【ComfyUI插件】comfyui-inpaint-nodes插件
前言：
comfyui-inpaint-nodes是常用效果较好的图像填充方法，并且有自定义的inpaint节点，库中集合了fooocus模型，对图像的填充以及局部重绘都带了便利和效果提升，本篇文章将对该库中的所有结点进行详细的解释以及示例教学，希望大家活学活用！
目录：
一、VAE Encode & Inpaint Conditioning节点
二、Apply Fooocus Inpaint节点
三、Fill Masked Area节点
四、Blur Masked Area节点
五、Denoise to Compositing Mask节点
六、Load Inpaint Model/ Inpaint (using Model)节点
"抠图并填充背景"示例工作流
安装方法：※※看这里※※
一、VAE Encode & Inpaint Conditioning节点
节点功能：这个节点是ComfyUI原始库中vae encode(for inpainting)的替代方案，并且比原始的inpaint更有效果，它与同时使用VAE Encode（用于 Inpainting）和InpaintModelConditioning相同，但是对硬件资源的消耗更少。
输入：
positive -> 正向条件信息
negative -> 负面条件信息
vae -> 传入vae模型 ***用于图像重建和潜在向量获取的变分自动编码器***
pixels -> 传入的图像信息 ***需要进行图像修复的像素图像***
mask -> 蒙版信息 ***指示需要修复的像素位置的蒙版***
输出:
positive -> 正向条件信息 ***重构图像时所需的正向条件***
negative -> 负面条件信息 ***重构图像时所需的负向条件***
latent_inpaint -> 修复图像的潜在向量 ***用于修复图像的潜在向量和噪音掩码***
latent_samples -> 潜在样本 ***从变分自动编码器中提取的潜在样本***
注意：如下图所示，使用SDXL的大模型，演示了该节点的使用方法，重点在于latent_inpaint，latent_samples两个地方的连接方式，其次就是要对原图进行蒙版绘制，以此来控制扩散区域。
上面两个图像分别是latent_inpaint和latent_samples的解码后的图像内容，latent_inpaint需要传递给Apply Fooocus Inpaint节点用来将模型转换为inpaint模型，在github地址可以看到作者说"这不允许遮罩区域中存在现有内容"，所以说需要对蒙版区域进行内容遮盖，否则会导致生图受原图内容的影响，latent_samples将用于传递给ksampler完成局部重绘保证边缘的融合程度。
二、Apply Fooocus Inpaint节点
节点功能：这个节点用来将Fooocus模型应用到修复过程中。
输入：
model -> 大模型的数据流 ***需要修复的模型***
patch -> 修复补丁 ***用于修复的补丁，包括修复头模型和潜变量信息***
latent -> 潜变量 ***潜变量信息，包括样本和噪声掩码，是latent_inpaint连接处***
输出：
MODEL -> 大模型数据流 ***应用修复补丁后的模型***
注意：如下图所示，给出了该结点的参数连接方式，大家可以自行参考使用，或者在每个数据流中加入自己的控制方法。
该节点用来将SDXL模型转换成inpaint功能更强的重绘模型，可以较大程度保证重回区域和边缘的融合程度，但是需要保证SDXL模型为未经过加速和蒸馏的模型，否则会导致最终重绘区域不受提示词影响。传入的Latent要为上一个节点输出的latent_inpaint。
三、Fill Masked Area节点
节点功能：这个节点是对蒙版区域进行预先填充，使用三种不同的填充方式。
输入：
image -> 图像 ***待修复的图像***
mask -> 掩码 ***修复区域的掩码***
参数：
fill -> 填充方法 ***填充修复区域的方法：中性、Telea、Navier-Stokes***
falloff -> 衰减 ***用于腐蚀修复区域边缘的距离，类似于羽化***
输出：
IMAGE -> 图像 ***修复后的图像***
注意：如下图所示，这里对三种不同的填充方式进行了实验验证，大家可以根据结果自行选择，这种填充方式的用途可以是提供给WD14等提示词反推词，去进行提示词反推，避免出现比如“蒙版，黑色块”这样的提示词。
四、Blur Masked Area节点
节点功能：这个节点类似于imageblur节点，将蒙版区域进行模糊操作。
输入：
image -> 图像 ***待修复的图像***
mask -> 掩码 ***修复区域的掩码***
参数：
blur -> 模糊数值 ***模糊程度***
falloff -> 衰减数值 ***类似于羽化***
输出：
IMAGE -> 图像 ***修复后的图像***
注意：如下图所示,将输入图像的蒙版区域进行模糊操作。
五、Denoise to Compositing Mask节点
节点功能：这个节点是对蒙版值得范围进行归一化处理(可以不必学)。
输入：
mask -> 蒙版信息 ***输入的噪声蒙版***
参数：
offset -> 偏移 ***用于调整噪声掩码的偏移量***
threshold -> 阈值 ***用于调整噪声掩码的阈值***
注意：offset的值必须严格小于threshold，不然会报错
输出：
MASK -> 蒙版 ***输出符合条件的蒙版***
六、Load Inpaint Model/ Inpaint (using Model)节点
节点功能：这两个节点，第一个节点是加在inpaint模型，注意选择big_lama，不要选择fooocus模型，inpaint(using Model)节点用来对图像进行填充，使用模型进行像素点计算然后填充。
输入：
inpaint_model -> 修复模型 ***用于修复图像的模型***
image -> 图像 ***需要进行修复的图像***
optional_upscale_model -> 可选的模型 ***可选的用于修复图像的模型***
参数：
mask -> 蒙版 ***指示修复区域的蒙版***
seed -> 种子 ***随机数生成器的种子***
输出：
IMAGE -> 图像 ***修复后的图像***
注意：如下图所示，使用模型进行蒙版区域的填充。
"抠图并填充背景"示例工作流：
学习完以上节点，您就可以搭建“抠图并填充背景”示例工作流了
注意：该工作流通过segment节点，对输入的文本对应区域进行抠图，然后输出抠出来的图像，随后对区域进行预先填充，用来通过wd14节点进行提示词反推，随后通过fooocus节点进行蒙版区域的再次填充，该工作流在B站有视频讲解。
工作流讲解视频：看这里。
孜孜不倦,方能登峰造极。坚持不懈,乃是成功关键。
