适用于所有模型的通用修复能力。LanPaint 采样器允许模型在去噪之前通过多次迭代进行“思考”，从而使您能够投入更多计算时间以获得更优质的修复效果。

这是被 TMLR 接受的论文《LanPaint：无需训练的扩散修复，具有渐近精确且快速的条件采样》（https://arxiv.org/abs/2502.03491）的官方实现。

该仓库是用于 ComfyUI 的扩展插件。

Diffusers 支持：由 @charrywhite 提供的 LanPaint-Diffusers

用于复现论文结果的基准测试代码：LanPaintBench。

引用

@article{
zheng2025lanpaint,
title={LanPaint: Training-Free Diffusion Inpainting with Asymptotically Exact and Fast Conditional Sampling},
author={Candi Zheng and Yuan Lan and Yang Wang},
journal={Transactions on Machine Learning Research},
issn={2835-8856},
year={2025},
url={https://openreview.net/forum?id=JPC8JyOUSW},
note={}
}

🎉 新消息 2026：加入我们的 Discord！

加入我们的 Discord，分享经验、讨论功能并探索未来开发方向。

v1.5.0 修复了一个重要的隐藏 bug，该 bug 会降低性能并可能导致图像模糊（尤其是在使用 z-image-base 时），同时也提升了 LanPaint 在其他模型上的整体性能。 如果您的修复结果出现奇怪的（发光或破损）遮罩边界，请查看此 issue。

🎬 新功能：LanPaint 现在支持基于 Z-Image 的修复和外扩！

原图	遮罩	修复后

🎬 新功能：LanPaint 现在也支持 Z-Image-Base！

原图	遮罩	修复后

🎬 新功能：LanPaint 现在支持基于 Wan 2.2 的视频修复和外扩！

请查看我们最新的 Wan 2.2 视频示例、Wan 2.2 图像示例，以及对 Qwen Image Edit 2509 的支持。

目录

• 功能
• 快速入门
• 如何使用示例
• 视频示例（测试版）
  • Wan 2.2 视频修复
  • Wan 2.2 5B 视频修复
  • Wan 2.2 视频外扩
  • 资源消耗
• 图像示例
  • Flux.2.Dev
  • Flux 2 klein
  • Z-image
  • Z-image-base
  • Hunyuan T2I
  • Wan 2.2 T2I
  • Wan 2.2 T2I 带参考
  • Qwen Image Edit 2511 2509
  • Qwen Image Edit 2508
  • Qwen Image
  • HiDream
  • SD 3.5
  • Flux
  • SDXL
• 使用方法
  • 基础采样器
  • 高级采样器
  • 调优指南
• 社区展示
• 常见问题
• 更新
• 待办事项
• 引用

功能特性

• 通用兼容性 – 可立即与几乎任何模型（Z-image、Z-image-base、Hunyuan、Wan 2.2、Qwen Image/Edit、HiDream、SD 3.5、Flux系列、SDXL、SD 1.5 或自定义 LoRA）及 ControlNet 配合使用。
  
• 无需训练 – 直接与您现有的模型配合使用，开箱即用。
• 易于使用 – 工作流程与标准 ComfyUI KSampler 完全相同。
• 灵活的掩码处理 – 支持任意形状、大小和位置的掩码，用于图像修复或扩展。
• 无需变通方法 – 生成 100% 全新内容（无混合或平滑处理），不依赖部分去噪技术。
• 超越图像修复 – 您甚至可以将其用作生成一致角色的简单方式。

警告：由于与 LoRA 训练类似的问题，LanPaint 在蒸馏模型上性能有所下降，例如 Flux.dev。请使用较低的 flux 引导值（1.0–2.0）来缓解此问题参见此处。

