企业官网建设流程全解析

简介：本资源面向使用 ComfyUI 进行 AI 绘画的创作者与进阶用户，聚焦 QwenImageEdit 模型下基础人物九宫格一致性写真的生成方案。核心解决同一人物在多格画面中形象、服饰与风格难以保持统一的问题，适用于角色设定图、写真套图与分镜预览等场景，具备一定 ComfyUI 工作流基础者更易上手。压缩包内共 1 个文件，为 json 格式的工作流配置，整体约 3KB，体积轻量，导入 ComfyUI 后即可复用节点结构与参数设置，省去从零搭建的调试成本。目前已有 128 人浏览学习，说明该方案在一致性写真方向具备一定参考价值。读者可借此理解九宫格布局下的提示词组织、模型调用与一致性控制思路，并在此基础上替换人物与风格，快速产出成套写真，同时结合配套教程排查节点连接与参数问题，提升出图效率与稳定性。

1. 从一张脸到九张脸：ComfyUI 里用 QwenImageEdit 做一致性写真的真实门槛

拍过写真的人都懂那种别扭：同一套衣服、同一个妆造，摄影师让你换九个姿势，最后挑出来的九张图里，脸型、发际线、下颌角总有两三张对不上。AI 出图更狠，单张看着惊艳，凑成九宫格立刻露馅——眼睛大小飘了、鼻梁塌了、连肤色都从冷白皮变成暖黄皮。ComfyUI 配 QwenImageEdit 这套组合，解决的正是这个痛点：用一张参考人物图作为身份锚点，让模型在九个不同构图、不同姿态、不同景别里，把「还是这个人」这件事守住。它适合两类人：一类是接单做头像、写真、角色卡的从业者，需要批量产出风格统一的人像；另一类是玩角色卡、做连载视觉内容的创作者，受够了每张图都要重新描述长相。这篇不讲虚的，从环境、模型、工作流到参数和翻车点，按我自己跑通的路径拆开讲，新手能照着搭，熟手能直接看边界在哪。

2. QwenImageEdit 在 ComfyUI 里到底改了什么：身份保持的底层逻辑

2.1 为什么普通文生图做不了九宫格一致性

普通文生图的工作方式是「文字描述 → 噪声 → 图像」，模型对「这个人长什么样」没有任何持久记忆。你写「短发、鹅蛋脸、单眼皮」，模型每次采样都在重新理解这几个词，采样种子一变、提示词顺序一变、甚至显存占用导致的计算精度微调，都会让五官分布产生肉眼可见的偏移。九宫格要求的是九张图共享同一套身份特征，这在纯文生图框架下几乎无解，除非你把提示词写到几百字并且锁死种子——但锁死种子又会让构图和姿态趋同，九张图变成九张微调，失去意义。

QwenImageEdit 的思路不一样。它属于图像编辑模型，输入是「参考图 + 编辑指令」，输出是在保留参考图主体身份的前提下执行编辑。也就是说，人物的脸、发型、肤色这些身份特征来自参考图的视觉编码，而不是来自文字描述。文字只负责指挥「换成什么姿势、什么背景、什么景别」。这个分工一旦成立，九张图的一致性就有了物理基础：身份信息走图像通道，变化信息走文本通道，两条路互不打架。

2.2 身份编码与文本编辑指令的分工

具体到 ComfyUI 的节点层面，QwenImageEdit 的工作流通常包含三个关键环节。第一是参考图编码，把人物参考图送进 VAE 或专用的图像编码器，提取出身份相关的 latent 特征。第二是编辑指令编码，文本提示词经过 CLIP 或 Qwen 自带的文本编码器，生成控制姿态、背景、光照的条件向量。第三是交叉注意力融合，在去噪过程中让身份特征和编辑条件在注意力层里交互，身份特征负责「是谁」，编辑条件负责「在干什么」。

这里有个容易忽略的点：参考图的裁剪和分辨率会直接影响身份编码的质量。我试过用全身照做参考，结果九宫格里近景特写的脸部细节明显发虚，因为全身照里脸部占的像素太少，编码器提取到的身份特征不够密。后来改成用半身照或大头照做参考，一致性立刻稳了一个档次。常见做法是参考图里人脸区域至少占画面高度的三分之一，分辨率不低于 768×768，这样身份编码才有足够的细节可抓。

