如果你在一个视频标题里看到 “New face new unc // og idea”八成是某位创作者在秀 AI 人像生成的新点子。我第一次看到这个标题时也愣了几秒后来把它拆成三个信息new face 是生成一张以前不存在的新面孔new unc 按我自己的图像生成工作流习惯理解成 uncrop也就是把画面向外扩展、补全构图而 og idea 是 original idea原始创意。这个组合其实是一个非常完整的人像创作流程先出一个新脸再把构图拉宽最后形成一张有叙事感的画面。这篇文章就按这个流程写一遍适合正在玩 Stable Diffusion 或 ComfyUI 的创作者。我不会讲太多花哨概念重点放在怎么把“新面孔 扩图”从想法变成可复现的操作。你会看到我常用的硬性条件和软件组合也会看到提示词、控制参数、批量管理和排查顺序。很多细节是实操里踩过之后总结出来的单看不会觉得值钱真正出图时能少走不少弯路。1. 先把标题拆明白新面孔、uncrop、原始创意分别解决什么问题1.1 人像生成不是“抽卡”而是先定创意再建流程很多人玩 AI 人像生成时第一反应是写好提示词点生成然后看运气。如果抽到一张能看的就停下来。这种玩法不能说错但很难稳定复现。尤其是当你想要的不是“随机一张脸”而是“一张与角色设定匹配的新脸”时没有流程就很危险。“new face” 解决的是角色新鲜感问题。模型里最常见的脸型、发型、表情会在生成结果里反复出现看多了会有明显的“同一个模型脸”感觉。如果你做的是原创角色、头像素材、故事板人物或者单纯想给日常灵感做一个视觉锚点就必须用新的表情组合、发型、年龄感、脸部特征去打破平均值。这套流程的关键不是“多抽几张”而是“在可控范围内抽”。先给出一个原始创意再让模型围绕这个创意生成脸部特征。所以 og idea 才是起点提示词只是把创意翻译成模型能理解的语言。没有创意的图像只是图片有创意的图像才值得继续做 uncrop 扩展。1.2 uncrop 在图像工作流里的作用uncrop 是图像外绘扩展的常见叫法。它做的事情很简单把一张原本只有上半身或者只拍到脸的特写图向外扩展出背景、身体、环境和更多构图空间。为什么要做这一步因为直接生成一张完整构图的人像难度往往比先生成特写、再扩展外面一圈要高很多。特写图里脸是画面重心生成质量容易集中在面部一旦你要求模型把全身、场景、光影全部一次性画出来容易出现身体比例崩坏、脸被背景干扰、边缘物体残次等问题。uncrop 的思路是先集中火力出一张高质量脸部特写再用扩图的方式把环境补出来。这样每一段生成任务都比较轻松。在 WebUI 和 ComfyUI 里uncrop 通常对应 outpainting 流程。流程核心是保留原图中间区域让程序在四周生成与已有画面风格一致的新内容。这个操作听起来简单实际上涉及到边缘融合、提示词控制、扩展比例、去噪强度等多项参数。参数没调好最常见的结果是接缝明显、背景风格突变、人物躯干形状怪。1.3 适合做什么内容不适合做什么内容这套“新脸 uncrop”流程比较适合做的内容有这些原创角色设定图、头像系列、封面背景图、故事板人物、时尚人像参考、游戏 NPC 概念草图。只要你的核心诉求是“先有角色再给角色一个环境”那它就很合适。不适合做什么不适合做需要严格一致性、不能有一点变形的商业项目。uncrop 在扩展时人物的肩部、手臂、身体比例可能和原图产生明显偏差如果你要的是精确到毫米级别的产品图那 AI 扩图只能作为初稿不能直接交付。另外任何模仿真实公众人物、未经授权的换脸场景都不要做这不是技术问题是合规底线。2. 跑通这套流程需要准备哪些环境2.1 最低硬件条件和能接受的等待时间跑 Stable Diffusion 类的人像生成最核心的硬件是显卡显存。我这里给的是常见环境参考不是官方最低配置生成 512×768 的单张脸6GB 显存勉强能跑要跑 768×1024 以上的图建议 8GB 到 12GB 显存如果还要同时启用 ControlNet 和多种 LoRA12GB 以上会更舒服。显存不够会出现什么最典型的是 out of memory 报错或者生成到一半进程卡死。内存建议 16GB 起步32GB 更稳。磁盘需要预留至少 20GB 到 30GB 给模型文件和临时文件。如果用的是在线平台则不需要关心本地硬件但要关注排队时间、单次任务时长和每个月可用额度。CPU 也不能太弱。虽然生成主要靠显卡但加载模型、切图、VAE 解码和图像后处理还是会吃 CPU。我的经验是第一次跑通之前不要急着买显卡先用小模型或云端免费额度验证流程。流程能跑通再考虑投入。2.2 推荐使用 Stable Diffusion WebUI 还是 ComfyUI这两个工具在圈内用得最多。Stable Diffusion WebUI 更适合新手界面直观有很多现成扩展插件比如 outpainting、ControlNet、图像信息读取都能通过按钮和设置完成。ComfyUI 更适合需要精细控制的人它以节点图方式运行能让你清楚看到每个环节的数据流向方便做批量、复杂流程和自定义处理。如果你是第一次尝试这个流程我建议先从 WebUI 开始。