企业官网建设流程全解析

最近在修一批 Midjourney 出图时，遇到一个很典型的问题：人物整体构图、光影、氛围都很好，但放大到 100% 之后，手指关节错位、发丝断裂、衣服边缘出现马赛克状的破碎感，甚至脸部五官出现轻微扭曲。一开始我习惯回到 Midjourney 里继续改提示词，或者让机器人“Vary（Subtle）”一遍，但效果并不稳定，改提示词改得越多，画面越容易跑偏，尤其是只想修复局部瑕疵的时候。

后来我把整个修复流程搬到了 ComfyUI 里，用一套几乎不依赖提示词的工作流，直接在本地对图片做低强度重绘和放大修复，大部分破碎细节都能被补回来。这篇文章会把我从原理到实际搭建踩过的坑完整整理出来，包含核心原理拆解、完整工作流搭建、参数调优和常见问题排查。无论你是刚接触 ComfyUI 的新手，还是已经会用 Midjourney 做图但苦于后期修复的老用户，这篇文章都能给你一套可以直接落地的方案。

1. 背景与核心概念

1.1 什么是 Midjourney 生成的“破碎细节”

所谓的“破碎细节”，并不是指某一种固定的报错或异常，而是 AI 生成图片中常见的一类质量缺陷。它通常表现为：

• 手指数量不对、关节弯曲方向不合理、手指之间粘连。
• 头发丝从中间断掉，或者大面积糊成一团。
• 衣服边缘、帽子边缘出现锯齿状破边。
• 人脸五官比例轻微错位，眼睛、嘴巴细节“融化”。
• 远处背景中的建筑、树叶变成一团不可识别的噪点。
• 图片放大后边缘出现明显的颗粒感或马赛克感。

在 Midjourney 中，这类问题出现的原因通常和生成步数、分辨率、CFG Scale、模型本身的能力边界都有关系。简单来说，扩散模型在去噪阶段可能没有足够多的“步数”去精修高频细节，或者模型在低分辨率下对某些结构的理解本身就不稳定，导致最终生成结果出现细节断裂。

1.2 为什么“提示词修复”并不总是有效

遇到破碎细节，很多人的第一反应是回到 Midjourney 修改提示词，比如加上“detailed hands”、“perfect fingers”之类的描述，然后再重新生成或重 roll。但实际操作中你会发现：

• 提示词修改后，整个画面构图可能会发生较大变化，原本满意的内容反而变了。
• Midjourney 对“手指”“细节”这类词的理解并不稳定，加词未必有正反馈。
• 有些破碎细节出现在小区域，你并不希望整张图重新生成，但提示词方式很难做到“只改局部”。
• 频繁重 roll 会浪费算力，而且不一定能复现原来的构图和风格。

所以核心痛点在于：我们希望尽量保持原图的构图、色彩、人物特征不变，只把破碎的局部细节补全或修整。这种情况下，纯提示词方案并不是最优解，更好的方式是在本地图生图工具里做“低程度重绘”。

1.3 免提示词修复的整体思路

“免提示词”并不是说完全不需要任何文本信息，而是指在修复阶段我们不再依赖自然语言描述画面内容。具体思路是：

1. 使用 ComfyUI 加载同一个或相近风格的底模型。
2. 将 Midjourney 生成的图片作为输入图，通过 VAE 编码到潜在空间。
3. 使用 KSampler 对潜在空间表示做一次低强度重绘。
4. 通过设置较低的 denoise 强度，让模型在保留原图整体结构的前提下，重新“润色”细节。
5. 最后通过放大模型进一步增强清晰度，修复破碎感。

在这个流程中，提示词甚至可以留空，因为图片本身已经包含了足够的语义信息。模型只需要参考原图的颜色、结构、光影，对局部高频细节进行补全即可。

2. 免提示词修复的原理拆解

2.1 扩散模型与图生图重绘

扩散模型生成图片的过程，本质上是从一个随机噪声图开始，一步步去噪，最终还原出符合文字描述的画面。在训练时，模型学会的是“如何把带噪声的图像还原成清晰图像”。

当我们使用图生图功能时，输入图片先被编码到潜在空间，再加上一定程度的噪声，然后由模型执行去噪过程。这一步去噪的强度，决定了最终结果是更接近原图，还是更接近一次全新生成。

