企业官网建设流程全解析

Midjourney 出图很好看，但有一个很影响体验的问题：局部细节一放大就容易碎。头发碎成一片噪点、手指多出来一两节、衣服纹理像破布、皮肤跟磨砂一样。你重新抽卡又未必能抽到满意的构图，沿用原提示词再生成，出来的可能根本不是同一张图。

这次我们来看一个更省事的处理思路：在 ComfyUI 里，用一套不需要写提示词的工作流，直接对 Midjourney 生成的破碎细节做修复。核心做法是放低重绘幅度，配合 ControlNet tile 锁住原图结构，再用放大模型重新刻画纹理。整个过程不用重新设计提示词，不用重抽卡，只需要把你想要修复的图丢进来，跑一遍工作流，重点观察降噪幅度和 tile ControlNet 是否生效。

这篇文章会从“破碎细节到底怎么来的”讲起，再到 ComfyUI 环境准备、工作流节点接法、修复效果验证、接口 API 调用和批量修复，最后给出一套通用的排查清单。如果你已经在用 ComfyUI，或者手头有一堆 Midjourney 需要局部修复的图，这篇可以直接按步骤操作。

1. 核心能力速览

先交代这套工作流的关键参数和适用边界，方便你判断值不值得往下读。

需要说明的是：这套工作流的价值并不在于“发明了一个新模型”，而是把已有的图生图、ControlNet、放大模型组合成一条固定流程。你不需要对每张图重新写提示词，也不需要在 Photoshop 里一笔一笔修。

1.1 哪些情况适合用

• 手指、眼睛、牙齿等部位在放大后出现明显畸形。
• 头发、皮肤、布料纹理呈现“破碎感”，像细碎噪点拼出来的。
• 构图满意，但分辨率不够，放大后出现涂抹感。
• 同一个角色、同一套场景，不想为了修复某个局部而重新生成。
• 批量整理一批 Midjourney 图片，希望统一修复后再进素材库。

1.2 哪些情况不适合用

• 整张图模糊、构图失败、主体完全错位，这种请重新抽卡，修复成本反而高。
• 需要严格保留原图每一个像素不动，只处理某个极小区域，应该用局部重绘 Mask。
• 对大幅细节有专业摄影级要求，还是需要进入 Photoshop 或 Lightroom 做精细控制。

2. 破碎细节是怎么产生的

很多人以为 Midjourney 输出的图可以直接用，但放大到 200% 以上就会发现局部经不起看。破碎感的来源主要有四个。

第一，Midjourney 本身是在潜空间里生成图像，最终解码成像素图时，高频细节会被模型“猜”出来。模型猜得准的区域就很清晰，猜不准的区域就产生伪影和噪点，尤其集中在手指、文字、复杂纹理这些难以建模的部位。第二，放大过程中如果使用简单的邻近插值或普通放大算法，边缘会出现锯齿、模糊和错误纹理。第三，降噪器在生成阶段会优先保证整体构图，对局部小结构的约束比较弱，所以同一种材质在不同区域会出现不一致的破碎表现。第四，当你把图送去给其他工具二次生成时，如果重绘幅度太高，模型会加入自己的想象，导致原结构被破坏。

理解这一点，就能明白为什么“免提示词修复”这条路可行：既然破碎细节是模型在潜空间里“猜”得不准确的结果，那就让模型在低重绘幅度下再猜一次，把局部猜得更合理。同时用 ControlNet tile 把原图的结构、边缘、空间关系锁住，避免第二次猜测时改变构图或物体位置。

2.1 为什么不是简单放大

如果只是把分辨率调高，破碎区域不会自动变好，只会被放大得更大。修复的关键步骤是“重绘”，不是“放大”。放大只是让模型有更多像素空间去重新生成纹理，真正改变破碎状态的是 KSampler 里的降噪过程。所以我们看到很多修复工作流会把放大和重绘做在一起：先解码回像素，再用放大模型提升分辨率，然后以低降噪幅度再做一次图生图。