等你对提示词、采样器、ControlNet 有基本概念后再迁移到 ComfyUI。如果一开始就上 ComfyUI会遇到节点连接报错、类型匹配问题很可能还没生成第一张图就放弃了。当然也可以跳过 WebUI 直接用 ComfyUI。前提是你能接受看英文界面并且愿意花时间理解 checkpoint 加载器、采样器、VAE 编码器这些节点。两个工具都能完成 new face uncrop区别只在操作手感和自动化程度。2.3 模型、LoRA 和 ControlNet 文件怎么放模型文件一般放在 WebUI 的models/Stable-diffusion目录下LoRA 放在models/LoraVAE 放在models/VAEControlNet 模型放在models/ControlNet。ComfyUI 的目录结构类似基本就是把对应文件放到同名文件夹。如果你下载的是别人分享的整合包模型路径已经被作者改过那就不一定要放到默认目录。我的建议是先看一下 WebUI 设置里的“模型路径”或 ComfyUI 的启动日志确认实际加载路径。很多报错“模型加载不出来”不是文件坏了而是放错了目录。除了文件位置还要关心文件格式。常见的大模型文件后缀是.safetensors或.ckptLoRA 同样是这两种后缀。优先用.safetensors因为它不包含可以被恶意利用的 Python 代码更安全。ControlNet 的模型后缀也建议用.safetensors。2.4 验证环境是否正常的三个小测试环境配好之后不要直接上完整流程先做三个小测试。第一个测试只用默认提示词生成一张 512×768 的图确认程序能跑通。第二个测试给同一张图固定相同种子连续生成两次确认输出一致。第三个测试加载一个 LoRA 和一个 ControlNet生成一张带姿态控制的人像确认扩展插件没有冲突。这三个测试都通过说明环境正常。如果第三个测试报错先不要怀疑模型优先检查 ControlNet 的前处理模型是否下载完整、LoRA 触发的关键词是否写进提示词。环境验证的优先级比调参数高很多。3. 生成一张“新脸”提示词、模型和种子控制3.1 人像提示词的写法提示词不是越长越好而是要分层。画一张原创角色的新脸我习惯按这个顺序写先写画面基本内容比如 1girl 或 1boy、面部朝向、表情再写脸部特征比如眼睛颜色、发型、脸型、年龄感然后写光影和画风比如 studio lighting、soft light、胶片感最后写质量词比如 masterpiece、best quality。下面是一个示例提示词注意这不是唯一答案1girl, original character, new face, looking at viewer, silver hair, long hair, blue eyes, soft smile, fair skin, upper body, simple background, studio lighting, soft shadow, masterpiece, best quality这里的关键是把“new face”当作明确要求写出。你要让模型知道这次生成的是一个原创角色而不是某个已有角色。如果你只是写 “1girl, masterpiece”模型默认会往高频脸部特征靠拢最后出来的脸会很普通。加入 original character、new face 这类词后随机性和新鲜感会更高。3.2 用 LoRA 和风格模型固定面部特征如果目标不是“随机新脸”而是“符合某一种风格的新脸”那就需要 LoRA 加持。LoRA 可以理解成给大模型加一个风格偏移器它能让脸部五官、发型、肤色、服装风格朝某个方向靠拢。常见用法是给同一个角色生成多张不同表情和姿态的新脸。你可以在 LoRA 文件夹里放一个“角色脸型 LoRA”然后在提示词里加入触发词。每次生成时基础模型不变脸部特征会保持一定一致性。它不是百分之百可控但比不用 LoRA 时稳定很多。我建议把 LoRA 权重控制在 0.6 到 0.9 之间。低于 0.6风格影响太弱高于 0.9画面容易出现过度拟合的塑料感。如果你用的是 WebUI可以在 LoRA 面板直接拖动权重数值不需要手动改提示词。3.3 用种子和随机权重控制变化范围种子是很多人最容易忽略的参数。相同模型、相同提示词、相同采样器和步数下固定种子的结果几乎一致。如果你对某一张脸很满意想在这个基础上做细微变化就固定种子调整少量提示词或采样步数。如果完全不想固定条件把种子设为 -1每次生成都是新的。在生成新脸时技术上是让模型在潜空间里随机采样出不同人脸。你可以通过调整随机变化范围参数比如 WebUI 里的 Variation seed 和 Variation strength来控制新脸和参考图之间的差异程度。Variation strength 越高新脸和原 seed 的差距越大设为 0则等于固定 seed 的结果。这里有一个容易踩的坑很多人用固定 seed 希望能精确复现但换了模型或换了采样器后同一个 seed 不再有效。原因很简单seed 只对当前模型和参数组合有意义。你想保留一张满意脸最稳的方法是直接把生成参数和图片保存下来而不是只记 seed。