这就是为什么“低 denoise 值”可以修复细节：模型并没有重新设计整张图，它只是在原有信息基础上，对模糊、破损、不合理的部分做了重新推断和补全。

2.2 为什么空文本也能完成修复

在图生图修复场景中，提示词的作用是引导模型“画什么”。但当我们已经提供了一张完整图片时，模型可以从图片本身的潜在表示中获取足够的语义信息。此时即使 CLIP Text Encode 的文本为空字符串，模型的注意力依然会被原图的色彩、轮廓和构图吸引。

从原理上看，图片经过 VAE 编码后得到的 latent，已经包含了丰富的内容信息。低 denoise 重绘时，模型接收到的 latent 与原始图高度相似，它会在这个近似分布上做小幅度修正，而不是从零开始生成。所以“免提示词”是可行的，它依赖的是图像本身的条件约束。

2.3 关键参数：denoise、CFG、steps

在 ComfyUI 的 KSampler 节点中，有三个参数对修复效果影响最大：

denoise 是整个修复工作的灵魂参数。它越高，模型对原图的改动越大；它越低，原图保留得越完整，但修复能力也会变弱。日常修复破碎细节，建议先从 0.55 开始尝试。若原图破损严重，可以提高到 0.65 左右；若只是轻微模糊，可以降到 0.4 左右。

CFG 建议不要设置太高，过高会导致颜色过饱和、细节锐化过度，反而加重“塑料感”和破碎感。CFG 在 5-7 之间是比较安全的区间。

3. 环境准备：从零搭建 ComfyUI

3.1 ComfyUI 安装方式

ComfyUI 是一个基于节点的 Stable Diffusion 工作流工具，它以流程图的方式组织模型加载、采样、解码、保存等过程。安装主要有两种方式，你可以根据自己的基础选择。

方式一：使用秋叶一键整合包

这种方式适合新手。整合包通常已经预装好了 Python 环境、依赖、常用插件和模型管理器，下载解压后即可运行。你只需要运行启动脚本，等待浏览器自动打开 ComfyUI 页面。需要注意，整合包版本更新较快，安装后建议先确认内置的 ComfyUI 版本和自定义节点版本，再继续后面的操作。

方式二：使用官方源码安装

适合有一定基础、希望自己控制环境依赖的开发者。基本步骤如下：

1. 克隆 ComfyUI 官方仓库到本地。
2. 创建 Python 虚拟环境并安装 PyTorch 等依赖。
3. 启动 ComfyUI 主程序。
4. 在浏览器访问http://127.0.0.1:8188。

无论采用哪种方式，最终运行起来的界面都是一个节点式工作台。

3.2 模型与插件准备

要做“免提示词修复”，你需要先准备以下资源：

• 底模型：建议下载一个写实类或通用类大模型，例如 DreamShaper、Realistic Vision、majicMIX realistic 等。修复 Midjourney 人像图时，选一个偏写实的模型效果更自然。
• VAE：大多数底模型已经内置了 VAE，如果单独下载了 VAE，也需要放到 models/vae 目录。
• 放大模型：为了修复细节纹理，可以准备 RealESRGAN_x4plus、4x-UltraSharp 等放大模型，放在 models/upscale_models 目录。
• ControlNet（进阶可选）：如果你希望结构保持更强，可以下载 ControlNet Tile 模型，例如control_v11f1e_sd15_tile.pth，放在 models/controlnet 目录。SDXL 用户则可以使用对应的 tile_xl 模型。

3.3 硬件与版本建议

ComfyUI 对硬件有一定要求，建议 NVIDIA 显卡，显存不低于 8GB。如果你的显卡显存较小，可以降低输入图片分辨率，或者开启 tiled VAE 来避免显存溢出。

