Stable Diffusion局部重绘实战：蒙版、降噪与接缝处理

修图这行当里，最耗人的从来不是“把整张图重画一遍”，而是“只把这一小块改掉，其他地方一根头发丝都不能动”。电商图要去掉模特手上多出来的一截支架，人像要换掉背景里误入的路人，概念图里甲方临时要求把桌上那个杯子换成花瓶——这类活儿用传统工具靠图章一点点抹，半小时起步，还得赌运气。Stable Diffusion 的 Inpainting（局部重绘）就是冲这个场景来的：你圈出一块区域，告诉它这块该长什么样，剩下 95% 的像素原封不动。它解决的核心问题是“局部可控生成”——既要有生成模型的想象力，又要有蒙版级别的空间约束力。这套东西适合三类人看：手里已经跑得动出图流程、想把工具真正用到生产里的从业者；被“重绘之后接缝像贴了张纸”折磨过的中级用户；以及刚开始接触局部重绘、想知道参数表背后逻辑的新手。下面这些内容都是我在实际项目里反复试出来的，参数不是拍脑袋给的，每条后面我都尽量说清楚为什么。

1. 先把 Inpainting 这件事想清楚：它到底在解决什么问题

1.1 局部重绘和整图重生成的根本差别

很多人第一次用局部重绘，会把它理解成“生成一张新图，然后把蒙版那块抠下来贴回去”。这个理解是错的，而且错得很关键。真正的 Inpainting 不是两次独立生成的拼接，而是一次生成过程中，模型只对蒙版区域做去噪，非蒙版区域由原图 latent 直接锁定。换句话说，周围那些“不能动”的像素不是后期贴上去的，它们从头到尾都在参与注意力计算，是模型判断“这块该长什么样”的上下文依据。这个机制差异直接决定了结果质量：拼接式做法因为缺乏上下文，边缘必然出现色调和纹理断层；而原生 Inpainting 在降噪的每一步都能“看见”邻居，理论上接缝可以做到肉眼难辨。

这里有个容易被忽略的细节：专用的修复模型在训练时，是把“加了噪的图”和“蒙版”作为额外输入通道一起喂进去的，模型从训练阶段就学会了“这块是空的，我要按周围的逻辑补全它”。而普通模型不具备这个能力，你就算在界面上圈了蒙版，它内部也只是简单地把那块区域抹成噪声，然后靠提示词硬猜。两者的差距在简单场景下不明显，一旦涉及透视、光影方向、材质延续，普通模型立刻露馅。我的经验是：只要涉及真实照片的修复，就用专用修复模型；纯插画、纯概念图，普通大模型配合低降噪也能凑合。

1.2 什么样的活儿适合交给它，什么活儿别硬上

判断一个任务该不该用局部重绘，我一般看三条：蒙版边界是否“有据可依”、修复区域是否“有先验”、面积占比是否可控。所谓有据可依，是指蒙版边缘的周围存在足够的结构线索——比如沿着桌面延伸的木纹、顺着墙体走向的瓷砖缝、人脸上的光影过渡。这类场景模型很容易把边缘“接上”。所谓有先验，是指修复内容在现实或风格体系里有明确参照，比如“这里该有一只手”“这里该有一段栏杆”。反过来，如果你要它凭空补一个从未在画面里出现过的复杂机械结构，还不给参考图，那基本是浪费算力。

面积占比这一条最容易被低估。蒙版区域超过画面 40% 之后，可控性会断崖式下跌，因为模型可参考的上下文比例太低了，它开始“自由发挥”。我做过一组对比：同样是换掉画面中央的物体，蒙版占 15% 时十张里有九张一次成型；占到 50% 时，十张要挑出三张能用的。所以当需求面积很大时，正确做法不是硬扛，而是拆成几块分别重绘，或者改用“先扩图再整体重生成”的路线。另外有一类活儿千万别用局部重绘：需要严格保持文字内容清晰的场景。生成模型对文字的处理依然不稳定，你圈住一段文字区域重绘，出来的往往是形似而神不似的伪文字，后面的返工成本比直接排版还高。