3. 免提示词修复的原理

“免提示词修复”看起来像魔法，实际原理可以拆成三个部分。

3.1 空提示词 + 低降噪，只重绘细节不重写构图

正常的文生图，提示词决定了画面里有什么。修复破碎细节时，如果我们继续写提示词，模型容易受文字影响，把原有构图带偏，比如把人物衣服改掉、背景多出东西。空提示词的方式等于告诉模型：不要根据文字想象画面，只根据输入图像本身的特征来重绘。

低降噪数值是关键。denoise 越低，输出越接近输入图；denoise 越高，模型重画的程度越大。修复破碎细节时，一般从 0.3 开始，太高会把原图改得面目全非，太低则无法清理破碎区域。

3.2 ControlNet tile 锁结构

ControlNet tile 是一个专门处理“输入图结构保持”的控制模型。它会把原图切成 tile 块，提取里面的空间关系，并在采样阶段约束模型不要改变这些结构。有了它，哪怕你用的是空提示词，模型也会尽量保留原图的人物轮廓、位置、边缘和空间布局。这样可以放心把降噪幅度提到 0.4 甚至 0.5，让模型有足够自由去修复细节，同时不会把画面结构重画一遍。

3.3 放大模型负责生成新纹理

重绘过程中，模型把破碎的纹理区域重新生成了一遍。为了确保生成后的纹理足够细腻，我们通常会先做一次放大，让模型在高分辨率下重绘。常见的做法是使用 Ultimate SD Upscale 节点，配合 4x-UltraSharp 之类的放大模型，把图片放大 1.5 到 2 倍，然后再进入 KSampler 做低降噪重绘。放大后再重绘，比先重绘再放大效果好很多，因为模型在更高像素空间里有更多信息来校准细节。

这三个部分组合起来，就是一套典型的“无提示词修复”工作流：加载图片 → 放大 → 图生图低降噪重绘 → 输出修复结果。

4. ComfyUI 本地部署环境准备

在开始搭工作流之前，先确保 ComfyUI 能正常启动。这里区分两种典型方式：一种是用整合包，一种是手动安装。

4.1 使用整合包快速启动

如果你之前没装过 ComfyUI，搜索“秋叶 ComfyUI 整合包”可以找到包含 Python、PyTorch、模型管理工具的打包版本。整合包的好处是依赖隔离、模型目录清晰，适合第一次接触的用户。启动时进入一键启动脚本，等待命令行出现本地地址，然后在浏览器打开即可。

http://127.0.0.1:8188

4.2 手动部署通用步骤

手动部署的思路是先装 Python 环境，再用 pip 安装依赖，最后从源码启动。

git clone https://github.com/comfyanonymous/ComfyUI cd ComfyUI

建议创建独立的 Python 虚拟环境再安装依赖。安装完成后，调用 main.py 启动服务。

python main.py --listen 127.0.0.1 --port 8188

如果使用 Windows 且需要调用本地显卡，先确认 PyTorch 版本和 CUDA 版本匹配。搜索“ComfyUI 本地部署加速器”可以找到一些针对国内下载 PyTorch 和模型文件的加速方法，这里不展开。

4.3 建议准备的文件

• 一个可用的 Stable Diffusion 模型，例如基于 SD1.5 或 SDXL 的二次元或写实模型。
• 对应的 ControlNet tile 模型文件，需要放到 ComfyUI/models/controlnet 目录。
• 一个放大模型，例如 4x-UltraSharp 或 4x_NMKD-Siax，放到 ComfyUI/models/upscale_models 目录。
• 如果需要面部修复，可以准备 FaceRestore 相关节点。

4.4 显存与显卡要求

这套工作流对显卡没有特别夸张的要求。SD1.5 级别的模型加上 ControlNet tile，8GB 显存就能跑得很舒服；如果使用 SDXL 模型，建议 12GB 以上显存，或者使用带 tiling 的低显存模式。实际占用需要根据本机测试确认，因为放大模型、采样分辨率、是否启用 FaceRestore 都会直接影响显存。启动时可以观察任务管理器或 ComfyUI 控制台的显存日志，不要只看启动时占了多少，要看 KSampler 开始执行那一段的峰值占用。

5. 工作流构建与一键导入

ComfyUI 的界面是节点式的，我们需要把“加载图片、放大、编码、ControlNet、采样、解码、保存”这些节点连成一条链路。下面给出一个完整的工作流描述，并且会拆成节点序列。