快速入门

1. 安装 ComfyUI：按照官方ComfyUI 安装指南在您的系统上设置 ComfyUI。或确保您的 ComfyUI 版本 > 0.3.11。
2. 安装 ComfyUI 管理器：添加ComfyUI 管理器，以便轻松管理扩展插件。
3. 安装 LanPaint 节点：
   • 通过 ComfyUI 管理器：在管理器中搜索“LanPaint”并直接安装。
   • 手动安装：在 ComfyUI 管理器中点击“通过 Git URL 安装”，并输入以下 GitHub 仓库链接：

     https://github.com/scraed/LanPaint.git
     

     或者将此仓库克隆到 ComfyUI/custom_nodes 文件夹中。
4. 重启 ComfyUI：重启 ComfyUI 以加载 LanPaint 节点。

安装完成后，您将在 ComfyUI 的“采样”类别下找到 LanPaint 节点。像使用默认的 KSampler 一样使用它们，即可实现高质量的图像修复！

使用示例说明：

1. 导航至 example 文件夹（例如 example_1），下载所有图片。
2. 将 InPainted_Drag_Me_to_ComfyUI.png 拖入 ComfyUI，以加载工作流。
3. 下载所需的模型（例如点击“本示例所用模型”）。
4. 在 ComfyUI 中加载该模型。
5. 将 Masked_Load_Me_in_Loader.png 上传至 “用于图像修复的掩码图像” 组中的 “加载图像” 节点（从左数第二个），或 “准备图像” 节点。
6. 提交任务队列，您将获得 LanPaint 的修复结果。部分示例还提供了以下方法的修复结果作为对比：
   • VAE 编码用于图像修复
   • 设置潜在噪声掩码

视频示例（测试版）

LanPaint 现已支持使用 Wan 2.2 进行视频修复，能够在保持时间一致性的同时，无缝修复视频帧中的遮挡区域。

注意：LanPaint 支持较长序列的视频修复（例如 81 帧），但处理时间会显著增加（详情请参阅资源消耗部分），且性能可能变得不稳定。为获得最佳效果和稳定性，我们建议将视频修复限制在40 帧或更少。

Wan 2.2 视频修复

示例：Wan2.2 t2v 14B，480p 视频（1:6），40 帧，LanPaint K Sampler，2 步思考

原始视频	掩码（添加一顶白帽）	修复结果

查看工作流与掩码

您需要遵循 ComfyUI 版本的Wan2.2 T2V 工作流，以下载并安装 T2V 模型。

Wan 2.2 5B 视频修复

与 Wan 2.2 14B 类似，但工作流略有不同。查看工作流与掩码

Wan 2.2 视频扩展

借助基于 Wan 2.2 的 LanPaint 视频扩展功能，您可以将视频画面延伸至原始边界之外。此功能允许您扩展视频画布，同时保持流畅的运动和连贯的上下文。

示例：Wan2.2 t2v 14B，480p 视频（1:1 扩展至 11:6），40 帧，LanPaint K Sampler，2 步思考

原始视频	掩码（扩展至 880x480）	扩展结果

查看工作流与掩码

您需要遵循 ComfyUI 版本的Wan2.2 T2V 工作流，以下载并安装 T2V 模型。

资源消耗

处理模式	分辨率	处理帧数	所需显存	总运行时间（20步）
修复填充	880×480（11:6）	40帧	39.8 GB	05:37 分钟
修复填充	480×480（1:1）	40帧	38.0 GB	05:35 分钟
扩展填充	880×480（11:6）	40帧	40.2 GB	05:36 分钟
修复填充	880×480（11:6）	81帧	43.3 GB	16:23 分钟
修复填充	480×480（1:1）	81帧	39.8 GB	14:25 分钟
扩展填充	880×480（11:6）	81帧	42.6 GB	13:46 分钟

_{测试平台：所有测试均在NVIDIA RTX Pro 6000上进行。
所用模型：wan2.2_t2v_low_noise_14B_fp8_scaled.safetensors和wan2.2_t2v_high_noise_14B_fp8_scaled.safetensors。
处理步骤：20次采样步骤 × 2（LanPaint的思考步骤）。}