1.3 模型选型的取舍：专用修复模型和通用大模型怎么分工

我自己的工具箱里，这两类是并存的，分工很明确。专用修复模型胜在“贴合度”，它的训练目标就是补全，所以边缘融合、纹理延续这些指标明显更好，代价是对提示词的响应稍弱，风格上限没有通用大模型高。通用大模型（尤其是画风表现力强的那批）胜在“表现力”，你要换一个风格化的发型、换一件质感特殊的衣服，它的出图更有味道，但需要你把降噪强度压低、蒙版羽化调小，靠多次微调去磨边缘。

还有一个折中方案我用了很久：用通用大模型生成候选内容，再切回专用修复模型做低降噪融合。具体操作是先用高降噪在临时图层上生成几张满意的局部结果，截图取其中一块，作为参考图喂回去，再用 0.3 到 0.4 的降噪在正式图上过一遍。这一步的作用不是“生成”，而是“融”——把生硬的贴图边缘和周围的光影、噪点颗粒统一起来。听起来多一道工序，但在要求高的商业图上，这一步省不掉。

2. 环境与素材准备：决定成败的 80% 都在这一步

2.1 显存、分辨率与批量策略的账该怎么算

局部重绘对显存的要求比普通出图高，因为要多处理一路蒙版信息，而且很多实现方式会先把蒙版区域裁剪出来单独推理。以常见的 512 基准模型为例，单张 512×512 的局部重绘在 8GB 显存上能跑，但同时开两个批次就开始吃紧；换到 1024 基准的模型，单张 1024×1024 基本要 12GB 起步，想开批次就得 16GB 以上。这不是玄学，算法很直白：潜空间的显存占用大致和像素数成正比，1024 的边长是 512 的两倍，面积就是四倍。

所以我的策略是**“小图重绘、大图合成”**：需要修的图先按原始比例缩到模型的原生分辨率附近做重绘，修完再整体放大回目标尺寸。这样做的好处有两个：一是显存压力小、迭代快，二是模型在自己的训练分辨率下表现最稳定，边缘不容易崩。代价是重绘区域放大后会损失一点细节，需要在放大环节用带细节增强的放大流程补回来。如果你的图本身就是超高清素材，那更要注意：直接拿 4K 图去重绘，模型多半会给你一片糊掉的重绘区，因为它的感受野根本覆盖不了那么大的范围。

2.2 蒙版制作的三个必须守住的规矩

蒙版画得好不好，直接决定结果能不能用。我总结了三条硬规矩，违反任意一条，后面参数调得再细也救不回来。

第一条：蒙版必须完整包住要改的物体，还要往里多吃一点。很多人画蒙版贴着物体边缘画，结果重绘完物体边缘留了一圈原来的颜色，像描了个边。正确做法是蒙版比目标物体往外扩 8 到 16 像素，让模型有空间把旧边缘“吃掉”再重新长出来。这个外扩量在 512 分辨率下取 8 像素左右，1024 下取 16 像素左右。

第二条：蒙版边缘不要做成硬切。硬边会让模型误判“这里有一条明确的边界”，于是它倾向于在边界处制造一个轮廓，接缝就出来了。柔化处理（羽化）4 到 8 像素是常用区间，具体看分辨率：512 下 4 到 6，1024 下 8 到 12。但柔化不能过头，超过 16 像素之后，半透明的过渡区会被当成“这里本来就是模糊的”，出来一片虚影。

第三条：蒙版不要画成多个不相连的碎片，除非它们各自都有足够面积。零散的小蒙版块，每一块能拿到的上下文都很少，模型会各自为政，出来的风格可能不统一。遇到这种情况，我宁可把几块合并成一个大蒙版一次性重绘，虽然面积大了风险高，但一致性有保证。

注意：蒙版通道的位深和保存格式很关键。用 8 位灰度图保存没问题，但如果你是先用选区工具在图片软件里做蒙版再导出，务必确认导出的黑白关系没有反——黑白反了，模型会去重绘“你不想要动的部分”，这是新手最高频的翻车原因之一。