3.4 批量抽卡怎么选图生成新脸阶段批量数量通常控制在 4 到 8 张。一次生成太多容易出现大量构图相似的图不好挑。选图的时候优先看脸部表达和构图其次看边缘质量。脸歪、眼睛不对称、手臂粘连这些问题如果出现先不要修直接重新抽一轮。批量抽卡时我会把同一批次的种子记录下来。如果用 WebUI可以打开“保存文本信息”功能这样每次生成后 PNG 信息里会自动写下所有参数。后面想复现或者做扩展就不用自己记。如果用的是 ComfyUI它默认会保存完整的 workflow 信息只要不清理元数据随时可以还原。这里不建议一上来就开启“高清修复”。高清修复会显著增加生成耗时而且如果基础构图不好放大了只会让崩坏区域更明显。先把低分辨率小图的结构调到满意再考虑高清放大和扩图。4. 从新脸到完整构图uncrop 扩图实操4.1 扩图前要准备哪些遮罩或参考图扩图前先把原始脸图检查一遍。如果原图有边缘残缺、水印、不想要的道具先在 inpainting 修复再进入扩图。否则这些问题会被扩展到全图。uncrop 的主要输入是原图和遮罩。遮罩的作用是告诉模型“哪些区域保持不动哪些区域是新增的”。以 WebUI 的 outpainting 功能为例你不需要手动画精细遮罩它会根据你设置的“左右上下扩展像素”自动生成待补全区域。但如果你用的是 ComfyUI 的 inpaint 节点就需要准备一张白色保留、黑色扩展的遮罩图。参考图不是必须的但如果你希望扩展后的背景色调、光影方向和原图一致可以准备一张背景参考图把它作为 ControlNet 的输入。这个做法适合扩图幅度较大的场景比如从竖版特写扩展到横版海报。4.2 在 WebUI 里做 outpainting 的步骤WebUI 的 img2img 页签里提供了 outpainting 功能。操作顺序是这样的先上传原始脸图选择 outpainting 类型设置 left、right、top、bottom 的扩展像素比如都设为 256再设置去噪强度一般从 0.6 到 0.8 开始试最后填写扩图提示词重点是描述背景环境和人物姿态。关键参数是 denoising strength。它代表重绘程度0 是完全不改变1 是完全重新生成。扩图时保持原图中间区域不受影响四周新区域被重新绘制通常需要 0.6 以上才能让新内容有自由度但太高会让原图边缘产生扭曲。我一般先用 0.75 跑一次看边缘接缝是否自然。如果一次扩展不够可以分多次扩展。先把上下左右各扩 128 像素跑通后再扩一圈。这样做的好处是每一步只扩展一小部分模型更容易保持风格一致。坏处是耗时会成倍增加。建议先用小尺寸测试再决定要不要多轮扩展。4.3 在 ComfyUI 里做 uncrop 的节点思路ComfyUI 的 uncrop 流程通常由这几个节点组成加载原图节点、加载基础模型节点、文本提示词节点、VAE 编码节点、图像缩放节点、遮罩节点、采样器节点、VAE 解码节点。实际连接时大致的思路是先把原图和遮罩送入“图像到图像”的采样链路提示词写入扩展后的整体画面描述而不是只写原图已有的内容采样器会基于遮罩指定区域生成新内容。ComfyUI 的优势在于你可以把“新脸生成”和“uncrop 扩图”连成同一条 workflow做成模板后只需要换输入图就能批量跑。新手在 ComfyUI 里最常遇到的三个问题节点类型不匹配、遮罩尺寸和原图尺寸不一致、采样器输入没有接上 VAE。遇到这些报错时先看节点的输出类型再检查图像尺寸。不要一上来就怀疑模型有问题。4.4 扩图后的修边和重绘扩图完成后画面边缘不一定完美。最常见的问题是人物肩膀和手臂形状怪异或者背景和原图之间有硬边。此时可以回到 inpainting 重新处理。选定怪异区域用遮罩覆盖提示词改成“shoulders, arms, natural pose”再跑一次局部重绘。修边时去噪强度要调低一些一般在 0.4 到 0.6 之间。强度太低修复区域会保持原样强度太高会和周围颜色脱节。修边并不是一次就能成功的可能要多试几次。比较好的方法是把一张图复制多个副本分别用不同 mask 和提示词处理再对比选最优结果。这里有一个容易被忽略的点修边后要检查整张图的色彩是否统一。如果只重绘局部很容易让那一块颜色偏冷或偏暖。可以在最后加一个色调统一节点或者在后期软件里把整体色温、对比度做一次校准。5. 多张脸、多张图时怎么批量管理5.1 输入输出目录规范一旦开始批量生成文件管理就成了关键问题。建议在项目目录下按下面这样的结构组织project/ input/ base_face/ masks/ references/ output/ raw/ expanded/ selected/ logs/input 里放原始脸图和遮罩output 里按阶段分文件夹。这样可以避免生成几十张图后分不清哪些是原图、哪些是扩图、哪些是最终修好的图。日志目录用来保存每次生成的参数文本或 workflow 截图方便复盘。目录命名尽量用英文和数字不要带空格。很多 AI 工具对中文路径支持不好带空格的路径在批量脚本里也容易出错。我的习惯是face_001.png、mask_001.png、expand_001.png这样命名一眼能看出对应关系。