注：显存需求由模型而非LanPaint本身决定。为进一步降低显存占用，建议减少生成帧数，并将CLIP加载至CPU。

图像示例

Hunyuan T2I 示例：修复填充（LanPaint K采样器，5步思考）

我们很高兴地宣布，LanPaint现已支持使用Hunyuan文本到图像生成模型进行修复填充。

查看工作流与掩码

您需要按照ComfyUI版本的Hunyuan工作流下载并安装该模型。

Wan2.2 示例：修复填充（LanPaint K采样器，5步思考）

我们很高兴地宣布，LanPaint现已支持使用Wan2.2 T2V模型进行Wan2.2文本到图像生成。

查看工作流与掩码

您需要按照ComfyUI版本的Wan2.2 T2V工作流下载并安装T2V模型。

Z-image 示例：修复填充（LanPaint K采样器，5步思考）

LanPaint还支持使用Z-image文本到图像模型进行修复填充。

查看原图/掩码图/修复填充图对比

原图	掩码图	修复填充图

查看工作流与掩码

查看Z-image扩展填充（原图/掩码图/扩展填充图）

原图	掩码图	扩展填充图

查看扩展填充工作流与掩码

您可以从Z-image下载适用于ComfyUI的Z-image模型。

Z-image-base 示例：修复填充（LanPaint K采样器，3步思考）

LanPaint也支持使用Z-image-base模型进行修复填充。

警告（稳定性）：Z-image-base与LanPaint结合时容易发散。请从较小的LanPaint_StepSize和较少的思考次数（较低的LanPaint_NumSteps）开始，仅在稳定的情况下逐步增加。

查看原图/掩码图/修复填充图对比

原图	掩码图	修复填充图

查看工作流与掩码

工作流模板（JSON）：Z_image_base_Inpaint.json

Wan2.2 示例：部分修复填充（LanPaint K采样器，5步思考）

有时我们并不希望完全替换原有内容，而是让修复后的图像保留一些原始图像的特征。实现这一目标的一种方法是使用编辑模型，如Qwen Image Edit进行修复填充。另一种方法则是进行部分修复填充：让扩散过程从中间步骤开始，而不是从第0步开始。

查看工作流与掩码

您需要按照ComfyUI版本的Wan2.2 T2V工作流下载并安装T2V模型。

Qwen Edit 2509 示例：修复填充

请查看我们最新更新的Mased Qwen Edit工作流，适用于Qwen Image Edit 2509。您可以在Qwen Image Edit 2509 Comfy下载该模型。此工作流同样支持Qwen Image Edit 2511。