2.3 提示词的反直觉写法

局部重绘的提示词写法，和整图生成完全不是一回事，这一点我踩了很久的坑才转过弯来。整图生成时你会写“一个女孩站在雨夜的街头，霓虹灯，赛博朋克风格”，信息越全越好；局部重绘时，如果你还这么写，模型会被误导——它会试图把你描述的所有元素都塞进那一小块蒙版区域里，结果就是一坨杂糅的东西。

正确的心法是：提示词的主体描述蒙版里该出现什么，风格和质量修饰词保持和原图一致。比如原图是写实风格的人像，你只想把耳环换掉，那提示词就该是“一枚银色细链耳环，写实摄影质感，柔和自然光”，而不是把整个人像再描述一遍。风格词、画质词、光影词这些“全局属性”可以带上，因为它们帮助模型对齐整体调性；但具体的场景元素、人物特征别再重复，那些信息模型自己能从周围像素里读到。

负面提示词也有讲究。除了常规的质量类负面词，我通常还会加几组针对性的：接缝、重影、双重轮廓、边缘模糊、颜色断层。这几组词不是万能的，但确实能降低接缝类瑕疵的概率。另外，如果重绘区域涉及皮肤，加“塑料感、过度平滑”能防止出来一块没有毛孔的假皮肤。

3. 参数实操：把降噪强度、蒙版羽化、蒙版模式调明白

3.1 降噪强度的取值区间，我用一张表说清楚

降噪强度是局部重绘里唯一一个“一票否决”级别的参数。它决定了模型对蒙版区域原内容的破坏程度：值越低越保守，保留原图信息越多；值越高越激进，越接近从零生成。很多人调不好这个参数，是因为把它当成“质量旋钮”在拧——其实它是“改动幅度旋钮”。

这张表看着简单，实际用的时候有个反直觉的点：并不是“改动越大越要用高降噪”。如果你的目标是“删掉一个物体，让背景自然补上”，降噪该开高（0.7 以上），因为你需要模型重新想象这块该是什么；但如果目标是“把一个杯子换成另一个杯子”，降噪反而该控制在 0.55 到 0.65，太高了模型会把杯子的位置、透视都重排，出来的东西和桌面不贴合。我一般的做法是先按表里给个初值，出四张看看趋势，然后以 0.05 为步长微调，两三轮基本能锁定。

3.2 蒙版羽化和蒙版内边距的配合逻辑

羽化和内边距（有的界面叫蒙版扩展、蒙版填充）是两个容易被混为一谈的参数，作用完全不同。羽化是把蒙版边缘变软，形成一个渐变过渡带；内边距是把整块蒙版整体向外扩，改变重绘区域的实际范围。前者影响“融合的柔和度”，后者影响“上下文够不够”。

它们的配合有个基本规律：内边距给足上下文，羽化负责最后一道缝合。我常用的组合是：512 分辨率下内边距 12 到 16 像素、羽化 6 像素；1024 下内边距 24 到 32 像素、羽化 10 到 12 像素。举个例子，你要修掉画面里的一根电线，电线很细，如果蒙版只框住电线本身，模型看到的周围全是天空，它不知道该往哪个方向延续云层，出来的就是一块均匀的色块。加上 16 像素内边距之后，模型能看到电线两侧的云层结构，它就有依据把云“接”起来了。

还有个小技巧值得单独说：羽化不要太依赖重绘阶段，留一部分到后期。重绘时羽化给得保守一点（比如 4 到 6 像素），出图之后在图片软件里用软边橡皮或者蒙版做第二次融合，可控性高得多。原因是重绘阶段的羽化是不可逆的，一旦出来边缘发虚，你只能重跑；而后期融合可以随时调整，甚至只融某一段边缘。

3.3 “只重绘蒙版内容”和“整图重绘”，选错了会白干

大部分界面会提供至少三种蒙版模式：只重绘蒙版区域、只重绘蒙版之外的区域、整图重绘。名字很直白，但实际用起来的差别远比字面复杂。

“只重绘蒙版内容”是最常用的，它的实现方式是把蒙版区域连同周边一小圈上下文裁剪出来，缩放到模型原生分辨率，跑完再贴回原图。优点是算力省、局部精度高；缺点是有时候裁剪出来的比例太奇怪（比如细长条），模型处理起来会失真。遇到细长形的蒙版，我的做法是手动把蒙版补成一个接近正方形或 4:3 的形状，修完再处理多余的部分。