2.3 最小可跑通的工作流骨架

下面这段不是完整节点图，而是用 ComfyUI 的 API 格式描述一个最小工作流的核心结构，方便你对照自己的节点图检查关键连接。实际搭建时在界面里拖节点即可，这里用 JSON 片段说明数据流向。

{ "reference_image": { "class_type": "LoadImage", "inputs": { "image": "ref_portrait.png" } }, "identity_encode": { "class_type": "QwenImageEditEncode", "inputs": { "image": ["reference_image", 0], "preserve_identity": true, "identity_strength": 0.85 } }, "text_encode": { "class_type": "CLIPTextEncode", "inputs": { "text": "same person, standing pose, full body, studio lighting, white background", "clip": ["qwen_clip", 0] } }, "sampler": { "class_type": "KSampler", "inputs": { "model": ["qwen_unet", 0], "positive": ["text_encode", 0], "latent_image": ["identity_encode", 0], "steps": 28, "cfg": 5.5, "denoise": 0.72, "seed": 882301 } } }

这段结构里，identity_strength控制身份特征的注入强度，0.85 是我在多数人像场景下的起点，低于 0.7 脸会开始飘，高于 0.95 姿态和背景几乎改不动。denoise控制编辑幅度，0.72 意味着保留约三成原始参考图信息，这个值做九宫格时很关键——太高则每张图自由发挥，一致性崩；太低则九张图长得一模一样，失去九宫格的意义。cfg在 QwenImageEdit 里不宜过高，5.5 左右比较稳，超过 8 容易出现色彩过饱和和面部僵硬。

提示：如果你用的是秋叶整合包，QwenImageEdit 相关节点可能需要单独通过 ComfyUI Manager 安装，安装后重启才能识别。整合包本身不带这个模型的权重，权重文件要放到models/qwen_image_edit目录下。

3. 九宫格一致性写真的完整搭建：从参考图到九张成片

3.1 参考图的预处理：裁剪、分辨率与背景清理

参考图的质量决定了一致性的上限。我一般会做三步处理。第一步是裁剪，把人物主体裁到画面中央，人脸区域占高度三分之一以上，留出头顶和肩膀，不要裁到下巴。第二步是分辨率对齐，统一缩放到 1024×1024 或 896×1152，保持长宽比接近模型训练时的分布，避免拉伸变形。第三步是背景清理，如果参考图背景杂乱，用抠图节点或外部工具换成纯色背景，因为背景噪声会混进身份编码，导致九宫格里出现莫名其妙的纹理残留。

from PIL import Image def preprocess_reference(img_path, output_path, target_size=1024): img = Image.open(img_path).convert("RGB") w, h = img.size # 以人脸为中心裁剪，这里假设人脸在画面上半部分 crop_box = (int(w * 0.15), int(h * 0.05), int(w * 0.85), int(h * 0.75)) img = img.crop(crop_box) # 等比缩放后居中填充到正方形 img.thumbnail((target_size, target_size), Image.LANCZOS) canvas = Image.new("RGB", (target_size, target_size), (255, 255, 255)) offset = ((target_size - img.width) // 2, (target_size - img.height) // 2) canvas.paste(img, offset) canvas.save(output_path, quality=95) preprocess_reference("raw_portrait.jpg", "ref_portrait.png")

这段脚本做的是裁剪加填充，crop_box的比例需要根据你实际参考图的构图微调，不是固定值。thumbnail保证长边不超过目标尺寸，LANCZOS插值在缩小图像时比默认的双线性更锐利，能保留更多面部细节。填充用白色而不是黑色，是因为白色背景在身份编码时引入的干扰更小，黑色背景有时会让模型把暗部当成头发的一部分。

3.2 九宫格姿态提示词的写法与批量采样

九宫格的核心是九个不同的姿态和景别，但身份描述必须完全一致。我的做法是把提示词拆成「固定段 + 变化段」。固定段只写身份相关的词，比如same person, consistent facial features, same hairstyle，变化段写姿态和景别，比如standing front view, full body、sitting side view, medium shot、close-up portrait, slight smile。固定段在九次采样里一字不改，变化段每次替换。

