Model
Trends
.ai
Model
Trends
.ai
最好的开源 AI 模型

ComfyUI 中的 VAE Encode and VAE Encode (for Inpainting) 节点

VAE Encode 把像素图像转换成 img2img 用的潜空间 LATENT；VAE Encode（用于修补）也做同样的事，但会把遮罩区域变空白，这样修补模型才能重新绘制。
节点包:ComfyUI core
分类:潜空间

VAE Encode and VAE Encode (for Inpainting) 的作用

如果想用现有图片，得先把图片转换到潜空间。VAE Encode 接收一个 IMAGE（来自 Load Image 或之前的解码）和 VAE，输出一个 LATENT，KSampler 可以用低于 1 的去噪值继续处理。这就是 ComfyUI 里 img2img 的全部流程。
VAE Encode（用于修补）多了一个遮罩输入和 grow_mask_by 选项：编码前会把遮罩区域变灰，并附加一个噪声遮罩，这样专门的修补模型只会重绘那部分区域。用普通模型修补的话，先用 VAE Encode，再用 Set Latent Noise Mask，这样遮罩下的原图内容会保留作为起点。

输入

名称
类型
含义
pixels
IMAGE
要编码的图片。尺寸会裁剪到 8 的倍数。
vae
VAE
你用来采样的模型的 VAE。
mask (inpaint variant)
MASK
白色部分是要重绘的区域。
grow_mask_by (inpaint variant)
INT
扩展遮罩边缘的像素数，让边缘更自然，建议 6-24。

输出

名称
类型
含义
LATENT
LATENT
编码后的图像（修补版会带噪声遮罩），给 KSampler 的 latent_image 用。
AD
跳过安装:云端预装的 ComfyUI 工作流
BitVector 在自家 GPU 上运行现成的 ComfyUI 工作流。无需安装,没有缺失节点,没有红框。用手机或笔记本打开,一分钟出图。

如何使用 VAE Encode and VAE Encode (for Inpainting)

  1. 先用 Load Image 载入图片，然后用带有模型 VAE 的 VAE Encode 编码。
  2. 把 LATENT 接到 KSampler；去噪调到 0.4-0.7 试试变化，0.2-0.35 适合微调。
  3. 修补时：在 Load Image 里打开遮罩编辑器，画出要修补的区域，用带修补模型的 VAE Encode（用于修补），去噪设 1.0。

设置与技巧

  • 编码前先把输入图调整到模型的原生尺寸；4000 像素的大图编码后潜空间会很大。
  • VAE Encode（用于修补）用去噪 1.0 是对的：遮罩区域是要完全重绘的。
  • 用普通模型修补时，推荐用 VAE Encode + Set Latent Noise Mask，去噪 0.5-0.8，效果更贴合上下文。
  • 图像尺寸不是 8 的倍数时会裁剪几像素，最好先填充或调整大小，避免画面偏移。

VAE Encode and VAE Encode (for Inpainting) 故障排查

修补区域不顾周围，看起来像贴上去的

原因
用 VAE Encode（用于修补）配了非修补模型，这种模型看不到变灰的区域。

修复方法
用修补模型（或者 Fooocus/Flux 的修补模型），或者改用 VAE Encode + Set Latent Noise Mask，去噪调低于 0.8。

修补区域边缘太硬

原因
grow_mask_by 设成 0，或者遮罩没做羽化。

修复方法
把 grow_mask_by 设成 12-24，或者用 Grow Mask / Feather Mask 节点给遮罩模糊一下再编码。

img2img 没有变化

原因
去噪值太低，或者采样器的潜空间输入还是空的。

修复方法
把编码后的 LATENT 接到 KSampler，去噪调到 0.5 以上，确认流程正常。

编码时报错：预期 4 通道却得到 16 通道（或反过来）

原因
VAE 和用来采样潜空间的模型不匹配，属于不同系列。

修复方法
用和模型解码时一样的 VAE 来编码。

AD
在手机上运行这个工作流
本页的每个工作流都已预装在 BitVector 上,模型和自定义节点一应俱全。选一个,输入提示词,完成。零配置,无需下载。

关于 VAE Encode and VAE Encode (for Inpainting) 的问题

img2img 应该用多少去噪？

0.3 保留大部分图片，0.5 是平衡的混合，0.75 以上只保留构图和颜色。

没有修补模型能修补吗？

能：先用 VAE Encode，再用 Set Latent Noise Mask 加遮罩，最后 KSampler 去噪 0.5-0.8。

相关节点

VAE Decode
ComfyUI core
VAE Decode 使用 VAE 将采样得到的 LATENT 转换成像素 IMAGE；VAE Decode (Tiled) 则是对非常大的图片进行分块处理，效果相同。
Load Image
ComfyUI core
Load Image 从 ComfyUI 的输入文件夹（或上传）读取图片，输出一个 IMAGE 张量和一个从 alpha 通道提取的 MASK，这是 img2img、修补、ControlNet 和 IP-Adapter 图的起点。
Set Latent Noise Mask
ComfyUI core
Set Latent Noise Mask 会给 LATENT 附加一个 MASK，这样采样器只会改变白色区域：可以用任何普通模型做修补和局部重绘。
KSampler
ComfyUI core
KSampler 运行去噪循环：它接收模型、提示词和潜变量，生成最终的潜变量图像，受种子、步数、cfg、采样器、调度器和去噪程度控制。
Load VAE
ComfyUI core
Load VAE（VAELoader）从 models/vae 加载一个独立的 VAE 文件，这样即使检查点缺少或 VAE 很弱，也能解码出干净的颜色，同时像 Flux 和 Wan 这样的拆分模型也能获得它们的解码器。
AD
修节点修累了?交给云端
BitVector 在高速云 GPU 上维护着数百个 ComfyUI 工作流,已安装、已更新、已测试。没有 Python,没有 CUDA 报错,没有显存限制。任何浏览器都能用。

更多 ComfyUI 节点

CLIP Text Encode (Prompt)
ComfyUI core
CLIP Text Encode 用模型文本编码器把文本提示转换成 CONDITIONING。一个节点放正面提示，另一个放负面提示。
ComfyUI Manager
ComfyUI-Manager
ComfyUI Manager 是一个扩展，可以在界面内安装、更新和修复自定义节点包和模型，解决导入工作流时缺失的节点问题，并且可以快照你的设置。
Load Checkpoint
ComfyUI core
Load Checkpoint（CheckpointLoaderSimple）打开一个 .safetensors 或 .ckpt 模型文件，并输出每个工作流程都需要的三个部分：扩散模型 MODEL、CLIP 文本编码器和 VAE。
Save Image
ComfyUI core
Save Image 会把 IMAGE 张量保存成 PNG 文件到 ComfyUI/output 文件夹，文件里还会嵌入整个工作流程的元数据，这样你以后可以把图片拖回 ComfyUI，恢复整个图。
Empty Latent Image
ComfyUI core
Empty Latent Image 创建一个空白的潜在画布（宽度、高度、批量大小），文本到图像采样就是从这里开始的；尺寸必须是8的倍数，并且要和模型家族匹配。
Load LoRA
ComfyUI core
Load LoRA（LoraLoader）会把 LoRA 文件应用到 MODEL 和 CLIP 上，分别设置强度，这样你可以给任何检查点加上风格、角色或概念，而不用合并模型。