简易K采样器 (内补)
节点功能：专门设计用于处理图像修复任务。EasyKSampler (Inpainting)-
节点中英文对比
简易K采样器 (内补)
grow_mask_by
image_output
link_id
save_prefix
additional
EasyKSampler (Inpainting)
grow_mask_by
image_output
link_id
save_prefix
additional
简易K采样器 (内补) - 参数说明
输入参数
pipe
上游流程的 pipe 对象，需包含图像、模型、VAE、正负向 prompt 等信息。
model
替换默认模型的可选项。
mask
自定义图像遮罩，若为空则尝试使用 pipe 中 latent 中的 noise_mask。
输出参数
pipe
处理后更新的流程上下文，包含 inpaint 结果和所有上下文。
image
解码后的 inpaint 图像，依据 mask 修复并生成的最终图。
vae
本次使用的 VAE 模块对象。
控件参数
grow_mask_by
对输入的 mask 向四周扩展的像素量，默认 6，范围 0~64。
image_output
图像输出方式，支持 Hide、Preview、Save、Hide&Save、Sender、Sender&Save。默认值为 Preview。
link_id
与前端通信使用的 ID，仅用于 Sender 模式。
save_prefix
图像保存的文件名前缀，默认 ComfyUI。
additional
选择附加修复方法。
None：不使用额外的修复模型或方法，保持原始处理状态。
InpaintModelCond：基于条件的修复模型，依据图像现有信息及设定条件（如文本提示等 ），对图像破损、缺失区域进行修复，让修复结果契合给定条件。
Differential Diffusion：利用微分扩散原理，通过对图像进行迭代的扩散和反扩散操作，逐步优化图像细节，平滑过渡修复区域与原图像，使修复效果自然。
Foocus Inpaint：专注于特定区域修复，精准定位图像需修复部分，运用特定算法填补内容，提升局部修复质量。
Foocus Inpaint + DD：结合了 Foocus Inpaint 的精准局部修复能力和 Differential Diffusion 的迭代优化特性，既精准处理局部，又让整体过渡自然。
Brushnet Random：Brushnet 模型的随机修复方式，通过随机采样或随机参数调整，对图像进行修复尝试，增加修复的多样性探索。
Brushnet Random + DD：在 Brushnet Random 随机修复基础上，引入 Differential Diffusion 迭代优化，让随机修复结果更符合图像整体特征。
Brushnet Segmentation：借助 Brushnet 模型的分割能力，先对图像进行区域分割，再针对性修复各区域，提升修复的结构性和逻辑性。
Brushnet Segmentation + DD：融合 Brushnet Segmentation 的区域分割修复优势与 Differential Diffusion 的平滑过渡能力，实现更精细、自然的图像修复。
暂无节点说明