5.2 批量运行时的命名规律批量运行时命名规律直接决定后处理效率。如果你用 WebUI 的批量处理建议开启文件名增加序号功能。如果你用 ComfyUI可以用“保存图像”节点加上%counter%之类的动态变量。一个比较简单的命名思路是原图叫face_id.png扩图叫exp_id.png修边后叫final_id.png。这里的id可以代表种子编号或角色编号。用同一个 id 串联所有阶段后面查找问题时能很快定位。如果你需要跨软件协作比如先用 ComfyUI 批量生成脸再用 WebUI 做扩图最好在文件名里同时写清楚生成参数或种子。否则一个月后回看这些文件你根本不知道哪个是哪个。5.3 并发和失败重试批量任务不是“开得越猛越好”。生成任务比较吃显存并发太高会直接爆显存。尤其在 WebUI 中如果同时开多个生成进程每个进程都会加载一份模型显存立刻不够用。更稳妥的做法是一次跑一个任务把 batch size 控制在 1 到 2。如果追求吞吐可以在 ComfyUI 里用队列连续执行而不是多进程并发。连续执行的好处是每次只加载一份模型显卡利用率更高失败率更低。失败重试要单独考虑。程序报错后不要直接重跑整个批量任务。先看日志判断是单张图的问题还是环境问题。如果是单张图的问题比如某张遮罩尺寸不对就只重跑那一张如果是环境问题比如显存溢出则需要先降低并发或分辨率。6. 输出奇怪时按这个顺序排查6.1 先看现象和日志出现奇怪输出不要立刻改提示词。第一步是先看现象是画面全黑、全灰、糊成一片还是有明显接缝又或者是人物肢体变形。不同现象对应不同原因。如果程序能正常运行但画面全黑一般是 VAE 没接对或者采样器参数异常。如果生成到一半卡住先看显存占用和磁盘剩余空间。如果直接报错则把完整日志复制下来搜索关键字比如 out of memory、model not found、shape mismatch这些基本都能直接指向问题区域。日志比经验更可靠。很多看似是模型能力不足的生成结果实际上原因是提示词里写了冲突内容或者某一步节点断开了。先看日志再判断不要凭感觉调参。6.2 再查输入和环境当现象和日志都看过了还是没有明确结论下一步查输入和环境。输入包括原图格式、尺寸、遮罩是否对齐、参考图是否清晰。环境包括模型路径、控制网络权重、插件版本、Python 环境。这里最容易出现的情况是换了显卡后旧工作流还能跑但速度变慢或偶尔报错。原因大概率是 CUDA、PyTorch 或显卡驱动版本没有对齐。常见做法是把显卡驱动更新到稳定版并确认 PyTorch 版本支持当前显卡。不过具体版本要在你所在的环境里确认不同组合差异很大。如果输出图总是偏色或画质粗糙还要检查是否用了错误的 VAE。有些模型自带 VAE有些需要手动加载。没有 VAE 时生成图会出现灰蒙蒙的色块很像模型坏了其实是 VAE 缺失。6.3 常见报错和对应处理我整理几个最常见的报错和排查方向报错现象优先排查方向out of memory显存不足降低分辨率、batch size 或关掉额外插件model not found模型路径错误检查实际目录和文件名shape mismatch输入图像尺寸或通道数不对检查遮罩和 ControlNet 前处理blank imageVAE 未加载或采样器参数异常slow generation显卡太旧或占用过高检查后台其他程序这张表不覆盖所有情况但能解决大部分入门阶段的问题。如果碰到表里没有的情况优先去项目文档和模型下载页的说明里找。不要随便删环境重装先确认是配置问题还是代码问题。6.4 不要一上来就调参数最后一个建议遇到问题先别调参数。参数是最后一步不是第一步。调参的前提是已经确认输入、环境、模型、路径全部正常。否则你调了半天参数改了一堆最后发现只是模型路径写错了等于白忙。一个比较合理的排查顺序是先确认能不能复现再看日志再查输入和环境最后才是调参数。每次只改一个参数改完跑一次记录结果。不要同时改提示词、去噪强度和采样器那样即使成功了你也不知道是哪个改动起的效果。7. 把这套流程沉淀到自己的创作项目里7.1 个人探索时只保留最小流程如果你只是个人学习、做灵感探索不需要把所有环节都铺开。最小流程可以减到三步先用一张脸生成满意的特写再做一次 uncrop 扩图最后做一次修边。模型、LoRA、ControlNet 能少加载就少加载默认参数通常够用。这个阶段的目标是跑通而不是追求质量。你只要确认每一步输出正常知道去哪里看参数就已经很有价值。很多人在这个阶段就开始纠结采样器、步数、高清放大最后发现时间花在无关细节上反而没有把主流程走完。7.2 长期创作时要把文件当成资产管理如果你想长期做原创角色或内容创作建议按项目维度管理文件。模型、LoRA、遮罩、参考图、最终成品图全部按项目归档。每次生成的关键参数比如种子、采样器、步数、去噪强度、扩展比例都记录下来。这样做的好处是一个月后你还能复现当时的生成结果。很多项目返工不是因为模型不行而是因为文件命名混乱、参数丢失导致同一张图无法再次生成。把文件当成资产管理这套 new face uncrop 流程才能真正变成可重复的生产工具而不是一次性的碰运气。
