Z-Image Turbo Inpainting 三种方案完全指南：原生节点/KJNodes/SAM3
「我只想改掉照片里的路人，不想重新生成整张图！」这是 Z-Image Turbo 用户最常遇到的场景。官方虽然承诺了 Z-Image-Edit 变体与专门的 Inpainting ControlNet，但截止目前尚未发布。好消息是：仅凭 Z-Image-Turbo 本身，配合 ComfyUI 就能获得相当不错的局部重绘效果。社区知名教程（NerdyRodent / Prompting Pixels）已经总结出三条成熟路线——纯原生节点、KJNodes 增强、SAM3 智能分割。本文将逐一拆解三种方案的节点连线、适用场景与选型建议。
一、Inpainting 基础：遮罩、潜空间与 Turbo 的特殊性
局部重绘的原理
Inpainting（局部重绘）的核心是：告诉模型「只改这块区域，其他保持不动」。在 ComfyUI 中，这个「区域」就是遮罩（Mask），而「只改这块」通过三个机制实现：
- VAE Encode (for Inpainting)：将原图编码进潜空间时，在遮罩区域填入噪声，其余区域保留原始潜空间信息
- InpaintModelConditioning：把遮罩信息注入采样器，让模型知道哪些区域要重新生成
- Differential Diffusion（可选）：用渐进式的遮罩权重替代硬边界，让边缘过渡更自然
Z-Image Turbo 的特殊性
- 8 步蒸馏模型：采样器用
FlowMatchEulerDiscreteScheduler，8 步即可，无需 CFG（CFG 1.0） - 三件套模型：Z-Image-Turbo 检查点（fp16 或 GGUF）+ Qwen3-4B 文本编码器 + flux_ae VAE
- 原生分辨率：1024×1024 为最佳，重绘区域建议保持原分辨率
二、方案一：纯原生节点（零依赖）
这是最基础、依赖最少的路子——只用 ComfyUI 内置节点，不需要安装任何自定义节点包。
节点连线
Load Image → 右键 → Open in Mask Editor（手动画遮罩）→ Save
├── → VAE Encode (for Inpainting) → InpaintModelConditioning → KSampler → VAEDecode → Preview
└── → (mask 输出) ────────────────────────↗
操作步骤
- 加载图片：
Load Image节点加载目标图 - 绘制遮罩：右键 Load Image →
Open in Mask Editor，用画笔涂抹要重绘的区域（人物、物体、文字等），点击 Save - 编码：
VAE Encode (for Inpainting)接收原图 + 遮罩，输出带噪声的潜空间 - 条件注入：
InpaintModelConditioning接收潜空间 + 正向/负向提示词 - 采样：
KSampler，8 步，CFG 1.0，采样器 FlowMatchEulerDiscrete - 解码输出：
VAEDecode→PreviewImage
优点与局限
| 优点 | 局限 |
|---|---|
| 零依赖，任何 ComfyUI 开箱即用 | 遮罩边缘可能生硬，有「补丁感」 |
| 步骤最少，易学易调试 | 手绘遮罩费时，复杂轮廓难画准 |
| 适合小区域修改（瑕疵、小物体） | 大面积重绘时与周围光影融合一般 |
三、方案二：KJNodes 增强（GrowMaskWithBlur）
方案一的遮罩边缘生硬问题，用 KJNodes 自定义节点包的 GrowMaskWithBlur 就能显著改善。它的作用是：把遮罩向外扩展几个像素并施加模糊，让重绘区域与周围环境平滑过渡。
节点连线
Load Image → 右键 → Open in Mask Editor → Save
├── → GrowMaskWithBlur (KJNodes) → VAE Encode (for Inpainting) → InpaintModelConditioning → KSampler → VAEDecode → Preview
└── → (mask) ───────────────────────────↗
GrowMaskWithBlur 参数
| 参数 | 推荐值 | 说明 |
|---|---|---|
| grow | 8 - 16 px | 遮罩向外扩展量，越大覆盖越广 |
| blur | 8 - 16 px | 边缘模糊半径，越大过渡越柔和 |
| iterations | 1 - 2 | 迭代次数，一般 1 次足够 |
进阶：Differential Diffusion
想进一步消除「补丁感」，可以接入 Differential Diffusion 节点（KJNodes 或 Fooocus Inpaint 封装提供），它用遮罩的灰度权重替代二值遮罩，让模型在边缘区域「半信半疑」地重绘，融合效果更自然。
适用场景
- 中等面积修改：换衣服、去水印、改背景元素
- 对边缘质量有要求的出图
- 与
Inpaint Crop & Stitch（裁剪重绘区域、完成后再拼回）搭配，可大幅降低大图重绘的显存占用
四、方案三：SAM3 智能分割（文字提示 / 点选）