批量采样时不要用同一个种子跑九次，那样姿态变化会很小。正确做法是固定身份编码，让种子随姿态一起变。下面是一个批量生成的伪代码逻辑，实际在 ComfyUI 里可以用 API 脚本或批量节点实现。

poses = [ "standing front view, full body, arms at sides", "standing three-quarter view, full body, hands on hips", "sitting on stool, medium shot, legs crossed", "walking pose, full body, side view", "close-up portrait, slight smile, looking at camera", "medium shot, looking away, profile view", "crouching pose, full body, low angle", "leaning against wall, medium shot, arms crossed", "back view, full body, looking over shoulder" ] base_prompt = "same person, consistent facial features, same hairstyle, studio lighting, clean background" for i, pose in enumerate(poses): full_prompt = f"{base_prompt}, {pose}" # 调用 ComfyUI API，传入 full_prompt 和固定参考图 # seed 每次递增，保证姿态有变化但身份编码不变 run_workflow(prompt=full_prompt, reference="ref_portrait.png", seed=882301 + i * 137)

种子递增用 137 这个质数步长，是为了让每次采样的噪声分布差异足够大，避免相邻两张图姿态过于接近。base_prompt里的consistent facial features不是万能咒语，它更多是给文本编码器一个稳定信号，真正的一致性来自参考图编码，不要指望靠提示词硬压。

3.3 九宫格拼图与一致性自检

九张图生成后，拼成三行三列只是最后一步，更重要的是自检。我一般会把九张图并排放在一起，重点看四个地方：眼睛间距是否一致、鼻梁宽度是否一致、下颌线弧度是否一致、肤色色温是否一致。如果某一张明显偏了，先不要重跑全部，单独把那张的姿态提示词微调后重采样，因为身份编码是固定的，问题多半出在姿态和种子的组合上。

from PIL import Image def make_grid(image_paths, output_path, grid_size=(3, 3), cell=512): canvas = Image.new("RGB", (cell * grid_size[1], cell * grid_size[0]), (255, 255, 255)) for idx, path in enumerate(image_paths): row, col = divmod(idx, grid_size[1]) img = Image.open(path).resize((cell, cell), Image.LANCZOS) canvas.paste(img, (col * cell, row * cell)) canvas.save(output_path, quality=95) make_grid([f"output_{i}.png" for i in range(9)], "grid_9.png")

拼图时统一缩放到 512×512 再拼接，是为了让九张图在视觉上等权，避免某张因为分辨率高而显得更清晰、掩盖一致性问题。如果你要做印刷或高清交付，可以把cell提到 1024，但自检阶段用 512 就够了，省显存也省时间。

4. 参数调优与显存控制：让九宫格稳定跑完不崩

4.1 identity_strength 与 denoise 的联动关系

这两个参数是九宫格一致性的命门，而且它们不是独立的。identity_strength高的时候，denoise要相应降低，否则身份特征和编辑指令会在注意力层里打架，表现为脸部扭曲或背景出现参考图的残影。我实测下来比较稳的组合是：identity_strength0.82～0.88 配denoise0.68～0.75，做近景特写时denoise取低值，做全身姿态时取高值。

这张表是我自己跑了几十组之后收敛出来的起点，不是绝对标准。你的参考图质量、模型版本、甚至显卡的计算精度都会影响最优值，建议先用半身像那一组跑通，再往两端调。

4.2 显存不够时的降级策略

九宫格批量生成对显存压力不小，尤其是 1024 分辨率加 28 步采样。如果显存吃紧，按优先级做三件事。第一，把批量大小降到 1，用循环逐张生成，虽然慢但不会爆显存。第二，开启 ComfyUI 的--reserve-vram参数预留一部分显存给系统，具体值看你显卡，8G 卡预留 0.5～0.8 比较合适。第三，把采样步数从 28 降到 22，QwenImageEdit 在 22 步左右已经能出可用结果，再低就会开始糊。

# 启动 ComfyUI 时预留显存，8G 显卡示例 python main.py --reserve-vram 0.6 --lowvram # 如果用的是秋叶整合包，在启动脚本里加参数 # 找到 run_nvidia_gpu.bat，在 python 命令后追加 --reserve-vram 0.6

--lowvram会把部分模型层卸载到内存，速度会慢但能跑通。--reserve-vram的单位是 GB，不是百分比，别填错。如果你的显卡是 12G 以上，这两个参数可以不加，直接全速跑。

4.3 采样器与调度器的选择

QwenImageEdit 对采样器不算挑剔，但不同组合出图风格有差异。我常用的是dpmpp_2m配karras调度器，出图锐度适中，面部过渡自然。euler_a配normal会稍微柔和一些，适合做偏日系或胶片感的写真。不建议用ddim，在 QwenImageEdit 上容易出现网格状伪影，尤其是背景有渐变的时候。