从New Face到Uncrop：AI人像创作完整工作流
如果你在一个视频标题里看到 “New face new unc // og idea”八成是某位创作者在秀 AI 人像生成的新点子。我第一次看到这个标题时也愣了几秒后来把它拆成三个信息new face 是生成一张以前不存在的新面孔new unc 按我自己的图像生成工作流习惯理解成 uncrop也就是把画面向外扩展、补全构图而 og idea 是 original idea原始创意。这个组合其实是一个非常完整的人像创作流程先出一个新脸再把构图拉宽最后形成一张有叙事感的画面。这篇文章就按这个流程写一遍适合正在玩 Stable Diffusion 或 ComfyUI 的创作者。我不会讲太多花哨概念重点放在怎么把“新面孔 扩图”从想法变成可复现的操作。你会看到我常用的硬性条件和软件组合也会看到提示词、控制参数、批量管理和排查顺序。很多细节是实操里踩过之后总结出来的单看不会觉得值钱真正出图时能少走不少弯路。1. 先把标题拆明白新面孔、uncrop、原始创意分别解决什么问题1.1 人像生成不是“抽卡”而是先定创意再建流程很多人玩 AI 人像生成时第一反应是写好提示词点生成然后看运气。如果抽到一张能看的就停下来。这种玩法不能说错但很难稳定复现。尤其是当你想要的不是“随机一张脸”而是“一张与角色设定匹配的新脸”时没有流程就很危险。“new face” 解决的是角色新鲜感问题。模型里最常见的脸型、发型、表情会在生成结果里反复出现看多了会有明显的“同一个模型脸”感觉。如果你做的是原创角色、头像素材、故事板人物或者单纯想给日常灵感做一个视觉锚点就必须用新的表情组合、发型、年龄感、脸部特征去打破平均值。这套流程的关键不是“多抽几张”而是“在可控范围内抽”。先给出一个原始创意再让模型围绕这个创意生成脸部特征。所以 og idea 才是起点提示词只是把创意翻译成模型能理解的语言。没有创意的图像只是图片有创意的图像才值得继续做 uncrop 扩展。1.2 uncrop 在图像工作流里的作用uncrop 是图像外绘扩展的常见叫法。它做的事情很简单把一张原本只有上半身或者只拍到脸的特写图向外扩展出背景、身体、环境和更多构图空间。为什么要做这一步因为直接生成一张完整构图的人像难度往往比先生成特写、再扩展外面一圈要高很多。特写图里脸是画面重心生成质量容易集中在面部一旦你要求模型把全身、场景、光影全部一次性画出来容易出现身体比例崩坏、脸被背景干扰、边缘物体残次等问题。uncrop 的思路是先集中火力出一张高质量脸部特写再用扩图的方式把环境补出来。这样每一段生成任务都比较轻松。在 WebUI 和 ComfyUI 里uncrop 通常对应 outpainting 流程。流程核心是保留原图中间区域让程序在四周生成与已有画面风格一致的新内容。这个操作听起来简单实际上涉及到边缘融合、提示词控制、扩展比例、去噪强度等多项参数。参数没调好最常见的结果是接缝明显、背景风格突变、人物躯干形状怪。1.3 适合做什么内容不适合做什么内容这套“新脸 uncrop”流程比较适合做的内容有这些原创角色设定图、头像系列、封面背景图、故事板人物、时尚人像参考、游戏 NPC 概念草图。只要你的核心诉求是“先有角色再给角色一个环境”那它就很合适。不适合做什么不适合做需要严格一致性、不能有一点变形的商业项目。uncrop 在扩展时人物的肩部、手臂、身体比例可能和原图产生明显偏差如果你要的是精确到毫米级别的产品图那 AI 扩图只能作为初稿不能直接交付。另外任何模仿真实公众人物、未经授权的换脸场景都不要做这不是技术问题是合规底线。2. 跑通这套流程需要准备哪些环境2.1 最低硬件条件和能接受的等待时间跑 Stable Diffusion 类的人像生成最核心的硬件是显卡显存。我这里给的是常见环境参考不是官方最低配置生成 512×768 的单张脸6GB 显存勉强能跑要跑 768×1024 以上的图建议 8GB 到 12GB 显存如果还要同时启用 ControlNet 和多种 LoRA12GB 以上会更舒服。显存不够会出现什么最典型的是 out of memory 报错或者生成到一半进程卡死。内存建议 16GB 起步32GB 更稳。磁盘需要预留至少 20GB 到 30GB 给模型文件和临时文件。如果用的是在线平台则不需要关心本地硬件但要关注排队时间、单次任务时长和每个月可用额度。CPU 也不能太弱。虽然生成主要靠显卡但加载模型、切图、VAE 解码和图像后处理还是会吃 CPU。我的经验是第一次跑通之前不要急着买显卡先用小模型或云端免费额度验证流程。流程能跑通再考虑投入。2.2 推荐使用 Stable Diffusion WebUI 还是 ComfyUI这两个工具在圈内用得最多。Stable Diffusion WebUI 更适合新手界面直观有很多现成扩展插件比如 outpainting、ControlNet、图像信息读取都能通过按钮和设置完成。ComfyUI 更适合需要精细控制的人它以节点图方式运行能让你清楚看到每个环节的数据流向方便做批量、复杂流程和自定义处理。如果你是第一次尝试这个流程我建议先从 WebUI 开始。