“整图重绘”看着笨，但它在一种情况下是唯一解：当你需要整张图的光影、色温重新统一时。比如原图是白天拍的，你要把背景改成黄昏，局部重绘怎么调都会让重绘区和周围脱节，因为周围还是白天的光。这时候用低降噪（0.25 到 0.35）整图过一遍，再对关键区域做局部精修，反而更顺。这个组合我称为“先统调、再精修”，在处理风格迁移类需求时特别有效。

3.4 尺寸对齐：为什么你修完像素总是差一点

这是个纯工程问题，但踩的人特别多。生成模型内部的编码器会做下采样，常见的是 8 倍。也就是说，你给它的尺寸如果不是 8 的整数倍，它内部会先补齐或裁掉几个像素，出来之后再缩放回去，于是重绘区域和原图就对不齐了，边缘出现一两个像素的错位或者缩放痕迹。

解决办法很土但有效：蒙版区域和最终输出尺寸都取 8 的倍数。比如你要修的区块算出来是 517×486，就手动改成 520×488，或者干脆 512×512。裁剪区域也一样。我在批处理脚本里会强制把所有尺寸向下取整到 8 的倍数，这个习惯养成之后，莫名其妙的对齐问题少了一大半。

还有一个隐藏的坑：某些流程会在重绘之后做一次轻微的缩放回贴，如果缩放算法用的是最近邻或者双线性，边缘会出现一像素的色差线。遇到这种情况，把回贴改成带轻微羽化的合成方式，或者直接把重绘区域往外多修 4 像素，让色差线落在被覆盖的范围内。

4. 进阶玩法：结构控制、分块重绘与外扩补图

4.1 用结构约束把“该有的形状”锁住

局部重绘最无力的时候，是你对形状有明确要求但提示词说不清楚。比如你要在一张建筑图里补一段栏杆，栏杆的间距、走向、透视必须和现有部分严格一致，光靠文字描述根本做不到。这时候结构约束类的手段就派上用场了：把已有的栏杆做成边缘图或者线稿，只保留结构信息，作为额外条件喂进去，蒙版区域的重绘就会沿着这些线条走。

我常用的几类约束：边缘约束适合硬边物体，比如家具、建筑构件、机械零件；深度约束适合处理空间关系，比如“这个物体该在前面还是后面”；线稿约束适合插画和二次元，因为线稿本身就是它的表达语言。使用时有个要诀：约束图的强度不要拉满。拉满之后模型会变得非常死板，出来的东西像描出来的，缺少自然的质感变化。一般给 0.5 到 0.7 的权重，留一点自由度让它自己补细节。

另外一个思路是风格参考。当你需要重绘的内容必须和原图保持同一种画风、同一种质感时，可以把原图整张作为风格参考喂进去。这在换装、换配饰这类需求上特别好用——模型会从参考图里提取色调、笔触、光照特征，让新生成的部分自然融入。

4.2 大图分块重绘的拼接技巧

超过 1024 的图，我基本不做整图重绘，一定走分块。分块的核心矛盾是：块与块之间必须重叠，否则接缝处没有过渡信息；但重叠太多又会导致重复内容。我的经验参数是重叠 48 到 64 像素，在 1024 分辨率下这个量足够让模型在两块之间建立关联，又不至于产生明显的重复。

具体的操作顺序很重要：先在原图上一次性画好完整的蒙版，再按块切分，每块都带着自己那部分蒙版和周边上下文去重绘，最后把所有重绘块按软边蒙版叠加回原图。软边蒙版的边缘过渡宽度和重叠量对齐，比如重叠 64，过渡就做 64 的渐变。这样叠加出来的结果，接缝处是两个结果的加权平均，几乎看不出边界。