示例 Qwen 编辑 2508：InPaint

请查看 Mased Qwen 编辑工作流。您需要按照 ComfyUI 版本的 Qwen 图像编辑工作流 下载并安装模型。

示例 Qwen 图像：InPaint（LanPaint K 采样器，5 步思考）

查看工作流与掩码

您需要按照 ComfyUI 版本的 Qwen 图像工作流 下载并安装模型。

以下示例使用随机种子 0 生成一批 4 张图像，用于展示方差并进行公平比较。（注意：生成 4 张图像可能会超出您的 GPU 显存；请根据需要调整批次大小。）

同时请查看 Qwen Inpaint 工作流 和 Qwen Outpaint 工作流。您需要按照 ComfyUI 版本的 Qwen 图像工作流 下载并安装模型。

示例 HiDream：InPaint（LanPaint K 采样器，5 步思考）

查看工作流与掩码

您需要按照 ComfyUI 版本的 HiDream 工作流 下载并安装模型。

示例 HiDream：OutPaint（LanPaint K 采样器，5 步思考）

查看工作流与掩码

您需要按照 ComfyUI 版本的 HiDream 工作流 下载并安装模型。感谢 Amazon90 提供此示例。

示例 SD 3.5：InPaint（LanPaint K 采样器，5 步思考）

查看工作流与掩码

您需要按照 ComfyUI 版本的 SD 3.5 工作流 下载并安装模型。

示例 Flux.2.Dev：InPaint（LanPaint K 采样器，5 步思考）

查看原图 / 掩码图 / 修补图对比

原图	掩码图	修补图

查看工作流与掩码

本示例所用模型

（注：Flux.2.Dev 上未启用“提示优先”模式，因为它不使用 CFG 引导。）

示例 Flux 2 klein：InPaint（LanPaint K 采样器，2 步思考）

查看原图 / 掩码图 / 修补图对比

原图	掩码图	修补图

查看工作流与掩码

本示例所用模型。如果您在 Comfy 0.11 和 0.12 上遇到质量问题，请查看 此问题。

示例 Flux：InPaint（LanPaint K 采样器，5 步思考）

查看工作流与掩码 本示例所用模型 （注：Flux 上未启用“提示优先”模式，因为它不使用 CFG 引导。）

示例 SDXL 0：角色一致性（侧视图生成）（LanPaint K 采样器，5 步思考）

查看工作流与掩码 本示例所用模型

（技巧 1：您可以通过 Photoshop 多次复制角色图像来强化角色特征。这里我额外制作了一张副本。）

（技巧 2：使用诸如多视角、多角度、克隆、转身等提示词。请使用 LanPaint 的“提示优先”模式（不支持 Flux）。）

（技巧 3：请记住，LanPaint 可以进行修补：遮盖不一致的区域并再次尝试！）

示例 SDXL 1：篮子变篮球（LanPaint K 采样器，2 步思考）。

查看工作流与掩码 本示例所用模型

示例 SDXL 2：白衬衫变蓝衬衫（LanPaint K 采样器，5 步思考）

查看工作流与掩码 本示例所用模型

示例 SDXL 3：微笑变悲伤（LanPaint K 采样器，5 步思考）

查看工作流与掩码 本示例所用模型

示例 SDXL 4：损伤修复（LanPaint K采样器，5步思考）

查看工作流与掩码 本示例使用的模型

示例 SDXL 5：大规模损伤修复（LanPaint K采样器，20步思考）

查看工作流与掩码 本示例使用的模型

更多用例如在微调模型上进行修复，以及人脸替换，感谢Amazon90。

使用方法

工作流设置
与默认的 ComfyUI KSampler 相同——只需将节点替换为 LanPaint KSampler 即可。修复工作流与 SetLatentNoiseMask 的修复工作流一致。

注意

• LanPaint 需要二值掩码（值为 0 或 1），不能带有透明度或平滑处理。为确保兼容性，请在您的掩码编辑器中将掩码的透明度和硬度设置为最大值。在修复过程中，任何带有平滑或渐变的掩码都会自动转换为二值掩码。
• LanPaint 在很大程度上依赖于文本提示来指导修复过程——请明确描述您希望在遮罩区域内生成的内容。如果结果出现伪影或不匹配的元素，请使用有针对性的负面提示来纠正。

基础采样器

• LanPaint KSampler：最基础且易于使用的修复采样器。
• LanPaint KSampler（高级）：全面控制所有参数。

LanPaint KSampler

简化界面，配有推荐默认值：

• 步数：20–50。步数越多，“思考”越充分，效果越好。
• LanPaint NumSteps：去噪前的思考轮次。大多数任务建议设置为 5（即比无思考采样慢 5 倍）。对于更具挑战性的任务，可设置为 10。
• LanPaint Prompt 模式：图像优先模式与提示优先模式。图像优先模式更注重图像本身，会根据图像上下文进行修复（可能忽略提示）；而提示优先模式则更强调提示内容。建议在需要保持角色一致性等任务时使用提示优先模式。（从技术层面讲，提示优先模式会将 BIG 分数中的 CFG 缩放系数调整为负值以强化提示，但这可能会降低图像质量。）

LanPaint KSampler（高级）

完全参数控制： 关键参数

参数	范围	描述
Steps	0–100	扩散采样的总步数。数值越高，修复效果越好。建议设置为 20–50。
LanPaint_NumSteps	0–20	每个去噪步骤中的推理迭代次数（“思考深度”）。简单任务：2–5。困难任务：5–10
LanPaint_Lambda	0.1–50	内容对齐强度（数值越高，约束越严格）。建议设置为 4.0–10.0
LanPaint_StepSize	0.1–1.0	每次思考步骤的大小。建议设置为 0.1–0.5。
LanPaint_Beta	0.1–2.0	遮罩区域与非遮罩区域之间的步长比例。较小的值可以抵消较高的 Lambda 值。建议设置为 1.0
LanPaint_Friction	0.0–100.0	朗之万动力学的摩擦力。数值越高，速度越慢但越稳定；数值越低，速度越快但越不稳定。建议设置为 10.0–20.0
LanPaint_EarlyStop	0–10	在最终采样步骤之前停止 LanPaint 迭代。有助于在某些情况下去除伪影。建议设置为 1–5
LanPaint_PromptMode	图像优先 / 提示优先	图像优先模式侧重于图像上下文，可能忽略提示。提示优先模式则更注重提示内容。