ComfyUI 版本迭代很快，不同版本的节点名称、参数细节可能有差异。本文中的示例以常见版本为例，重点演示配置思路。如果你导入工作流时提示缺少节点或参数不匹配，请根据实际版本进行微调。

4. 完整实战：搭建免提示词修复工作流

4.1 工作流整体流程

下面用文字流程图来说明工作流的主要逻辑：

Midjourney 原图 ↓ Load Image 加载图片 ↓ VAE Encode 编码到潜空间 ↓ KSampler 低强度重绘（denoise≈0.55） ↓ VAE Decode 解码回像素空间 ↓ Upscale 放大增强细节 ↓ Save Image 保存结果

其中，CLIP Text Encode 两个节点的文本都留空，作为 positive 和 negative 条件传入 KSampler，这是“免提示词”的关键实现方式。

4.2 手动搭建工作流核心步骤

第一次使用时，不建议直接导入别人的工作流，手动搭一遍能帮你理解每个节点的作用，后面调参时会更有手感。

第一步：删除默认节点

打开 ComfyUI 后，按Ctrl + A全选当前画布中的节点，按Delete删除，得到一个空白画布。

第二步：添加 CheckpointLoaderSimple

在画布空白处双击，弹出节点搜索框，输入CheckpointLoaderSimple，回车添加。这个节点负责加载底模型。在节点的下拉框中，选择你已经放入models/checkpoints目录的模型文件。

这个节点会输出三路信息：MODEL、CLIP、VAE。MODEL 是采样用的模型本体，CLIP 用于文本编码，VAE 用于图像和潜在空间互转。

第三步：添加 LoadImage

搜索并添加LoadImage节点。点击节点上的“choose file to upload”，选择 Midjourney 生成的原图。节点会输出 IMAGE 数据，同时你可以在图片预览中看到原始画面。

第四步：添加 VAEEncode

搜索并添加VAEEncode节点。将 LoadImage 的 IMAGE 输出连接到 VAEEncode 的 pixels 输入；将 CheckpointLoaderSimple 的 VAE 输出连接到 VAEEncode 的 vae 输入。这个节点会把像素空间的图片编码到潜在空间，供 KSampler 处理。

第五步：添加两个空文本 CLIPTextEncode

搜索并添加两个CLIPTextEncode节点，分别作为 positive 和 negative 条件。将 CheckpointLoaderSimple 的 CLIP 输出连接到两个节点的 clip 输入。两个节点的 text 输入框都设为空字符串。

注意：不要删除这两个节点，虽然提示词为空，但 KSampler 需要接收条件数据。

第六步：添加 KSampler

搜索并添加KSampler节点，然后完成下述连接：

• model 输入接 CheckpointLoaderSimple 的 MODEL 输出。
• positive 接第一个 CLIPTextEncode 的 CONDITIONING 输出。
• negative 接第二个 CLIPTextEncode 的 CONDITIONING 输出。
• latent_image 接 VAEEncode 的 LATENT 输出。

参数可以按下表设置：

第七步：添加 VAEDecode

搜索并添加VAEDecode节点。将 KSampler 的 LATENT 输出连接到 VAEDecode 的 samples 输入，将 CheckpointLoaderSimple 的 VAE 输出连接到 VAEDecode 的 vae 输入。VAEDecode 会把修复后的潜在表示重新解码为图片。

第八步：添加 SaveImage

搜索并添加SaveImage节点。将 VAEDecode 的 IMAGE 输出连接到 SaveImage 的 images 输入。SaveImage 的 filename_prefix 可以改成fix_detail，运行后图片会保存到ComfyUI/output目录。

