基于Z-Image Turbo的AI局部重绘工作流实战指南

1. 背景与核心概念

在AI绘画领域，文生图模型已经能够生成令人惊叹的图像，但一个长期存在的痛点是如何对生成后的图像进行精细、可控的修改。传统方法要么需要重新生成整张图，结果不可控；要么使用复杂的图像编辑软件，门槛较高。近期，一个名为Z-Image Turbo的模型及其配套的局部重绘工作流在社区中引起了广泛关注，它精准地解决了“想换哪里换哪里”的编辑需求，让AI变装、换背景、修改细节变得像使用画笔一样简单。

Z-Image Turbo是什么？简单来说，它是一个基于扩散模型架构的、经过优化的文生图模型。“Turbo”通常意味着它在生成速度或效率上有所提升。而局部重绘（Inpainting）是图像生成中的一项关键技术，允许用户指定图像中的某个区域（蒙版区域），并引导AI模型仅对该区域进行重新绘制，同时保持图像其余部分不变。这为实现高度可控的图像编辑提供了可能。

将Z-Image Turbo与局部重绘能力结合，并通过工作流（Workflow）的形式固化下来，就形成了我们本文要探讨的核心。工作流，在这里特指在可视化编程工具（如ComfyUI）中，通过连接不同的功能节点（Node），构建出一个从输入到输出的自动化图像处理管道。一个成熟的“局部重绘工作流”封装了加载模型、输入提示词、上传图片、绘制蒙版、设置参数、生成输出等一系列步骤，用户无需理解底层代码，通过图形界面交互即可完成复杂操作。

为什么开发者或创作者需要掌握它？

  1. 提升创作效率与可控性：无论是为游戏角色设计多套服装，还是为电商产品图更换背景，亦或是修复老照片的瑕疵，局部重绘都能在几分钟内完成以往需要数小时专业PS的工作。
  2. 降低技术门槛：工作流将复杂的命令行参数和代码调用转化为直观的节点连线，让更多非程序员的视觉创作者也能利用前沿的AI能力。
  3. 激发创意可能性：它不再是“抽卡式”的生成，而是“雕塑式”的编辑。你可以从一个基础构图开始，逐步精细化每一个局部，实现脑海中的精确创意。
  4. 技术学习与集成：对于开发者而言，理解此工作流的构成，是学习如何将AI模型应用于具体场景、构建可视化AI工具的重要实践。

接下来，我们将从环境搭建开始，逐步拆解并实现一个完整的Z-Image Turbo局部重绘工作流。

2. 环境准备与版本说明

在开始构建工作流之前，我们需要搭建一个稳定且兼容的运行环境。本文将使用ComfyUI作为工作流执行平台，因为它对自定义节点和工作流分享的支持最为友好和强大。

核心环境要求：

  1. 操作系统：Windows 10/11， Linux 或 macOS（本文以Windows为例进行说明，其他系统步骤类似）。
  2. Python：版本 3.10.x。这是目前大多数AI绘画工具链最兼容的版本。不推荐使用3.11或3.12，可能会遇到依赖包冲突。
  3. Git：用于克隆代码仓库。
  4. 显卡：推荐NVIDIA显卡，显存至少8GB（6GB显存可尝试但可能受限）。需要安装对应版本的CUDA和cuDNN，但通过后续的整合包可以简化此过程。
  5. ComfyUI：我们将使用社区维护的便携版本，它集成了Python和常用依赖。

版本与资源获取：

  • ComfyUI便携版：为了避免复杂的Python环境配置，强烈建议新手使用整合包。你可以从GitHub或相关社区论坛找到名为“ComfyUI Portable”或“ComfyUI整合包”的下载链接，它通常已经包含了Python、PyTorch（CUDA版）和基础节点。
  • Z-Image Turbo模型：你需要下载具体的模型文件。根据网络资料，Z-Image Turbo可能是一个独立的.safetensors文件。请从Hugging Face、Civitai等模型分享站，以“Z-Image Turbo”为关键词搜索并下载。下载后，需要将其放入ComfyUI的模型文件夹。
  • 工作流文件：通常是一个.json或.png文件。本文最后会提供工作流的构建步骤，你也可以从社区分享站下载现成的局部重绘工作流进行学习。