等你对提示词、采样器、ControlNet 有基本概念后再迁移到 ComfyUI。如果一开始就上 ComfyUI会遇到节点连接报错、类型匹配问题很可能还没生成第一张图就放弃了。当然也可以跳过 WebUI 直接用 ComfyUI。前提是你能接受看英文界面并且愿意花时间理解 checkpoint 加载器、采样器、VAE 编码器这些节点。两个工具都能完成 new face uncrop区别只在操作手感和自动化程度。2.3 模型、LoRA 和 ControlNet 文件怎么放模型文件一般放在 WebUI 的models/Stable-diffusion目录下LoRA 放在models/LoraVAE 放在models/VAEControlNet 模型放在models/ControlNet。ComfyUI 的目录结构类似基本就是把对应文件放到同名文件夹。如果你下载的是别人分享的整合包模型路径已经被作者改过那就不一定要放到默认目录。我的建议是先看一下 WebUI 设置里的“模型路径”或 ComfyUI 的启动日志确认实际加载路径。很多报错“模型加载不出来”不是文件坏了而是放错了目录。除了文件位置还要关心文件格式。常见的大模型文件后缀是.safetensors或.ckptLoRA 同样是这两种后缀。优先用.safetensors因为它不包含可以被恶意利用的 Python 代码更安全。ControlNet 的模型后缀也建议用.safetensors。2.4 验证环境是否正常的三个小测试环境配好之后不要直接上完整流程先做三个小测试。第一个测试只用默认提示词生成一张 512×768 的图确认程序能跑通。第二个测试给同一张图固定相同种子连续生成两次确认输出一致。第三个测试加载一个 LoRA 和一个 ControlNet生成一张带姿态控制的人像确认扩展插件没有冲突。这三个测试都通过说明环境正常。如果第三个测试报错先不要怀疑模型优先检查 ControlNet 的前处理模型是否下载完整、LoRA 触发的关键词是否写进提示词。环境验证的优先级比调参数高很多。3. 生成一张“新脸”提示词、模型和种子控制3.1 人像提示词的写法提示词不是越长越好而是要分层。画一张原创角色的新脸我习惯按这个顺序写先写画面基本内容比如 1girl 或 1boy、面部朝向、表情再写脸部特征比如眼睛颜色、发型、脸型、年龄感然后写光影和画风比如 studio lighting、soft light、胶片感最后写质量词比如 masterpiece、best quality。下面是一个示例提示词注意这不是唯一答案1girl, original character, new face, looking at viewer, silver hair, long hair, blue eyes, soft smile, fair skin, upper body, simple background, studio lighting, soft shadow, masterpiece, best quality这里的关键是把“new face”当作明确要求写出。你要让模型知道这次生成的是一个原创角色而不是某个已有角色。如果你只是写 “1girl, masterpiece”模型默认会往高频脸部特征靠拢最后出来的脸会很普通。加入 original character、new face 这类词后随机性和新鲜感会更高。3.2 用 LoRA 和风格模型固定面部特征如果目标不是“随机新脸”而是“符合某一种风格的新脸”那就需要 LoRA 加持。LoRA 可以理解成给大模型加一个风格偏移器它能让脸部五官、发型、肤色、服装风格朝某个方向靠拢。常见用法是给同一个角色生成多张不同表情和姿态的新脸。你可以在 LoRA 文件夹里放一个“角色脸型 LoRA”然后在提示词里加入触发词。每次生成时基础模型不变脸部特征会保持一定一致性。它不是百分之百可控但比不用 LoRA 时稳定很多。我建议把 LoRA 权重控制在 0.6 到 0.9 之间。低于 0.6风格影响太弱高于 0.9画面容易出现过度拟合的塑料感。如果你用的是 WebUI可以在 LoRA 面板直接拖动权重数值不需要手动改提示词。3.3 用种子和随机权重控制变化范围种子是很多人最容易忽略的参数。相同模型、相同提示词、相同采样器和步数下固定种子的结果几乎一致。如果你对某一张脸很满意想在这个基础上做细微变化就固定种子调整少量提示词或采样步数。如果完全不想固定条件把种子设为 -1每次生成都是新的。在生成新脸时技术上是让模型在潜空间里随机采样出不同人脸。你可以通过调整随机变化范围参数比如 WebUI 里的 Variation seed 和 Variation strength来控制新脸和参考图之间的差异程度。Variation strength 越高新脸和原 seed 的差距越大设为 0则等于固定 seed 的结果。这里有一个容易踩的坑很多人用固定 seed 希望能精确复现但换了模型或换了采样器后同一个 seed 不再有效。原因很简单seed 只对当前模型和参数组合有意义。你想保留一张满意脸最稳的方法是直接把生成参数和图片保存下来而不是只记 seed。