5.1 节点序列总览

这是从输入到输出的主干链路：

Load Image -> Image Scale / Upscale Model -> VAE Encode -> ControlNet Apply -> KSampler -> VAE Decode -> Save Image

其中 ControlNet Apply 需要两条输入：一条来自 Load Image，另一条来自 ControlNet Loader。

5.2 分支链路细节

第一步，加载图片。使用 Load Image 节点，选择需要修复的图。

第二步，放大（可选）。如果原图分辨率偏低，可以先做一次放大。推荐使用 Ultimate SD Upscale 节点，或者先通过 UpscaleModelLoader 加载放大模型，再配合 ImageUpscaleWithModel 节点。

UpscaleModelLoader -> ImageUpscaleWithModel -> 放大后的图像

第三步，潜空间编码。把图像用 VAE Encode 转换成潜空间数据，KSampler 没法直接处理像素图。

第四步，加载 ControlNet。使用 ControlNetLoader，model 选择 tile 相关的模型文件；ControlNetApplyAdvanced 或 ControlNetApply 节点把图像条件附加到采样过程。

第五步，KSampler 采样。正向提示词留空，使用 Claude 的最终版本进行编辑。确保保留所有章节标题、描述性内容、链接、图片引用的 Markdown 设置，不改变结构与格式。直接返回完整翻译结果。Claude 最终版，修改中文格式：

正向提示词留空，负向提示词可以给少量通用负面词，例如“worst quality, jpeg artifacts, blurry”，也可以直接留空。steps 从 20 到 30 之间选，cfg 从 4 到 7 之间选，denoise 从 0.3 到 0.5 之间选。采样器可以用 dpmpp_2m，调度器用 karras。

第六步，解码输出。KSampler 输出潜空间数据，经过 VAE Decode 转成图像，最后连接 Save Image 保存。

5.3 关键参数记忆表

5.4 工作流 JSON 导入思路

ComfyUI 工作流可以通过“Load”按钮导入 JSON 文件，也可以用“Export API”导出后，用 API 方式调用。手动搭建时，只要保证节点之间的连线匹配，不需要强行套别人的 JSON。搜索“ComfyUI 工作流分享”时，你会发现很多修复类工作流都长这样：要么是 tile + upscale，要么是 face restore + upscale，套路基本一致。

5.5 需要的自定义节点

• 如果你用的整合包自带了 Custom Nodes 管理，安装 “ComfyUI-Impact-Pack” 或 “ComfyUI_UltimateSDUpscale” 可以降低工作流搭建成本。
• 如果只需要基础修复，原生的 ImageUpscaleWithModel 加 KSampler 就够用，不一定非要自定义节点。

6. 修复效果验证流程

搭建好工作流之后，不要直接批量跑图。先把一张典型的破碎图拿来做验证。

6.1 测试图选择

选一张同时具备以下特征的图效果最直观：人物手指附近有破碎、头发纹理噪声明显、放大后局部有涂抹感。Midjourney 生成图放大到两倍左右，很容易找到这类区域。

6.2 操作步骤

• 第一步，把测试图拖入 ComfyUI 的 Load Image 节点。
• 第二步，确认正负提示词都为空，或者只保留负向通用词。
• 第三步，把 denoise 设到 0.35，先跑一遍。
• 第四步，对比输出图和原图，重点看手指、头发、皮肤纹理是否变平滑。
• 第五步，如果整体变化不明显，把 denoise 提高到 0.45 再试。
• 第六步，如果构图被改了，把 ControlNet strength 提高，或者降低 denoise。

6.3 判断成功的标准

成功的修复应该满足三个条件：破碎区域趋于自然、整体构图和原图基本一致、没有新增明显的伪影和色块。如果你发现输出图虽然细节干净了，但人物五官变了、背景物体移位了，说明重绘幅度太高或 ControlNet 强度太低。

6.4 常见失败现象

7. 接口 API 与批量修复调用

ComfyUI 本身开放了 HTTP 接口，可以理解为一个本地部署的图像生成服务。如果你想给一堆 Midjourney 图片做批量修复，不需要手动在界面里一张张拖图，直接写脚本调用接口就行。