目录结构准备（假设ComfyUI解压后目录为D:\ComfyUI）：

D:\ComfyUI\ ├── ComfyUI.exe (或 run_nvidia_gpu.bat) # 启动文件 ├── models\ │ ├── checkpoints\ # 放置大模型，如 Z-Image-Turbo.safetensors │ ├── vae\ # 放置VAE模型（可选） │ ├── loras\ # 放置LoRA模型（可选） │ └── controlnet\ # 放置ControlNet模型（可选，用于更精准控制） ├── input\ # 用于存放待处理的输入图片 ├── output\ # 生成图片的输出目录 └── custom_nodes\ # 存放自定义节点（后续安装）

第一步：部署ComfyUI

  1. 下载ComfyUI便携整合包并解压到任意路径（不要包含中文）。
  2. 双击run_nvidia_gpu.bat(Windows) 或运行对应的启动脚本。首次运行会自动安装依赖，时间可能较长。
  3. 启动成功后，浏览器会自动打开http://127.0.0.1:8188界面。

第二步：放置模型

  1. 将下载好的Z-Image-Turbo.safetensors模型文件，复制到ComfyUI\models\checkpoints\目录下。
  2. 重启ComfyUI（关闭命令行窗口再重新运行bat文件）。

完成以上步骤，你的基础画布就准备好了。接下来，我们进入核心环节——工作流构建。

3. 核心原理与节点拆解

在ComfyUI中，一切操作皆节点。理解关键节点的功能，是搭建和调试工作流的基础。我们的局部重绘工作流主要涉及以下几类节点：

3.1 加载器节点：模型的“搬运工”

  • Checkpoint Loader Simple：这是最常用的模型加载器。它从models/checkpoints目录读取你放置的.safetensors或.ckpt文件，并将其激活为当前工作的主模型。
    • 关键输出：MODEL,CLIP,VAE。这三个输出分别连接到后续的采样器和编码器节点。
  • VAE Loader：如果需要使用特定的VAE模型来调整图像色彩和细节，可以单独加载。通常可以直接使用Checkpoint Loader自带的VAE。

3.2 图像与蒙版处理节点：告诉AI“改哪里”

  • Load Image：加载你想要修改的原始图片。
  • Mask Editor或Load Image (as Mask)：这是局部重绘的核心。
    • Mask Editor：一个交互式节点，允许你直接在ComfyUI界面上用画笔涂抹出需要重绘的区域（白色部分为重绘区域，黑色部分为保留区域）。
    • Load Image (as Mask)：如果你已经有了一张黑白蒙版图（白色代表重绘），可以用这个节点加载。
    • 关键原理：蒙版会与原始图像一起，在后续的VAE Encode (for Inpainting)节点中被处理，生成一个带“洞”（蒙版区域）的潜空间表示，AI的任务就是填补这个“洞”。

3.3 文本编码器节点：告诉AI“改成什么样”

  • CLIP Text Encode (Prompt)：输入正向提示词，描述你希望在蒙版区域生成的内容。例如：“a red leather jacket”, “cyberpunk city background”。
  • CLIP Text Encode (Negative)：输入负向提示词，描述你不希望出现的内容。例如：“blurry, ugly, deformed, watermark”。这对于提升图像质量至关重要。

3.4 潜空间编码与采样节点：AI的“创作引擎”