3.4 批量抽卡怎么选图生成新脸阶段批量数量通常控制在 4 到 8 张。一次生成太多容易出现大量构图相似的图不好挑。选图的时候优先看脸部表达和构图其次看边缘质量。脸歪、眼睛不对称、手臂粘连这些问题如果出现先不要修直接重新抽一轮。批量抽卡时我会把同一批次的种子记录下来。如果用 WebUI可以打开“保存文本信息”功能这样每次生成后 PNG 信息里会自动写下所有参数。后面想复现或者做扩展就不用自己记。如果用的是 ComfyUI它默认会保存完整的 workflow 信息只要不清理元数据随时可以还原。这里不建议一上来就开启“高清修复”。高清修复会显著增加生成耗时而且如果基础构图不好放大了只会让崩坏区域更明显。先把低分辨率小图的结构调到满意再考虑高清放大和扩图。4. 从新脸到完整构图uncrop 扩图实操4.1 扩图前要准备哪些遮罩或参考图扩图前先把原始脸图检查一遍。如果原图有边缘残缺、水印、不想要的道具先在 inpainting 修复再进入扩图。否则这些问题会被扩展到全图。uncrop 的主要输入是原图和遮罩。遮罩的作用是告诉模型“哪些区域保持不动哪些区域是新增的”。以 WebUI 的 outpainting 功能为例你不需要手动画精细遮罩它会根据你设置的“左右上下扩展像素”自动生成待补全区域。但如果你用的是 ComfyUI 的 inpaint 节点就需要准备一张白色保留、黑色扩展的遮罩图。参考图不是必须的但如果你希望扩展后的背景色调、光影方向和原图一致可以准备一张背景参考图把它作为 ControlNet 的输入。这个做法适合扩图幅度较大的场景比如从竖版特写扩展到横版海报。4.2 在 WebUI 里做 outpainting 的步骤WebUI 的 img2img 页签里提供了 outpainting 功能。操作顺序是这样的先上传原始脸图选择 outpainting 类型设置 left、right、top、bottom 的扩展像素比如都设为 256再设置去噪强度一般从 0.6 到 0.8 开始试最后填写扩图提示词重点是描述背景环境和人物姿态。关键参数是 denoising strength。它代表重绘程度0 是完全不改变1 是完全重新生成。扩图时保持原图中间区域不受影响四周新区域被重新绘制通常需要 0.6 以上才能让新内容有自由度但太高会让原图边缘产生扭曲。我一般先用 0.75 跑一次看边缘接缝是否自然。如果一次扩展不够可以分多次扩展。先把上下左右各扩 128 像素跑通后再扩一圈。这样做的好处是每一步只扩展一小部分模型更容易保持风格一致。坏处是耗时会成倍增加。建议先用小尺寸测试再决定要不要多轮扩展。4.3 在 ComfyUI 里做 uncrop 的节点思路ComfyUI 的 uncrop 流程通常由这几个节点组成加载原图节点、加载基础模型节点、文本提示词节点、VAE 编码节点、图像缩放节点、遮罩节点、采样器节点、VAE 解码节点。实际连接时大致的思路是先把原图和遮罩送入“图像到图像”的采样链路提示词写入扩展后的整体画面描述而不是只写原图已有的内容采样器会基于遮罩指定区域生成新内容。ComfyUI 的优势在于你可以把“新脸生成”和“uncrop 扩图”连成同一条 workflow做成模板后只需要换输入图就能批量跑。新手在 ComfyUI 里最常遇到的三个问题节点类型不匹配、遮罩尺寸和原图尺寸不一致、采样器输入没有接上 VAE。遇到这些报错时先看节点的输出类型再检查图像尺寸。不要一上来就怀疑模型有问题。4.4 扩图后的修边和重绘扩图完成后画面边缘不一定完美。最常见的问题是人物肩膀和手臂形状怪异或者背景和原图之间有硬边。此时可以回到 inpainting 重新处理。选定怪异区域用遮罩覆盖提示词改成“shoulders, arms, natural pose”再跑一次局部重绘。修边时去噪强度要调低一些一般在 0.4 到 0.6 之间。强度太低修复区域会保持原样强度太高会和周围颜色脱节。修边并不是一次就能成功的可能要多试几次。比较好的方法是把一张图复制多个副本分别用不同 mask 和提示词处理再对比选最优结果。这里有一个容易被忽略的点修边后要检查整张图的色彩是否统一。如果只重绘局部很容易让那一块颜色偏冷或偏暖。可以在最后加一个色调统一节点或者在后期软件里把整体色温、对比度做一次校准。5. 多张脸、多张图时怎么批量管理5.1 输入输出目录规范一旦开始批量生成文件管理就成了关键问题。建议在项目目录下按下面这样的结构组织project/ input/ base_face/ masks/ references/ output/ raw/ expanded/ selected/ logs/input 里放原始脸图和遮罩output 里按阶段分文件夹。这样可以避免生成几十张图后分不清哪些是原图、哪些是扩图、哪些是最终修好的图。日志目录用来保存每次生成的参数文本或 workflow 截图方便复盘。目录命名尽量用英文和数字不要带空格。很多 AI 工具对中文路径支持不好带空格的路径在批量脚本里也容易出错。我的习惯是face_001.png、mask_001.png、expand_001.png这样命名一眼能看出对应关系。