如需了解每个参数的详细说明，只需将鼠标悬停在相应输入字段上，即可查看包含附加信息的工具提示。

LanPaint Mask Blend

此节点根据掩码将原始图像与修复后的图像混合。如果您希望未遮罩区域的像素与原始图像完全一致，此节点非常有用。

LanPaint KSampler（高级）调优指南

针对具有挑战性的修复任务：

1️⃣ 提升质量 如果修复结果未达到预期，请增加总采样步数（非常重要！）、LanPaint_NumSteps（思考迭代次数）或LanPaint_Lambda。

2️⃣ 提升速度 减少LanPaint_NumSteps以加快生成速度！若希望获得更好的效果但仍需减少步数，可考虑： - 增大 LanPaint_StepSize以加快思考过程。 - 降低 LanPaint_Friction以使朗之万动力学更快收敛。

3️⃣ 解决不稳定问题：
如果发现结果纹理异常，可尝试：

• 降低LanPaint_Friction以提高朗之万动力学的稳定性。
• 减小LanPaint_StepSize以使用更小的步长。
• 如果使用了较高的 Lambda 值，可适当降低LanPaint_Beta。

⚠️ 注意事项：

• 为有效调优，请固定种子，并逐步调整参数，同时观察结果。这有助于隔离每个设置的影响。最好使用一批图像进行测试，以免过度拟合单张图像。

社区展示

看看社区是如何使用 LanPaint 的吧！以下是一些用户创建的教程：

• AI绘画进阶148-三大王炸！庆祝高允贞出道6周年！T8即将直播？当AI绘画学会深度思考？！万能修复神器LanPaint，万物皆可修！-T8 Comfyui教程
• AI绘画进阶151-真相了！T8竟是个AI？！LanPaint进阶（二），人物一致性，多视角实验性测试，新参数讲解，工作流分享-T8 Comfyui教程
• 重绘和三视图角色一致性解决新方案！LanPaint节点尝试
• ComfyUI: HiDream with Perturbation Upscale, LanPaint Inpainting (Workflow Tutorial)
• ComfyUI必备LanPaint插件超详细使用教程

欢迎提交 PR 将您的教程/视频添加到这里，或通过Issue提供详细信息！

常见问题解答

与裁剪拼接协同工作

更新

• 2026年3月2日
  • v1.5.0：修复了一个隐藏的性能瓶颈问题，该问题会导致图像模糊（尤其是在 z-image-base 上），同时也提升了其他模型上 LanPaint 的整体性能。
• 2026年1月30日
  • 添加 Z-image-base 的文档及 Example_25 工作流示意图。
• 2025年8月8日
  • 增加对 Qwen 图像模型的支持。
• 2025年6月21日
  • 更新算法，提升稳定性和外扩绘图性能。
  • 添加外扩绘图示例。
  • 支持自定义采样器（感谢 MINENEMA）。
• 2025年6月4日
  • 增加更多采样器支持。
  • 在高级采样器中加入提前停止功能。
• 2025年5月28日
  • 对 Langevin 求解器进行重大更新。现在速度更快、稳定性更高。
  • 大幅简化了高级采样器的参数设置。
  • 修复了 Flux 和 SD 3.5 上的性能问题。
• 2025年4月16日
  • 增加对 Primary HiDream 的支持。
• 2025年3月22日
  • 增加对 Primary Flux 的支持。
  • 新增“戏弄模式”。
• 2025年3月10日
  • LanPaint 进行了一次重大更新！所有示例现均采用 LanPaint K 采样器，界面更加简洁，性能和稳定性也得到了提升。
• 2025年3月6日：
  • 修复了字符串不可调用错误和解包错误。特别感谢 jamesWalker55 和 EricBCoding。

