷定遮罩讓結果變好嗎？不能，已不是單一變因。
3. 下載 JSON 就能省略模型嗎？不能，JSON 不含權重。
4. 遮罩外一定逐像素不變嗎？這份流程未提供這個保證，需另外檢查。
5. 官方兩張模型展示的 seed 不同，能拿來宣稱嚴格跑分嗎？不能，它們只作效果觀察示例。

最後交付自己的 A/B 圖片、對應 JSON 和已填觀察單。未生成者交接線檢查與阻礙紀錄即可，兩種完成狀態分開寫。

練習下載與來源

• 八節點局部重繪 JSON
• A/B 比較紀錄 CSV
• 讀圖練習與答案文字檔
• 來源、修改及使用說明
• 官方素材與 SHA256 清單
• Comfy 文件庫 GPL-3.0 授權原文

查核日期為 2026 年 10 月 9 日（台灣）。圖片取自 Comfy-Org/docs 固定版本 98836b7；保持原始檔案與原尺寸。JSON 從同庫官方比較 PNG 所附工作流衍生，移除未連接節點及說明便條，指定本課模型、來源、固定 seed 與輸出前綴；詳細差異附在 README。它經過結構與連線檢查，尚未實際匯入 ComfyUI 或執行 GPU 生成。