到这里，一个最基础的“免提示词修复工作流”已经搭好。

4.3 可复用的工作流 JSON 模板

如果你希望跳过手动搭建，也可以通过 ComfyUI 的 API 接口直接提交工作流。下面是一个最小可运行的 API 格式 JSON 模板，逻辑与手动搭建一致。

{ "1": { "class_type": "CheckpointLoaderSimple", "inputs": { "ckpt_name": "dreamshaper_8.safetensors" } }, "2": { "class_type": "LoadImage", "inputs": { "image": "broken_face.png" } }, "3": { "class_type": "VAEEncode", "inputs": { "pixels": ["2", 0], "vae": ["1", 2] } }, "4": { "class_type": "CLIPTextEncode", "inputs": { "text": "", "clip": ["1", 1] } }, "5": { "class_type": "CLIPTextEncode", "inputs": { "text": "", "clip": ["1", 1] } }, "6": { "class_type": "KSampler", "inputs": { "model": ["1", 0], "positive": ["4", 0], "negative": ["5", 0], "latent_image": ["3", 0], "seed": 42, "steps": 25, "cfg": 6.0, "sampler_name": "dpmpp_2m", "scheduler": "karras", "denoise": 0.55 } }, "7": { "class_type": "VAEDecode", "inputs": { "samples": ["6", 0], "vae": ["1", 2] } }, "8": { "class_type": "SaveImage", "inputs": { "images": ["7", 0], "filename_prefix": "fix_detail" } } }

使用前需要修改两处：ckpt_name改成你本机 checkpoints 目录下实际存在的模型文件名；image改成你放进ComfyUI/input目录的图片文件名。保存为fix_workflow_api.json后，可以通过以下命令提交给本地 ComfyUI：

curl -X POST http://127.0.0.1:8188/prompt \ -H "Content-Type: application/json" \ -d @fix_workflow_api.json

如果你习惯在界面上操作，也可以把工作流通过界面菜单保存为.json文件，下次直接拖入浏览器即可加载。

4.4 运行与参数验证

在 ComfyUI 界面中点击右上角的Queue Prompt，任务开始运行。运行完成后，SaveImage 节点会显示输出图片，同时ComfyUI/output目录下会生成带前缀fix_detail的图片文件。

第一轮运行后，建议先对比原图与修复图，重点观察：

• 手指是否更加自然。
• 发丝是否变得连贯。
• 边缘破碎感是否减少。
• 整体构图、色彩是否被保留。

如果修复力度不足，也就是图片几乎没有变化，请逐步调高 denoise，每次增加 0.05，直到细节有明显改善。如果图片已经完全偏离原图，则说明 denoise 过高，请回调到 0.5 以下，或者降低 CFG。

5. 进阶：局部重绘、放大与 ControlNet 组合修复

5.1 使用遮罩进行局部修复

很多时候，我们并不需要整张图重绘，只需要修复脸部或手部这些局部区域。此时可以使用遮罩局部修复。

思路是把“整图低强度重绘”改成“只在遮罩区域重绘”：

1. 使用 LoadImage 节点加载原图。
2. 在 LoadImage 节点上打开 mask 编辑器，用画笔涂抹需要修复的区域。
3. 添加 VAEEncode 将图片编码为 latent。
4. 添加Set Latent Noise Mask节点，把 VAEEncode 的 LATENT 和 LoadImage 的 MASK 输入进去。
5. 将 Set Latent Noise Mask 的输出连接到 KSampler 的 latent_image。

在这种模式下，denoise 可以适当调高到 0.6-0.75，因为模型只会在遮罩区域内生成新内容，不会破坏遮罩外的画面。局部修复的优点是非常精准，适合只修手部、脸部等局部破碎。

5.2 加入 ControlNet Tile 增强结构保持

ControlNet Tile 模型的作用是“参考原图结构，生成细节”，非常适合修复破碎纹理。它会把原图分成多个小块，作为结构参考传给模型，让模型在生成时保持原有的空间布局，同时补全高频细节。