待办事项

• 尝试实现细节增强模块。
• 提供无 GUI 的推理代码。 请参阅我们的本地 Python 基准测试代码 LanPaintBench。

引用

@article{
zheng2025lanpaint,
title={LanPaint：无需训练的扩散模型内补画技术——渐近精确且快速的条件采样},
author={Candi Zheng, Yuan Lan, Yang Wang},
journal={机器学习研究汇刊},
issn={2835-8856},
year={2025},
url={https://openreview.net/forum?id=JPC8JyOUSW},
note={}
}

LanPaint 快速上手指南

LanPaint 是一个通用的扩散模型修复（Inpainting）采样器，支持“思考模式”（Think Mode）。它允许模型在去噪前进行多次迭代思考，无需重新训练即可显著提升各类模型（如 Flux、SDXL、Wan 2.2、Z-Image 等）的图像和视频修复质量。

1. 环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Windows, Linux 或 macOS
• Python: 3.10 或更高版本（推荐与 ComfyUI 环境一致）
• 核心依赖:
  • ComfyUI: 版本需大于 0.3.11
  • ComfyUI-Manager: 用于便捷管理节点插件
• 硬件建议: 推荐使用 NVIDIA GPU (显存建议 8GB 以上，视频修复需更大显存)

注意：本工具主要作为 ComfyUI 的自定义节点运行。

2. 安装步骤

您可以通过 ComfyUI-Manager 进行一键安装，这是最推荐的方式。

方法一：通过 ComfyUI-Manager 安装（推荐）

1. 启动 ComfyUI，点击右侧菜单中的 "Manager" 按钮。
2. 选择 "Install Custom Nodes"。
3. 在搜索框中输入 LanPaint。
4. 找到由 scraed 发布的 [LanPaint] 节点，点击 "Install"。
5. 安装完成后，重启 ComfyUI 以加载新节点。

方法二：手动 Git 安装

如果您无法使用 Manager 或需要特定版本，可使用命令行手动安装：

# 进入 ComfyUI 的 custom_nodes 目录
cd ComfyUI/custom_nodes

# 克隆仓库
git clone https://github.com/scraed/LanPaint.git

# 安装 Python 依赖 (如有 requirements.txt)
cd LanPaint
pip install -r requirements.txt

# 返回上级目录并重启 ComfyUI
cd ..
# 重启 ComfyUI 服务

国内加速提示：如果 git clone 速度较慢，可使用国内镜像源：

git clone https://gitee.com/mirrors/LanPaint.git  # 若存在镜像
# 或使用通用加速代理
git clone https://ghproxy.com/https://github.com/scraed/LanPaint.git

3. 基本使用

安装重启后，您将在 ComfyUI 的节点列表中找到 LanPaint 相关节点。其使用逻辑与原生的 KSampler 高度一致。

最简单的工作流示例

1. 加载节点： 在画布空白处双击，搜索并添加 LanPaint KSampler 节点（位于 sampling 分类下）。

2. 连接线路：

   • Model: 连接您的主模型加载器输出。
   • Positive/Negative: 连接提示词编码输出。
   • Latent Image: 连接包含蒙版（Mask）的潜空间图像。
     • 关键步骤：确保您的输入图像已通过 VAE Encode (for Inpainting) 或类似节点处理，并正确连接了 Mask 通道。
   • Image Output: 连接到 VAE Decode 进而查看结果。

3. 参数设置：

   • steps: 总去噪步数（例如 20）。
   • think_steps (核心参数): “思考”步数。
     • 设为 0：退化为普通采样。
     • 设为 2 - 5：推荐值。模型会在正式去噪前进行多次条件采样迭代，显著提升修复边缘的自然度和内容一致性。
     • 注意：增加此参数会增加计算时间。
   • cfg: 引导系数。对于 Flux 等蒸馏模型，建议使用较低的值 (1.0 - 2.0) 以避免画面模糊。

4. 运行生成： 点击 "Queue Prompt"，即可看到经过 LanPaint 优化后的修复结果。

进阶提示

• 视频修复：支持 Wan 2.2 等视频模型。工作流类似，但需确保输入为视频帧序列的 Latent，并注意帧数限制（建议 40 帧以内以保证稳定性）。
• 模型兼容性：适用于 Flux, SDXL, SD3.5, Hunyuan, Z-Image 等几乎所有主流扩散模型，无需额外训练 LoRA。