有个细节必须提醒：分块时不要让块的边界正好落在结构线上。比如一条栏杆横穿画面，你的分块线正好切在栏杆中间，那两块分别重绘时，各自看到的栏杆方向可能略有偏差，叠起来就是断的。正确做法是调整分块位置，让边界落在“低信息密度区”，比如平坦的墙面、纯色的天空。

4.3 外扩补图的接缝处理，重点在“吃进去”

外扩（把画布扩大，让模型补全新区域）本质上是局部重绘的一个特例，但它的难点在于“新区域完全没有原图依据”。我的标准流程是这样：先把画布往目标方向扩出 128 到 256 像素，然后画蒙版——关键点来了，蒙版不要只覆盖新增区域，要往原图里多吃 16 到 32 像素。这一步的作用是让新旧交界处有一段“半新半旧”的过渡带，模型在这段里既能看到原有的结构，又有空间去延伸它，接缝就会自然得多。

降噪强度上，外扩通常给 0.65 到 0.75。太低了补不出内容，太高了会把原有的边缘结构冲掉。如果一次扩得太宽（比如超过 256 像素），我建议分成两轮：第一轮扩 128，第二轮再扩 128。每一轮都以上一轮的结果为基础，模型看到的上下文是连续的，比一次性硬扩稳得多。这个“小步快跑”的思路，在超宽幅海报、长图这类需求上几乎是必用的。

5. 翻车现场复盘：常见问题与排查速查

5.1 接缝像贴了张纸，问题多半在这三处

接缝明显是我被问得最多的问题，没有之一。排查顺序我固定为三步。第一步看蒙版：羽化是不是太小（小于 4 像素基本必出硬边），内边距是不是给得太少（模型没有上下文可依）。第二步看降噪：降噪太低（0.3 以下）会导致蒙版里保留了大量旧像素，新旧混合处出现明显的“半透明重影”；降噪太高（0.8 以上）则会让重绘区和周围的光影逻辑断裂。第三步看提示词：是不是把整张图的元素都写进去了，导致重绘区的内容密度和周围不匹配。

还有一个很少被提到的原因：原图本身的噪点颗粒和重绘区的颗粒不一致。照片类素材尤其明显，原图有 ISO 噪点，重绘区是干净的数字生成质感，两者放在一起，即使颜色完全对齐，眼睛也会觉得“这块是贴上去的”。解决办法是重绘完之后，用一层极轻微的噪点或者颗粒叠加，把整张图统一过一遍；或者干脆在重绘阶段就把降噪压在 0.6 左右，让模型保留一部分原图的噪点结构。

5.2 重绘区糊成一团，或者完全不听话

“糊成一团”通常有两个来源。一是蒙版面积太小。小于 64×64 像素的重绘区，模型可用的潜空间分辨率太低，它根本画不出细节，只能给你一团颜色。遇到小目标，正确做法是把蒙版往外扩，让重绘区域做大，再用低降噪把多余部分收回来。二是分辨率错配：拿 1024 的图直接丢给 512 基准的模型，模型会先把图缩下去，重绘完再放上来，细节全丢。

“完全不听话”指的是重绘内容和提示词对不上。这种时候先别怀疑模型，检查三件事：提示词里是不是混进了相互冲突的概念（比如同时写“短发”和“长发”）；降噪是不是太低，模型被原内容锁死了改不动；蒙版是不是把不该圈的东西也圈进去了（模型会试图把蒙版内所有内容统一成一个东西）。我遇到过一次特别典型的：蒙版圈住了人物的半张脸加一段脖子，提示词写“换一条围巾”，结果模型把下巴也重画了，因为围巾和下巴在同一块蒙版里，它只能一起重造。把蒙版拆成两块分别处理，问题立刻解决。

5.3 人脸和手部，得用另一套打法

人脸和手是局部重绘的两大雷区，因为它们对结构的容错率极低——多一根手指、眼睛不对称，一眼就能看出来。处理人脸时，我的原则是蒙版只圈目标特征，绝不带上五官的其他部分。换眼睛就只圈眼睛，别把眉毛也带进去；改嘴型就只圈嘴，别碰到下巴。因为一旦圈进去，模型会重新想象那些部分的形状，很容易出现比例失调。