5.2 批量运行时的命名规律批量运行时命名规律直接决定后处理效率。如果你用 WebUI 的批量处理建议开启文件名增加序号功能。如果你用 ComfyUI可以用“保存图像”节点加上%counter%之类的动态变量。一个比较简单的命名思路是原图叫face_id.png扩图叫exp_id.png修边后叫final_id.png。这里的id可以代表种子编号或角色编号。用同一个 id 串联所有阶段后面查找问题时能很快定位。如果你需要跨软件协作比如先用 ComfyUI 批量生成脸再用 WebUI 做扩图最好在文件名里同时写清楚生成参数或种子。否则一个月后回看这些文件你根本不知道哪个是哪个。5.3 并发和失败重试批量任务不是“开得越猛越好”。生成任务比较吃显存并发太高会直接爆显存。尤其在 WebUI 中如果同时开多个生成进程每个进程都会加载一份模型显存立刻不够用。更稳妥的做法是一次跑一个任务把 batch size 控制在 1 到 2。如果追求吞吐可以在 ComfyUI 里用队列连续执行而不是多进程并发。连续执行的好处是每次只加载一份模型显卡利用率更高失败率更低。失败重试要单独考虑。程序报错后不要直接重跑整个批量任务。先看日志判断是单张图的问题还是环境问题。如果是单张图的问题比如某张遮罩尺寸不对就只重跑那一张如果是环境问题比如显存溢出则需要先降低并发或分辨率。6. 输出奇怪时按这个顺序排查6.1 先看现象和日志出现奇怪输出不要立刻改提示词。第一步是先看现象是画面全黑、全灰、糊成一片还是有明显接缝又或者是人物肢体变形。不同现象对应不同原因。如果程序能正常运行但画面全黑一般是 VAE 没接对或者采样器参数异常。如果生成到一半卡住先看显存占用和磁盘剩余空间。如果直接报错则把完整日志复制下来搜索关键字比如 out of memory、model not found、shape mismatch这些基本都能直接指向问题区域。日志比经验更可靠。很多看似是模型能力不足的生成结果实际上原因是提示词里写了冲突内容或者某一步节点断开了。先看日志再判断不要凭感觉调参。6.2 再查输入和环境当现象和日志都看过了还是没有明确结论下一步查输入和环境。输入包括原图格式、尺寸、遮罩是否对齐、参考图是否清晰。环境包括模型路径、控制网络权重、插件版本、Python 环境。这里最容易出现的情况是换了显卡后旧工作流还能跑但速度变慢或偶尔报错。原因大概率是 CUDA、PyTorch 或显卡驱动版本没有对齐。常见做法是把显卡驱动更新到稳定版并确认 PyTorch 版本支持当前显卡。不过具体版本要在你所在的环境里确认不同组合差异很大。如果输出图总是偏色或画质粗糙还要检查是否用了错误的 VAE。有些模型自带 VAE有些需要手动加载。没有 VAE 时生成图会出现灰蒙蒙的色块很像模型坏了其实是 VAE 缺失。6.3 常见报错和对应处理我整理几个最常见的报错和排查方向报错现象优先排查方向out of memory显存不足降低分辨率、batch size 或关掉额外插件model not found模型路径错误检查实际目录和文件名shape mismatch输入图像尺寸或通道数不对检查遮罩和 ControlNet 前处理blank imageVAE 未加载或采样器参数异常slow generation显卡太旧或占用过高检查后台其他程序这张表不覆盖所有情况但能解决大部分入门阶段的问题。如果碰到表里没有的情况优先去项目文档和模型下载页的说明里找。不要随便删环境重装先确认是配置问题还是代码问题。6.4 不要一上来就调参数最后一个建议遇到问题先别调参数。参数是最后一步不是第一步。调参的前提是已经确认输入、环境、模型、路径全部正常。否则你调了半天参数改了一堆最后发现只是模型路径写错了等于白忙。一个比较合理的排查顺序是先确认能不能复现再看日志再查输入和环境最后才是调参数。每次只改一个参数改完跑一次记录结果。不要同时改提示词、去噪强度和采样器那样即使成功了你也不知道是哪个改动起的效果。7. 把这套流程沉淀到自己的创作项目里7.1 个人探索时只保留最小流程如果你只是个人学习、做灵感探索不需要把所有环节都铺开。最小流程可以减到三步先用一张脸生成满意的特写再做一次 uncrop 扩图最后做一次修边。模型、LoRA、ControlNet 能少加载就少加载默认参数通常够用。这个阶段的目标是跑通而不是追求质量。你只要确认每一步输出正常知道去哪里看参数就已经很有价值。很多人在这个阶段就开始纠结采样器、步数、高清放大最后发现时间花在无关细节上反而没有把主流程走完。7.2 长期创作时要把文件当成资产管理如果你想长期做原创角色或内容创作建议按项目维度管理文件。模型、LoRA、遮罩、参考图、最终成品图全部按项目归档。每次生成的关键参数比如种子、采样器、步数、去噪强度、扩展比例都记录下来。这样做的好处是一个月后你还能复现当时的生成结果。很多项目返工不是因为模型不行而是因为文件命名混乱、参数丢失导致同一张图无法再次生成。把文件当成资产管理这套 new face uncrop 流程才能真正变成可重复的生产工具而不是一次性的碰运气。
