在图像修复领域，一项新的技术革新正在悄然改变着创作者和设计师的工作方式。开发者 scraed 在 GitHub 上推出了一款名为 LanPaint 的工具，它为图像修复带来了前所未有的便捷性和高质量效果。LanPaint 的核心优势在于无需额外训练，即可在任何稳定扩散模型（SD）上实现精准且无缝的图像修复，这无疑为那些希望快速实现创意的用户提供了极大的便利。
LanPaint 的设计理念是让模型在去噪之前通过多次迭代进行“思考”，从而确保修复结果的准确性和自然性。这种独特的技术让 LanPaint 在处理复杂的图像修复任务时表现出色，无论是将篮筐图像转变为篮球图像，还是将白衬衫变为蓝衬衫，都能轻松应对。用户无需担心繁琐的训练过程，因为 LanPaint 的零训练修复功能支持立即在任何 SD 模型上使用，包括用户自己训练的自定义模型。
对于那些熟悉 ComfyUI 的用户来说，LanPaint 的集成过程将是一个无缝的体验。用户可以像使用标准的 ComfyUI KSampler 一样操作 LanPaint，其简单的工作流程大大降低了使用门槛。用户只需按照说明下载示例文件，将图像拖入 ComfyUI，即可开始使用 LanPaint 进行多种类型的修复任务。这种便捷性使得 LanPaint 成为图像修复领域的强大工具。
安装 LanPaint 也十分简单。用户只需安装 ComfyUI 和 ComfyUI-Manager，然后通过搜索或手动安装的方式加入 LanPaint 节点。安装完成后，LanPaint 节点会出现在 ComfyUI 的“采样”类别中，用户可以像使用默认的 KSampler 一样进行高质量的图像修复。这种无缝的集成方式让 LanPaint 成为图像修复领域的理想选择。
在使用 LanPaint 时，用户需要注意一些关键点。首先，LanPaint 要求使用二进制掩码（值为0或1），且掩码的透明度和硬度必须设置为最大，以确保兼容性。其次，LanPaint 对用户的文本提示非常依赖，用户需要明确描述希望在掩码区域生成的内容。如果修复结果出现伪影或不匹配的元素，用户可以通过针对性的负面提示来加以调整。
LanPaint 的出现为图像修复领域带来了革命性的改进。它不仅简化了操作流程，还提升了修复质量，为广大用户提供了更强大的图像处理工具。无论是在创意设计、图像修复还是其他需要精准图像处理的领域，LanPaint 都将发挥重要作用。
项目：https://github.com/scraed/LanPaint
划重点：
🎨 零训练修复：支持立即在任何稳定扩散模型上使用，无需额外训练。
🛠️ 简单集成：与标准 ComfyUI KSampler 相同的工作流程，降低使用门槛。
🚀 高质量修复：提供高质量、无缝的图像修复效果，支持多种复杂修复任务。