另一个技巧是分两轮修。第一轮用中等降噪（0.55 左右）把大形定下来，出图之后如果眼睛位置偏了、嘴角歪了，第二轮把蒙版缩到只覆盖偏差的部分，用 0.35 的降噪做微调。手部更麻烦，我的做法是先用结构约束把骨架定住——把手的关节位置用简单的线条画出来当边缘约束，再让模型在这个骨架上长肉。这比纯文字描述靠谱得多，尤其是画“握持”这类复杂姿态的时候。

5.4 常见问题速查表

6. 生产化落地：让这套流程能重复跑起来

6.1 参数模板化，别每次都从零调

单张图修着玩，参数随手调无所谓；一旦进入批量生产，参数必须固化成模板。我现在的做法是按“任务类型”建几套配置，比如“去物件”“换材质”“换配饰”“外扩补图”，每套里面把降噪、羽化、内边距、提示词骨架、负面词都写死，只留目标描述一个变量。这样做的价值不只是省时间，更重要的是结果可预期——同一套配置在同一类素材上表现稳定，你能大致预判哪里会出问题、需要补哪一步。

举个具体的配置例子，删物件类的模板大概是这样的：

{ "task": "remove_object", "denoise": 0.72, "mask_blur": 8, "mask_padding": 20, "mask_mode": "inpaint_masked", "positive": "clean background, continuous texture, matching lighting, photographic", "negative": "seam, ghosting, double edge, blurry edge, color banding, object残留", "steps": 28, "cfg": 6.5 }

这套参数在我手上的命中率大概七成，剩下三成靠抽卡和二次精修。注意步数和引导强度的配合：步数不用堆太高，28 到 32 在局部重绘里已经够用，堆到 50 只会拖慢速度，质量提升微乎其微；引导强度也别拉满，6 到 7.5 是比较舒服的区间，拉太高会让画面变得生硬、饱和度过高。

6.2 种子固定与可复现性，这是返工的救命绳

批量处理时最怕的是“这张图客户说要改一下”。如果你的流程没有记录种子和完整参数，那就等于从头再来。我的习惯是每张图的重绘都固定种子，并且把种子、参数、蒙版文件、提示词一起存进一个同名的记录文件里。这样客户说要改，我调出记录，改一个词或者动 0.05 的降噪，出来的结果和上一版是高度连续的，不会突然变成另一张图。

有个细节值得说：局部重绘的种子固定，只保证“同一张原图、同一块蒙版、同一套参数”下结果一致。你换了蒙版形状、换了一点点原图内容，即使种子一样，结果也会变，因为输入变了。这一点别搞混，否则你会以为种子失效了。

6.3 二次精修与质检，最后一公里别省

生成完直接交付，是不专业的。我的质检流程固定四步：先把图缩到 100% 看整体，重点看接缝处的色调过渡是否自然；再放大到 200% 看纹理，检查重绘区和周围的颗粒、锐度是否一致；然后用吸管在接缝两侧取色对比，色差超过 3 到 5 个数就说明有偏色，需要整图统调；最后看结构，检查有没有多出来的边角、错位的线条。这四步走完，能挡掉九成以上的低级问题。

二次精修的重点在“统一”而不是“重画”。我一般会做三件事：轻微的整图降噪过一遍统一颗粒、用曲线或者色阶把接缝处的色差拉平、必要时用一点锐化把重绘区的边缘收一下。这三步加起来通常不到十分钟，但对成品观感的提升非常明显。真正耗时的从来不是生成，而是这些收尾的细活。

我在实际项目里最大的体会是，局部重绘的成败在打开软件之前就定了大半——蒙版画得准不准、素材分辨率合不合适、任务有没有被合理地拆小，这些决定了你后面是“调两下就出片”还是“抽二十张挑一张”。参数表可以背，模型可以换，但对“这块该不该由模型来补”的判断力，只能靠一次次翻车攒出来。我现在的习惯是，动手之前先盯着原图看三十秒，问自己一句：如果我是个人类修图师，我能不能凭周围的线索把这块补出来？如果连人都觉得信息不够，那模型多半也补不好，该换思路就趁早换。