  • VAE Encode (for Inpainting)：这是局部重绘的关键节点。它接收原始图像(pixels)和蒙版(mask)，输出一个“被遮蔽的潜空间表示”。它还会接收一个grow_mask_by参数，用于将蒙版边缘稍微扩大几个像素，使得生成的新内容能与原图背景融合得更自然，避免生硬的接缝。
  • KSampler / KSampler Advanced：扩散模型采样器，是图像生成的“发动机”。
    • 关键参数：
      • model: 连接Checkpoint Loader的MODEL输出。
      • seed: 随机种子。固定种子可以复现相同结果。
      • steps: 采样步数。步数越多，细节可能越好，但速度越慢。Turbo模型通常需要的步数较少（20-40步）。
      • cfg: 分类器自由引导尺度。值越高，AI越遵循你的提示词（通常7-9），但过高可能导致颜色饱和或失真。
      • sampler_name和scheduler: 采样方法。对于Turbo模型，euler,dpmpp_2m等是常见选择。
    • 关键连接：将VAE Encode (for Inpainting)输出的latent连接到此节点的latent_image。这样，采样器就知道只在蒙版区域进行去噪生成。

3.5 解码与保存节点：从数据到图片

  • VAE Decode：将采样器输出的潜空间数据(latent)解码回像素图像(IMAGE)。
  • Save Image：将最终生成的图像保存到ComfyUI\output目录。

理解了这些节点，我们就可以像搭积木一样将它们连接起来，构建完整的工作流。

4. 完整实战：构建Z-Image Turbo局部重绘工作流

让我们一步步在ComfyUI中搭建这个工作流。请确保你的ComfyUI已成功启动并加载了Z-Image Turbo模型。

4.1 搭建基础生成流程

首先，我们建立一条标准的文生图管线，这是所有操作的基础。

  1. 添加模型加载器：在空白处右键 ->Add Node->Loaders->Checkpoint Loader Simple。在ckpt_name下拉菜单中，选择你放置的Z-Image-Turbo.safetensors。
  2. 添加提示词编码器：右键 ->Add Node->Conditioning->CLIP Text Encode (Prompt)。创建两个，一个作为正向提示词，一个作为负向提示词。
  3. 添加采样器：右键 ->Add Node->Sampling->KSampler。
  4. 添加VAE解码与保存：右键 ->Add Node->Latent->VAE Decode。再右键 ->Add Node->Image->Save Image。

现在进行连接：

  • 将Checkpoint Loader Simple的MODEL输出，连接到KSampler的model输入。
  • 将Checkpoint Loader Simple的CLIP输出，分别连接到两个CLIP Text Encode节点的clip输入。
  • 将正向CLIP Text Encode的CONDITIONING输出，连接到KSampler的positive输入。
  • 将负向CLIP Text Encode的CONDITIONING输出，连接到KSampler的negative输入。
  • 将KSampler的LATENT输出，连接到VAE Decode的latent输入。
  • 将Checkpoint Loader Simple的VAE输出，连接到VAE Decode的vae输入。
  • 将VAE Decode的IMAGE输出，连接到Save Image的images输入。

你的基础管线应该看起来像下图所示（这是一个简化的文字描述）：

[Checkpoint Loader] -> (MODEL)->[KSampler] -> (CLIP)->[CLIP Text Encode (Prompt+)] -> (COND+)->[KSampler] -> (CLIP)->[CLIP Text Encode (Prompt-)] -> (COND-)->[KSampler] -> (VAE)--------------------------------------------->[VAE Decode] [KSampler] -> (LATENT) -> [VAE Decode] -> (IMAGE) -> [Save Image]

在KSampler上设置参数，例如：steps: 30,cfg: 7.5,sampler_name: euler,scheduler: normal。输入正向提示词如 “a photo of a person”，点击Queue Prompt测试是否可以正常生成图片。

4.2 引入图像加载与局部重绘

现在，我们将文生图管线改造为图生图（局部重绘）管线。

  1. 添加图像加载器：右键 ->Add Node->Image->Load Image。点击image字段旁的按钮，上传一张你想要修改的人物图片（例如，一个穿着普通T恤的人）。