注意：切换采样器后，之前调好的denoise可能需要微调，因为不同采样器的噪声调度曲线不一样。换采样器不换参数，一致性大概率会掉。

5. 避坑与排查：九宫格一致性翻车的五个真实场景

5.1 九张图脸型逐渐漂移

现象是前几张还像同一个人，越往后脸越窄或下巴越尖。原因通常是身份编码在批量循环里被重复编码，每次都有微小损失，累积到后面就漂了。解决方法是把身份编码节点放在循环外面，只编码一次，九次采样共用同一个身份 latent，而不是每张图都重新编码参考图。

5.2 背景出现参考图的残影

现象是生成的图背景里隐约有参考图的轮廓或纹理。原因是denoise太低，参考图的背景信息没有被完全覆盖。解决方法是把denoise提高 0.05～0.1，或者在参考图预处理阶段就把背景抠干净，从源头减少干扰。

5.3 面部过曝或色彩断层

现象是脸部高光区域一片死白，或者肤色出现明显的色块断层。原因是cfg过高加上identity_strength过高，注意力过度集中在身份特征上，导致色彩动态范围被压缩。解决方法是把cfg降到 5.0 以下，identity_strength降到 0.85 以下，必要时在 VAE 解码后加一个轻微的色彩校正节点。

5.4 生成到第五张左右显存溢出

现象是前四张正常，第五张开始报显存不足。原因是 ComfyUI 默认会缓存之前的 latent 和模型输出，批量跑的时候缓存越积越多。解决方法是在工作流里加清理缓存的节点，或者用 API 脚本每生成一张就释放一次显存。秋叶整合包在设置里有「显存优化」选项，打开后会定期清理。

5.5 九张图姿态雷同，缺乏变化

现象是九张图看起来像同一张的微调，姿势几乎没变。原因是种子变化太小，或者提示词里的姿态描述不够具体。解决方法是种子步长加大到 137 以上，姿态描述从「standing」细化到「standing with weight on left leg, right hand in pocket」这种程度，给模型足够的差异化信号。

6. 进阶技巧：用 ControlNet 辅助姿态锁定与一致性验证

跑通基础九宫格之后，如果你想让姿态控制更精确，可以叠加 ControlNet 的 OpenPose 分支。做法是把九张姿态参考骨架图分别送进 ControlNet，和 QwenImageEdit 的身份编码并行，这样姿态由骨架决定，身份由参考图决定，两者互不干扰。我一般会把 ControlNet 的权重设在 0.6～0.7，太高会压制身份特征，太低则骨架不起作用。

验证一致性还有一个土办法但很有效：把九张图的人脸区域裁出来，缩放到同一尺寸，用 SSIM 或简单的像素差异算一个相似度矩阵。如果某张图和其余八张的平均相似度明显偏低，那张就是需要重跑的。这个检查用 Python 十几行就能写完，比肉眼一张张看靠谱。

from skimage.metrics import structural_similarity as ssim import cv2 import numpy as np def check_consistency(face_paths): faces = [cv2.imread(p, cv2.IMREAD_GRAYSCALE) for p in face_paths] faces = [cv2.resize(f, (256, 256)) for f in faces] n = len(faces) scores = np.zeros((n, n)) for i in range(n): for j in range(i + 1, n): score = ssim(faces[i], faces[j]) scores[i][j] = scores[j][i] = score avg_scores = scores.sum(axis=1) / (n - 1) worst = int(np.argmin(avg_scores)) return worst, avg_scores worst_idx, avg = check_consistency([f"face_{i}.png" for i in range(9)]) print(f"最不一致的是第 {worst_idx + 1} 张，平均相似度 {avg[worst_idx]:.3f}")

这段代码用 SSIM 算两两相似度，worst_idx就是最该重跑的那张。阈值不用死记，跑几组之后你自然知道你的工作流在什么分数段算正常。我自己这套流程跑下来，最大的教训是：参考图预处理花的时间，远比后期重跑九张图省事。一开始偷懒用原图直接跑，结果九宫格里三张脸对不上，回头重新裁剪、抠背景、调分辨率，反而多花了一倍时间。现在我的习惯是参考图不过预处理这一关，绝不进采样器。希望帮到你。

本文还有配套的精品资源，点击获取