7.1 启动 API 服务

启动时只需要保持 ComfyUI 在运行，默认接口就是可用的。

python main.py --listen 127.0.0.1 --port 8188

7.2 通过 WebSocket 或 /prompt 接口提交任务

ComfyUI 的 API 调用方式是先通过工作流的 API 格式 JSON，把客户端 id 设置好，再 POST 到 /prompt 接口。下面给出一段通用示例，你需要替换成自己的工作流 JSON 和图片路径。

import json import urllib.request def queue_prompt(prompt, client_id): data = json.dumps({ "prompt": prompt, "client_id": client_id }).encode("utf-8") req = urllib.request.Request( "http://127.0.0.1:8188/prompt", data=data, headers={"Content-Type": "application/json"} ) with urllib.request.urlopen(req) as resp: return json.loads(resp.read()) # 这里的 prompt 应该是你在 ComfyUI 中导出后的 API 格式工作流， # 并且把 LoadImage 的 image 参数改成你本机的输入文件名。 api_prompt = { "3": { "class_type": "LoadImage", "inputs": { "image": "mj_broken_001.png" } }, "5": { "class_type": "KSampler", "inputs": { "seed": 42, "steps": 25, "cfg": 5.0, "sampler_name": "dpmpp_2m", "scheduler": "karras", "denoise": 0.4, "model": ["10", 0], "positive": ["4", 0], "negative": ["4", 1], "latent_image": ["9", 0] } } } print(queue_prompt(api_prompt, "test-client"))

注意：API 格式的 JSON 必须从 ComfyUI 工作流编辑器里导出，直接手写容易漏节点之间的引用关系。

7.3 批量目录处理思路

批量处理时，建议写一个目录遍历脚本，对输入目录里的每一张图都调用一次 /prompt 接口，然后把输出文件重命名保存。

import os import json import time import urllib.request input_dir = "./input_mj" output_dir = "./output_fixed" os.makedirs(output_dir, exist_ok=True) for filename in os.listdir(input_dir): if not filename.lower().endswith((".png", ".jpg", ".jpeg")): continue # 用该文件名替换工作流 JSON 中的 LoadImage 输入 # 并调用 /prompt 接口 print("submitting:", filename) time.sleep(1)

实际使用中，你还需要监听 WebSocket 来判断任务是否完成，避免连续提交导致显存突发占用。更稳妥的工程做法是：用一个任务队列，一次只跑一个任务，完成后再提交下一个。

7.4 失败重试建议

• 网络请求超时：调大 urllib 的超时时间，或者使用 requests 库，timeout 设置到 120 秒。
• 显卡显存不足：批量队列里串行执行，不要同时提交多个任务。
• 输出图像没生成：检查工作流里是否连接了 Save Image 节点，并确认输出目录有写入权限。

8. 资源占用与性能观察

不少用户第一次跑这套工作流，最担心的是显存是否够用。与其给一个固定数字，不如先掌握观察方法。

8.1 如何观察显存占用

ComfyUI 控制台会在每个节点执行时输出一些日志信息，但显存占用通常要借助外部工具观察。Windows 下可以直接打开任务管理器，在“性能”栏里看 GPU 显存曲线。跑 KSampler 时显存会明显抬升，跑 VAE Decode 时同样会有一个峰值。如果你用的是 Linux 服务器，用nvidia-smi观察更直接。

8.2 影响性能的因素

• 分辨率：分辨率越高，潜空间张量越大，显存占用上升明显。
• denoise：对显存影响不大，但会影响采样耗时。
• ControlNet：会增加一次额外的模型推理，显存占用会小幅上升。
• 放大模型：放大倍数越大，后续 KSampler 处理的像素越多，耗时越长。
• 批量数：批量跑多张图时显存占用接近线性增加，建议逐张跑。

8.3 降低显存占用的通用方法

• 先用低分辨率测试工作流，确认效果后再上高分辨率。
• 调整 ComfyUI 的启动参数，例如--lowvram或--novram，适合显存较低的环境。
• 使用支持 tile 的 ControlNet 时，系统会在局部块中处理，显存占用比整图处理更稳定。
• 放大倍数不要一下拉满，先用 1.5 倍测试。
• 避免同时打开多个 ComfyUI 页面重复生成任务。