  2. 添加蒙版编辑器：右键 ->Add Node->Mask->Mask Editor。这是一个交互式节点，会出现一个画板。在画板上，用画笔（白色）仔细涂抹人物身上的T恤区域，将其变为需要重绘的“蒙版”。你可以调整画笔大小进行精细涂抹。

  3. 关键替换：添加Inpainting编码器：删除原先连接到KSampler的latent_image输入（通常默认是一个空潜空间节点）。然后：

    • 右键 ->Add Node->Latent->VAE Encode (for Inpainting)。
    • 将Load Image节点的IMAGE输出，连接到VAE Encode (for Inpainting)的pixels输入。
    • 将Mask Editor节点的MASK输出，连接到VAE Encode (for Inpainting)的mask输入。
    • 将Checkpoint Loader Simple的VAE输出，也连接到这个节点的vae输入。
    • 最后，将VAE Encode (for Inpainting)输出的latent，连接到KSampler的latent_image输入。

  4. 修改提示词：将正向提示词改为描述新服装的内容，例如：“a person wearing a stylish black leather jacket, detailed stitching, fashion photoshoot”。负向提示词可以加强一下质量约束：“low quality, worst quality, bad anatomy, extra limbs”。

  5. 设置蒙版边缘融合：在VAE Encode (for Inpainting)节点上，找到grow_mask_by参数，将其设置为6（像素）。这意味着蒙版边缘会向外扩展6个像素，让AI在生成新内容时，有过渡区域来更好地融合。

4.3 连接并生成

现在，你的完整工作流应该如下图所示（节点连接关系）：

[Load Image] -> (IMAGE) -> [VAE Encode (for Inpainting)] -> (LATENT) -> [KSampler] [Mask Editor] -> (MASK) -> [VAE Encode (for Inpainting)] [Checkpoint Loader] -> (VAE) -> [VAE Encode (for Inpainting)] -> (MODEL) -> [KSampler] -> (CLIP) -> [CLIP Text Encode+] -> (COND+) -> [KSampler] -> (CLIP) -> [CLIP Text Encode-] -> (COND-) -> [KSampler] [KSampler] -> (LATENT) -> [VAE Decode] -> (IMAGE) -> [Save Image]

确保所有连接线无误后，点击Queue Prompt。ComfyUI将开始工作：首先编码带蒙版的图片，然后采样器在蒙版区域内根据你的提示词进行重绘，最后解码并保存。

4.4 结果说明

生成完成后，你可以在ComfyUI\output文件夹中找到结果。理想情况下，原图中人物的T恤应该已经被替换成了你描述的黑色皮夹克，而人物的脸部、背景等其他部分应保持高度一致。这就是局部重绘的魅力所在——精准、可控的AI编辑。

5. 常见问题与排查思路

在搭建和运行工作流时，你可能会遇到一些问题。以下是常见问题的排查指南。

问题现象可能原因解决思路
报错：KeyError: ‘…‘或AttributeError1. 自定义节点未安装或版本冲突。
2. 工作流使用了你的ComfyUI中没有的节点。		1. 如果从别处导入工作流，检查缺失的节点名称，通过ComfyUI管理器（ComfyUI Manager）或手动在custom_nodes文件夹安装。
2. 尝试在ComfyUI设置中启用“忽略未知节点”，但功能可能缺失。
生成结果全黑、全灰或扭曲1. VAE不匹配或有问题。
2. 模型本身需要特定的VAE。
3. 采样步数（steps）过低。		1. 在Checkpoint Loader Simple中尝试切换不同的VAE（如vae-ft-mse-840000-ema-pruned.safetensors）。
2. 查阅Z-Image Turbo模型说明，看作者是否推荐了特定VAE。
3. 逐步提高steps到30或40。
重绘区域边缘生硬、有接缝grow_mask_by参数设置过小，或蒙版绘制不够精确。1. 增大grow_mask_by值（如8-12）。
2. 在Mask Editor中使用软边画笔，或后期在PS中轻微模糊蒙版边缘再导入。
重绘内容不符合提示词，或改变了不想改的区域1. 提示词不够具体或存在冲突。
2. 蒙版绘制到了不该重绘的区域。
3.cfg值过低，AI自由度太高。		1. 优化提示词，使用更详细的描述。加强负向提示词。
2. 仔细检查蒙版，确保只覆盖目标区域。可使用Preview Image节点查看蒙版效果。
3. 适当提高cfg值（如8.5-9.5）。
生成速度非常慢1. 显存不足。
2. 图片分辨率过高。
3. 采样步数过多。		1. 尝试启用--lowvram模式启动ComfyUI。降低输出分辨率。
2. 先将原图缩放至合理大小（如512x768）。
3. Turbo模型通常不需要太多步数，尝试20-30步。
无法加载Z-Image Turbo模型1. 模型文件损坏。
2. 模型文件放错了位置。
3. 模型需要特定的触发词。		1. 重新下载模型文件。
2. 确认模型文件在models/checkpoints目录下。
3. 查阅模型发布页，在正向提示词开头加入推荐的触发词（如果有）。

