Stable Diffusion 作为当前主流的开源文生图模型，在图像生成领域带来了显著变革。其最新版本在图像质量、复杂提示理解及资源效率方面实现了突破，能生成细节逼真、光照自然的图像。而 ComfyUI 作为基于节点的工作流界面，通过可视化连接处理模块，为复杂任务（如图像重绘、视频生成、服装替换等）提供了灵活且可复现的解决方案。
本文将聚焦服装替换工作流，从原理到实践逐步解析如何获取、安装与运行 ComfyUI 工作流，实现高效的图像编辑。
Stable Diffusion 与 ComfyUI 基础
技术架构概述
Stable Diffusion 是一种扩散模型，核心原理是通过对图像逐步添加噪声再学习逆向去噪，最终实现从随机噪声生成高质量图像。ComfyUI 则通过节点化工作流解构这一过程：
- 每个节点代表一个处理模块（如提示词解析、VAE 解码、ControlNet 控制等）
- 节点间的连线定义数据流（图像、掩码、参数等）
- 工作流文件保存全流程配置，实现一次设计，重复使用。
换装技术的核心原理
服装替换依赖三大关键技术：
- 语义分割：识别衣物区域生成精准蒙版。Segment Anything Model 基于大规模数据集训练，具备强大的 zero-shot 迁移能力，可精准标记上衣或下衣边界。
- 姿态控制：通过 LineArt 等模型维持人物姿态不变，避免换装后肢体错位。
- 局部重绘：在蒙版区域内生成新服装并融合背景。
工作流部署与获取
管理器一键部署
内置管理器可解决节点依赖问题，这是最稳妥的方式：
- 在 ComfyUI 界面点击 Manager 按钮
- 选择 Install Missing Custom Nodes 自动安装缺失节点
- 通过 Import Workflow 导入下载的 JSON 文件
注意：工作流导入后常自动提示缺失模型，点击下载链接即可补充。
换装工作流详解
工作流结构拆解
输入模特图 → SAM 分割上衣/下衣蒙版 → ControlNet 提取姿态骨架 → 局部重绘 → 输入新上衣提示词 + 上衣蒙版 → 输入新下衣提示词 + 下衣蒙版 → 生成换上衣图 → 输出最终换装图
关键节点说明
- SAM Mask 分割
- 使用语义标签指定衣物类型
- 输出蒙版精度直接影响边缘融合效果
- ControlNet 姿态控制
- 选用 LineArt 或 OpenPose 节点冻结人物动作
- 确保换装后身体结构不崩坏
- 重绘模块
- KS 采样器：降噪参数建议 0.6–0.8（过高丢失细节，过低融合不自然）
- 提示词工程：如 blue suit, professional texture 生成西装
模型准备清单
| 模型类型 | 推荐选择 | 作用 |
|---|---|---|
| 大模型 | ChilloutMix/RealisticVision | 写实风格生成 |
| ControlNet 模型 | lineart_v7/openpose_v2 | 维持姿态与线条一致性 |
| VAE | vae-ft-mse-840000 | 改善颜色饱和度 |
| LoRA | ClothingMigration_v2 |