添加 ControlNet 的流程大致如下：

• 安装 ComfyUI 的 ControlNet 相关插件。
• 将 Tile 模型放入models/controlnet目录。
• 添加ControlNetLoader节点，选择control_v11f1e_sd15_tile.pth。
• 添加ControlNetApplyAdvanced节点。
• 将原图 IMAGE 连接到 ControlNetApplyAdvanced 的 image 输入。
• 将 positive 和 negative 条件连接到对应输入。
• 将 ControlNetApplyAdvanced 的 positive 和 negative 输出连接到 KSampler。
• KSampler 的 latent_image 仍然连接 VAEEncode 的 latent。

加入 ControlNet 后，即使 denoise 稍微调高，画面结构也不容易跑偏，修复纹理的能力会明显增强。适合处理复杂的建筑背景、密集纹理衣物、大幅度破碎区域。

5.3 多阶段修复生产流

在实际项目中，单次修复往往很难一步到位。更推荐的做法是分阶段处理：

• 第一阶段：整体低 denoise 重绘，修复大部分破碎边缘。
• 第二阶段：对脸部、手部做局部遮罩修复，强化细节。
• 第三阶段：使用 Upscale 放大模型提升分辨率，让纹理更清晰。

三个阶段可以组合成一张更大的工作流画布，也可以分开保存成三个模板。批量处理时，前三阶段都使用相同的输入图，最后统一输出，能有效提高出图质量。

6. 常见问题与排查思路

在实际使用 ComfyUI 时，新手经常会遇到一些环境或节点层面的问题。下面是我整理的高频问题排查表：

如果你遇到了表格中没有列出的问题，建议先查看 ComfyUI 的控制台日志，日志中通常会直接提示是哪个节点、哪个文件或哪个依赖出了问题。

7. 最佳实践与工程建议

7.1 输入图尽量高分辨率

Midjourney 输出图的分辨率如果较低，细节信息本身就不足，修复空间有限。建议在 Midjourney 阶段先使用 Upscale 功能或放大参数，导出更高分辨率的原图，再进入 ComfyUI 修复。低分辨率图直接修复，容易越修越糊。

7.2 建立自己的参数调整起点

每次修复不要同时调整多个参数，建议固定一个变量，只调一项。例如先固定 CFG=6、steps=25，只调整 denoise，观察不同强度下的效果。等确定 denoise 之后，再微调 CFG 和 steps。这样能快速找到适合某类图片的参数组合。

7.3 做好工作流模板管理

ComfyUI 的工作流文件本质上是 JSON，非常方便版本管理。建议把常用的修复流程保存为独立模板，并按照用途命名，例如：

• fix_detail_whole_v1.json
• fix_detail_face_mask_v1.json
• fix_detail_tile_controlnet_v1.json

后续如果 ComfyUI 升级导致节点变化，也方便对照旧模板查找差异。

7.4 注意显存和批处理效率

批量修复多张图时，建议使用较小的分辨率跑第一轮筛选，最终满意的图片再做高分辨率放大修复。不要一上来就对全部图片跑高分辨率，否则显存和时间成本都会比较高。此外，批量处理时文件名前缀尽量带上批次信息，避免输出目录中文件名覆盖。

7.5 合法合规使用生成内容

无论是 Midjourney 还是 ComfyUI 修复流程，都应遵守模型的使用协议和平台规则。不要在未经授权的情况下处理他人作品，也不要将修复结果用于侵权、诈骗等非法用途。

8. 总结

修复 Midjourney 破碎细节的关键，不是去背一套固定的参数，而是理解 denoise、CFG、ControlNet 三者之间的关系。denoise 控制修复强度，CFG 控制语义引导强度，ControlNet 控制结构保持程度。三者配合得当，才能真正实现“只修细节、不动构图”。

我建议你先按本文第四节的基础工作流跑通一次，手动搭建一遍，理解每个节点的作用。然后再根据自己的实际图片，尝试局部遮罩修复和 ControlNet Tile 修复。等你把这条链路走熟之后，以后遇到 Midjourney 出图细节崩坏，就能直接在 ComfyUI 里精准修复，不用再靠反复修改提示词碰运气了。