6. 最佳实践与工程建议

掌握基础工作流后，通过以下技巧可以让你获得更稳定、更高质量的结果，并提升工作效率。

  1. 蒙版绘制精细化：

    • 使用外部工具：对于复杂蒙版，在Photoshop、GIMP或在线工具（如Remove.bg后编辑）中制作精准的黑白蒙版图，然后用Load Image (as Mask)节点加载，效果远好于手涂。
    • 羽化边缘：在外部软件中对蒙版边缘进行1-2像素的高斯模糊，可以使融合效果更自然。

  2. 提示词工程：

    • 区域特定描述：在提示词中强调被修改区域的属性。例如，重绘衣服时，详细描述“材质”、“颜色”、“款式”、“光影”。
    • 全局上下文：同时加入对原图整体风格的描述，如“photo realistic, sharp focus, studio lighting”，有助于保持整体一致性。
    • 使用负面标签：除了通用的质量负面词，可以加入与原图冲突的元素。例如，原图是夏天，重绘为冬装，可以加入“sunshine, hot”到负面词中。

  3. 参数调优：

    • Denoise（去噪强度）：在KSampler中，denoise参数控制重绘程度。1.0表示完全重绘，0.5表示一半基于原图噪声。对于换装，通常需要较高的denoise（0.8-1.0）。对于微调，可以降低（0.6-0.8）。
    • 采样器选择：多尝试不同的sampler_name和scheduler组合。dpmpp_2m或dpmpp_2m_sde搭配karras或exponentialscheduler 在细节和速度上常有不错平衡。

  4. 工作流管理与优化：

    • 保存工作流：搭建好的工作流，点击菜单Save保存为.json文件。也可以点击Save (API Format)保存为更紧凑的格式。
    • 使用效率节点：
      • Impact Pack等节点包：安装社区节点包，其中包含Inpaint Model Loader等节点，可以自动为局部重绘切换专用模型（如果有），或集成面部修复等功能。
      • 图像预处理：在Load Image后添加Image Scale或Image Crop节点，将图像标准化到模型擅长的大小（如512x768, 768x512），能提升生成质量。
    • 批量处理：通过ComfyUI的API或使用Load Image Batch等节点，可以实现对多张图片应用相同蒙版和提示词进行批量重绘，极大提升生产力。

  5. 版本与依赖管理：

    • 定期通过ComfyUI Manager更新ComfyUI本体和自定义节点。
    • 备份你的custom_nodes文件夹和常用工作流.json文件。
    • 尝试新模型或复杂工作流前，最好在独立的ComfyUI便携版副本中进行，避免污染主力生产环境。

通过遵循这些最佳实践，你可以从一个工作流使用者，逐步成长为能够根据具体任务定制和优化复杂工作流的创作者，真正释放Z-Image Turbo等AI模型在图像编辑领域的强大潜力。