注：文章使用的AI绘画SD整合包、各种模型插件、提示词、AI人工智能学习资料都已经打包好放在网盘中了，无需自行查找，有需要的小伙伴文末扫码自行获取。
个人觉得对大家理解局部重绘（Inpainting）非常有用，所以这里整理出来，希望能帮助到大家。由于原文的内容比较多，我们这里分为上下篇，上篇主要讲解关于图生图中局部重绘（Inpainting）。下篇主要是讲ControlNet中的Inpainting。
一. 一个Inpainting的基本示例
在图生图中通过如下设置生成图片。
大模型：Realistic Vision V5.1
正向提示词：full body, audrey hepburn, black hair, 18 years old, 1940’s, photoshoot, Fujifilm XT3 Viltrox, posing, instagram, happy smile, stand up, ultra detailed, sharp focus, elegant, jewels, urban background, rim lighting, short beige dress, beige kitten-heels, black gloves, pearl tiara, pearls necklace, brilliant pearl earrings, hdr, high contrast, sunlight, , shadows, skin pore, pretty, beautiful, feminine, loving, in love, adorable , fashion, chic, excellence, leg, dress
反向提示词：ugly, deformed, nsfw, disfigured
CFG Scale：7
图片宽高：512*768
会生成一些质量较好的图像。但在全身图像中，会经常出现脸部不太正确。
下面我们使用图生图的局部重绘(Inpainting)来修复一下。
图生图相关参数设置如下：
注意：重绘区域选择“仅蒙版区域”，因为我们只想要重新生成被遮罩的区域。
点击【生成】按钮，得到修复后的照片如下（原文中的修复图片）。
我自己操作了一下，生成的照片效果如下（图片进行了高清处理）。
**图片修复机制：**修复与图像到图像类似，在去噪之前将随机噪声添加到潜在空间中的整个图像中。但随机噪声仅添加到修复中的遮蔽区域。
二. 关于Inpainting的相关参数设置
重绘强度（Denoising strength）
重绘强度是修复中最重要的设置。它控制遮罩区域应改变的程度。
作为缩略图的规则，太高的值会导致修复结果与图像的其余部分不一致。值太低可能会导致结果模糊。将重绘强度设置为0.5是一个很好的选择。
重绘区域：整个图片与仅蒙版区域
为什么Stable Diffusion无法正确生成脸部？就是因为人脸太小了。Stable Diffusion v1 的原始分辨率为 512×512 像素。在一个比较低的像素画布上，绘制一个全身图，脸部分配到的像素不够。
仅蒙版区域选项旨在解决此问题。它裁剪掉遮罩区域并使用该区域的整个分辨率。然后它将结果缩放回其原始大小。这样就解决了绘制小脸或物体的问题。
整个图片选项按原样获取输入图片和蒙版，无需裁剪。
仅蒙版区域选项最常见的用例是重新生成更精细的细节面部。这通常会牺牲图像其余部分的一致性，因为您会裁剪掉遮罩区域以进行修复。
如果全局一致性很重要，例如修复背景中的瑕疵，请使用整个图片选项。
修复整个图片并不能修复脸部。
另一方面，在重新生成部分背景时应该修复整个图片。使用仅蒙版区域选项可能会产生如下图所示的伪像。
蒙版区域内容处理
蒙版内容选项指定是否要在修复之前更改蒙版区域的图像。
填充(Fill)：替换为遮罩区域的平均颜色。
原版(Original)：没有变化。
潜空间噪声(Latent noise)：仅随机噪声。
空白潜空间(Latent nothing): 无颜色或噪声（全零潜像）
原版是蒙版区域内容处理中最常见的选择。当您想要与原始图像完全不同的东西时，您可能需要使用填充。潜空间噪音和空白潜空间生成的图片常常无法使用。
提示词
使用修复的最有效方法之一是更改遮罩区域的内容。例如，使用生成一致面孔的技术，我将“奥黛丽·赫本”替换为安娜·德·阿玛斯（艾玛·沃特森：0.5）、丽莎·索贝拉诺。
Ana de Armas, (emma watson:0.5), Liza Soberano
三. Inpainting模型
在SD大模型中，有一种专门为修复而设计的SD修复模型。该修复模型与标准模型略有不同。它有 5 个额外的 UNet 输入通道，代表掩模和掩模图像。
修复小补丁时通常不需要使用修复模型。它们用于修复大面积区域。由于更改大模型可能会极大地影响图片风格，因此您应该使用与原始模型相匹配的修复模型。
修复模型可以在高去噪强度下产生更高的全局一致性。请参阅下面的图片。用原始模型和修复模型修复了图像的下半部分。（重绘强度设置为1）
在使用修复模型时报如下错误：RuntimeError: Sizes of tensors must match except in dimension 1. Expected size 1 but got size 2 for tensor number 1 in the list.
您可以在“设置”功能菜单界面上选择“Optimization”菜单，将"Negative Guidance minimum sigma"设置为 0。
好了，今天的分享就到这里了，希望今天分享的内容对大家有所帮助。
写在最后
AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。
感兴趣的小伙伴，赠送全套AIGC学习资料和安装工具，包含AI绘画、AI人工智能等前沿科技教程，模型插件，具体看下方。
一、AIGC所有方向的学习路线
AIGC所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。
二、AIGC必备工具
工具都帮大家整理好了，安装就可直接上手！
三、最新AIGC学习笔记
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
四、AIGC视频教程合集
观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
五、实战案例
纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
总结
**文章总结**本文是一份关于AIGC（特别是AI绘画技术）中局部重绘（Inpainting）技术的深入指南。作者详细介绍了Inpainting的基本原理、应用场景、操作细节和未来展望，旨在为对AIGC技术感兴趣的读者提供实用的学习和实践指导。
**内容概述**
1. **Inpainting简介**：文章开头简要介绍了什么是局部重绘（Inpainting）及其在AI绘画中的应用。
2. **Inpainting基础实践**：通过对一个实际的例子进行详细解析，展示了如何在使用AI绘画工具时通过设置正向和反向提示词、CFG Scale、图片大小等参数来生成原始图片，并通过Inpainting技术修复图片中存在的不足（如人物脸部绘制不准确）。
3. **相关设置解释**：详细讲解了Inpainting中的重绘强度、重绘区域选择（整个图片或仅蒙版区域）、蒙版区域内容处理等多个参数的设置方法和其对最终效果的影响。
4. **修复模型介绍**：介绍了SD大模型中的专门用于修复任务的SD修复模型及其特性，包括在使用中可能遇到的问题和解决方案。
5. **未来展望**：对AIGC在未来游戏、计算等领域的广泛应用提出展望，并强调了AIGC技术持续发展和与人工智能技术融合的必要性。
**附加资源**
文末提供了丰富的AIGC学习资料和工具下载链接，包括学习路线、必备工具、学习笔记、视频教程和实战案例等，旨在满足不同水平读者对AI绘画及相关技术的深入学习和实践需求。
**总结**
本文是一份全面而深入的AIGC（特别是在局部重绘技术方面）的学习资源，对于刚接触AIGC或对它有深入了解意愿的读者来说都是非常有价值的学习材料。通过具体实践指导、设置参数解释以及丰富的附加资源，这篇文章不仅提供了知识，也为读者提供了实际的学习和实践指导。