手绘遮罩太麻烦？SAM3（Segment Anything Model 3）——Meta 的最新一代分割模型——支持用一句话描述就把物体精准分割出来。ComfyUI 生态有两个选择：ComfyUI-SAM3（wouterverweirder 维护的自定义节点）或 ComfyUI 原生 SAM 3.1 节点（新版已内置）。
安装
- ComfyUI Manager 搜索安装
ComfyUI-SAM3 - 下载
sam3.pt权重，放入ComfyUI/models/sam3/ - 重启 ComfyUI
方式 A：文字提示分割（SAM3Grounding）
Load Image → SAM3 Segmentation (prompt: "person", "car"...) → mask
→ GrowMaskWithBlur → VAE Encode (for Inpainting) → InpaintModelConditioning → KSampler → VAEDecode
节点参数：
| 参数 | 说明 |
|---|---|
| prompt | 要分割物体的文字描述，≤32 token；多主体用逗号分隔 + :N 指定数量，如 eye:2, window panels:4 |
| threshold | 置信度阈值，默认 0.5，误检多就调高 |
| min_width / min_height | 最小物体尺寸（像素），过滤小噪点 |
方式 B：点选分割（SAM3PointCollector）
如果文字描述不够精确（比如「第三个人」），用 SAM3 Point Collector 节点直接在图上点选目标区域，模型会基于点提示生成精准遮罩。适合：多个相似物体中选特定一个、轮廓复杂的物体。
适用场景
- 精准抠出人物/物体做局部重绘（换背景、换衣服、去路人）
- 视频逐帧分割（SAM3 支持视频跟踪，可做视频 inpainting）
- 提示词表达不清时的点选补救
五、三方案对比与选型建议
| 维度 | 方案一：原生节点 | 方案二：KJNodes | 方案三：SAM3 |
|---|---|---|---|
| 依赖 | 无 | KJNodes 包 | ComfyUI-SAM3 + sam3.pt |
| 遮罩方式 | 手绘 | 手绘 + 自动扩展模糊 | 文字提示 / 点选 |
| 边缘质量 | 一般 | 好 | 好 |
| 自动化程度 | 低 | 中 | 高 |
| 上手难度 | ⭐ 最简单 | ⭐⭐ | ⭐⭐⭐ |
| 最佳场景 | 快速小修补 | 中等面积、追求融合 | 精准物体分割、批量处理 |
选型口诀：
- 只想快速改个瑕疵 → 方案一
- 改衣服/去水印/换背景元素 → 方案二
- 精准抠人抠物、复杂轮廓 → 方案三
- 全都要 → 方案三出遮罩 + 方案二的 GrowMaskWithBlur + Differential Diffusion，效果最大化
六、进阶玩法
1. Inpaint Crop & Stitch（大图省显存）
ComfyUI-Inpaint-CropAndStitchCustom 会把重绘区域裁剪出来单独采样，完成后无缝拼回原图。处理 2K/4K 大图时显存占用从「整图采样」降到「局部采样」，RTX 4060 也能轻松跑。
2. ControlNet Union 2.1（官方级重绘）
2025 年 12 月，社区发布了 Z-Image-Turbo Fun Controlnet Union 2.1 model patch（HuggingFace），配合 ComfyUI 新节点可做更高级的 inpainting——遮罩区域遵循额外控制条件（线稿、深度、姿态），适合「重绘时保留结构」的场景。NerdyRodent 已发布配套免费工作流。
3. Outpainting（扩图）
ConditioningZeroOut 节点清空边缘区域的 conditioning，配合适当遮罩即可实现向外扩图——把 1024×1024 变成 1536×1024 的全景构图。
4. 通用工作流模板（25 节点完整方案）
社区高分工作流（Prompting Pixels，78 次下载）的三模型清单：
z-image-turbo-fp8-e4m3fn.safetensors（UNETLoader）qwen_3_4b.safetensors（CLIPLoader）ae.safetensors（VAELoader，flux_ae）
核心节点：LoadImage → SAM3（Grounding/PointCollector/Segmentation）→ ImageToMask → InpaintCropImproved → GrowMaskWithBlur → VAE Encode (for Inpainting) → InpaintModelConditioning → KSampler → VAEDecode → InpaintStitchImproved → Image Comparer。
结语
Z-Image-Turbo 虽然没有官方 Inpainting 模型，但三条社区路线已经非常成熟：原生节点适合快速修补，KJNodes 解决边缘融合，SAM3 让遮罩绘制进入「动嘴不动手」时代。等 Z-Image-Omni-Base 与 Z-Image-Edit 正式发布后，这些方案可以无缝迁移到官方编辑能力上——但在此之前，掌握这三套工作流，你的 Z-Image Turbo 就已经能胜任 90% 的局部重绘需求了。