在几个月没动静之后，差分扩散被引入了。
玩了几天之后，我还是对结果感到非常惊讶。
这种方法允许以每个像素为基础进行更改，而不是整个区域的。
用更通俗的方式来解释，至少这是我理解的方式——在进行图像修复时，差分扩散允许你将一个遮罩作为渐变来应用，而不是屏蔽出一个区域来进行修改。较亮的区域更可能发生变化，而较暗的区域则变化较少。这样得到的结果更干净、效果更好，且没有锯齿状边缘。
快速展示差异。
这里展示了一组对比，左边是图像修复掩码的原始样子，右边是使用差分扩散后的样子。
左边使用的是旧方法，使用了僵硬的黑白蒙版。新方法则使用了柔和的渐变蒙版，从而取得更好的效果。
虽然这看起来并不一定很惊人，但请相信我，我说到做到，结果真的超棒。
演示过程一如既往，如果你想了解这一切是如何工作的，可以访问Prompting Pixels的网站，在那里你可以下载工作流程。
别担心，虽然在这篇文章里我还会讲很多同样的东西，但那一页可能对你理解会更好一点。
YouTube上还有一个视频哦：
节点们在ComfyUI中设置这个意外地非常简单。你只需要至少添加三个节点即可。
高斯模糊蒙版差分扩散Inpaint模型条件设置将蒙版转换为图像（可选—有助于审查蒙版）
在这简短的演示中，我们将使用标准的图像修复（inpainting）工作流程。我们将提供一张图片作为输入，然后通过编辑掩膜和输入提示来修改它。
所以对于工作流程的第一阶段：
我们将设置我们的加载图片节点，在这里我会放我要调整的原图。在这个案例中，我使用了这张来自Unsplash的裁剪过的图片。
然后，右键点击图片，然后打开 Mask编辑器 选择我想要修改的区域：
在这个例子中，我的目标是让她带眼镜。因此，我会把相应的地方遮住。
一旦应用遮罩，你需要将加载图像节点的Mask输出接到高斯模糊遮罩节点。这个节点会对遮罩应用一个渐变效果。
把 kernel_size 想象成刷子的大小（数值越大，刷子越大），而 sigma 则控制软度（数值越大，过渡越平滑）。
工作流程可以是这样的，比如……
Pro Tip：渐变越柔和，周围区域的变化可能就越大。因此，如果你希望保留周围物体（如鼻子、嘴巴等）的原有风格，就不要过度柔化。
你将使用的检查点是一个标准的生成检查点——不是一个 inpainting 检查点（稍后会详细说明）。
你的提示就跟普通的 inpainting 一样。提示应该描述你当前的图片以及你希望它变成的样子。不再是简单的 一个女人，而变成了 一个戴眼镜的女人。
工作流的第二部分：
第二部分才开始变得有趣。与传统的 inpainting 方法不同，传统的 inpainting 需要下载单独的 inpainting 检查点，差分扩散可以很好地与标准生成检查点配合使用（即使使用 inpainting 检查点也能取得不错的效果）。
这是工作流程第二半的样子：
不过，你需要通过Differential Diffusion节点来传递你的模型，以便校准它。
此外，您的提示（prompts）和遮罩（mask）等也需要通过--Inpaint Model Conditioning--节点处理。
这些是ComfyUI自带的元素。
小技巧: 如果你看不到这些东西，记得更新你的应用，这样才能加载这些节点。
最后，对于 KSampler，你只需设置最适合模型的值。
需要注意的是，在 KSampler 节点中的 denoise 参数值有显著变化。简单来说，denoise 参数控制了添加到遮罩区域的噪声量。例如，当 denoise = 1 时，模型会完全重新绘制该区域，对纯白色遮罩下的内容一无所知。相反，如果 denoise 值设为 0，图像将不会有任何变化。
通常，0.6到0.8这个范围内的值比较好，用于修复遮罩下的信息，最终结果会因你的指令而有所不同，但仍然保留了一些遮罩下的信息。
一切设置好了之后，只需点一下那个提示按钮，然后看看结果。
来看看我们的变化
这非常酷，而且在脸颊和眼镜之间的一致性非常高——你绝对不会发现这其实是两张不同的照片。注意，像她眉毛和鼻环这样的细节有些微小的变化——这可以通过在遮罩上更加精细的选择和减少高斯模糊遮罩节点中的sigma值来改善。
然而，不过说实话，眼镜的上边框靠近睫毛的位置看起来有点奇怪，但这通过一两次调整应该就能解决，不会有什么大问题。
所以，这就给你介绍一种酷炫的方法，做图像修复的新方式。
想了解更多关于扩散模型的内容吗？[请访问Prompting Pixels网站（https://prompting Pixels.com/）]，有多样且深入的教程和视频。