9. 常见问题与排查方法

如果你运行这套工作流时遇到启动失败或节点报错，可以按下面这个表格快速定位。常见错误在 ComfyUI 社区里搜“节点在执行过程中发生错误”就能看到大量类似案例。

9.1 秋叶整合包使用特别说明

如果你用的是秋叶一键整合包，启动前先确认整合包版本是否自带 ControlNet 自定义节点和放大模型。很多整合包默认只带了基础组件，你需要通过“自定义节点”菜单补装。安装自定义节点后，如果 ComfyUI 提示缺少依赖，可以进整合包目录手动执行一次 pip install，把控制台报错的包名装进去。

9.2 显卡驱动与 PyTorch 版本

如果 KSampler 执行时报 CUDA 相关错误，优先检查 PyTorch 版本和显卡驱动是否匹配。ComfyUI 官方对 PyTorch 版本有明确建议，升级驱动或者用 CPU 模式跑一遍，可以快速判断是不是显卡环境问题。CPU 模式速度很慢，但可以用来验证工作流逻辑是否正确。

10. 最佳实践与合规边界

这套修复工作流本质上是“用 AI 重绘原有 AI 生成图”，因此在真实项目里，有几条工程和合规建议值得记下来。

10.1 工程侧建议

• 第一次测试，用小图、低 denoise、低采样步数，先确认工作流能完整跑通。
• 保留一套最小可运行配置，例如固定用 SD1.5 模型，固定用 0.4 denoise，遇到项目再微调。
• 输入素材、输出结果、工作流 JSON 分目录存放，不要混在一起。批量任务建议输出文件名包含原文件名，方便回溯。
• 批量任务一定要有日志和失败重试机制。最简单的方式是记录每个文件名对应的提交时间和返回状态码。
• API 服务只监听 127.0.0.1，不要直接暴露到公网。ComfyUI 的接口可以执行任意工作流，暴露到公网有被滥用的风险。
• 定期清理输出目录，防止大量图片堆积导致磁盘写满。

10.2 合规与授权边界

• Midjourney 生成图、真人照片、他人插画，修复前必须确认你是否有使用和修改的权利。
• 如果图片包含真实人物、品牌元素、受版权保护的素材，需要获得相应授权。
• 修复肖像类图片时，注意不要被误用为生成欺骗性内容。建议在项目文档中标注“AI 修复/后期处理”的用途。
• 不要用这套工作流去处理涉及敏感内容的图片，也不要对他人作品进行未经许可的商业化修改。

10.3 什么时候停止修复

修复不是越重越好。当输出图已经开始偏离原构图，或者局部出现新的纹理错误时，说明重绘过猛。工程上建议固定一个“接受阈值”：与原图的结构相似度、局部纹理自然度、人物五官一致性。三者有两个达标，就可以停在这里，不必追求完美。

11. 总结与后续扩展

这次我们完整拆解了“免提示词修复 Midjourney 破碎细节”这套 ComfyUI 工作流。它的核心价值不是某个神秘模型，而是把空提示词、低降噪、ControlNet tile、放大重绘这几个成熟方法组合成一条可复用的流程。最值得先验证的功能就是 0.35 到 0.45 的 denoise 下，破碎区域有没有变自然，构图有没有保住。

最容易踩的坑有三个：一个是 denoise 太高导致人物五官被重画；一个是 ControlNet tile 文件没放对目录导致节点报错；还有一个是批量任务里连发太多请求直接爆显存。把这三个问题控制住，这套工作流就能稳定服务你的日常修图。

后续可以继续扩展的方向不少：把 FaceRestore 节点接进来，专门修复人脸细节；接入更高质量的放大模型，例如适合写实图片的 4x 模型；也可以把工作流导出为 API 格式，接入你现有的图片处理平台，做成自动化的批量修复服务。建议先把本文的节点链路手工搭一遍，确认效果后，再考虑接口化和工程化。

这套思路同样可以迁移到 Stable Diffusion 生成的图片、老照片放大、游戏截图纹理修复等场景。区别只在于输入图的分辨率和破碎程度，节点结构和参数逻辑基本一致。收藏备用，下次遇到 Midjourney 局部细节翻车，不需要重新抽卡了。