Denoising Strength в ComfyUI: как параметр меняет исходное изображение

Когда модель забывает исходник

Есть удачный кадр: нужная поза, хороший свет, знакомое лицо. Хочется только сменить фактуру одежды или немного поправить фон. После обработки в img2img вместо небольшой правки можно получить другое лицо и заметно изменившийся интерьер.

Бывает наоборот. В промпте указаны вечер, дождь и мягкий свет, а результат почти не отличается от исходника. Модель словно увидела задачу, но не получила пространства для изменений.

В обоих случаях легко заподозрить неудачный промпт. Но глубину переделки задаёт другой параметр — Denoising Strength, или denoise, в KSampler.

Denoise не измеряет качество и силу текста. В обычном KSampler он влияет на начальный уровень шума и участок расписания восстановления. В img2img это меняет, насколько свободно модель может переработать исходник. Значение 0,5 не означает, что сохранится ровно половина пикселей.

Низкая часть шкалы обычно сохраняет крупные формы, ракурс и расположение объектов. Чем ближе значение к максимуму, тем меньше исходник ограничивает новую генерацию. При полном denoise модель получает полный цикл шумоподавления; в img2img это может почти стереть особенности входной картинки.

Что происходит внутри workflow

В обычном text-to-image исходной фотографии нет. Empty Latent задаёт пространство будущего изображения, а KSampler строит результат из шума под влиянием модели и условий. Здесь обычно нужен полный путь denoising: сохранять пока нечего.

В img2img появляется ещё один источник информации:

1. Load Image передаёт исходные пиксели.
2. VAE Encode переводит их во внутреннее латентное представление.
3. KSampler добавляет шум и проводит латент по выбранному участку расписания уровней шума.
4. VAE Decode превращает полученный латент в изображение.

Поэтому denoise чувствуется сильнее, чем обычная косметическая настройка. Он вмешивается в саму точку, где исходный кадр встречается с новым шумом и текстовыми условиями.

Есть важная мелочь: даже почти нулевое вмешательство не обязано вернуть пиксельно идентичную копию. Сам переход через VAE Encode и VAE Decode может слегка изменить мелкую фактуру, цвет или детали. Denoise управляет генеративной переделкой, но не отменяет особенности кодирования.

Почему универсального числа не существует

Один и тот же denoise может вести себя по-разному в двух workflow. На результат одновременно влияют:

• семейство и конкретная модель;
• sampler и scheduler;
• число шагов и распределение шума по ним;
• размер и пропорции латента;
• содержание исходника;
• текстовые условия и дополнительные способы контроля;
• маска, если меняется только часть изображения.

Поэтому таблица «для ретуши поставьте столько, для стилизации — столько» создаёт ложную точность. Она может случайно попасть в удачное значение на одном проекте и полностью промахнуться на другом.

Устойчива не цифра, а направление:

Это ориентиры для сравнения, а не готовые пресеты или обязательный порядок потери деталей. Чем важнее конкретная деталь исходника, тем внимательнее стоит смотреть именно на неё при сравнении.

Как найти рабочую точку

Самый понятный способ — короткая серия, где меняется только denoise. Один исходник, один промпт, тот же seed, модель, sampler, scheduler и число шагов. Сначала достаточно нескольких значений, разнесённых по шкале: низкого, среднего и высокого.

В удачном случае так видны две границы: где нужное изменение уже появляется и где начинает пропадать важная деталь. Между ними можно искать рабочее значение. Но подходящего промежутка может не оказаться: например, модель меняет лицо раньше, чем выполняет правку одежды. Тогда нужны маска, другой способ управления или другая модель, а не бесконечный подбор одной цифры.

Фиксированный seed делает сравнение чище, но не превращает разные версии моделей и окружений в математически одинаковые машины. Он нужен здесь как контроль переменной: если кадр изменился, проще связать разницу с denoise, а не с новым шумом.

Смотреть полезно не только на общую красоту. Для портрета важны черты лица, линия волос и выражение. Для интерьера — перспектива, проёмы и крупная мебель. Для предмета — силуэт, логотипы, крепления и материал. Эффектный результат может оказаться плохой правкой, если он потерял единственную важную деталь.

Denoise в inpainting

В inpainting работают два разных решения. Маска отвечает на вопрос где менять, denoise — насколько глубоко менять внутри выбранной области.

Если исходное содержимое маски сохранено во входном латенте, низкое вмешательство может оставить след удаляемого объекта. Если нода заранее очистила эту область, сохранять там прежние детали уже нечему. Высокое легче меняет смысл области, однако свободнее перестраивает лицо, руку, волосы или фон. Если граница заметна, причина не всегда в denoise: на шов также влияют размер маски, её расширение, переход по краям, контекст вокруг области и выбранная модель.

Узел VAE Encode for Inpainting перед кодированием заполняет выбранную область нейтральным значением и создаёт латент с маской шума — noise_mask. Поэтому низкий denoise в такой схеме может оставить недорисованное пятно, а не бережно восстановить исходник. Обычный VAE Encode вместе с Set Latent Noise Mask устроен иначе: первый кодирует исходное содержимое, второй добавляет маску без такой очистки. Поэтому результат удобнее разбирать по двум осям:

• форма маски и её край определяют территорию правки;
• denoise определяет глубину новой генерации на этой территории.

Если объект не исчезает, одной более мягкой границы маски может быть недостаточно — модели не хватает свободы переписать содержимое. Если новое содержимое не стыкуется с окружением, простое снижение denoise тоже не всегда спасает: иногда маске не хватает соседнего контекста.

Второй проход и апскейл

После удачной базовой генерации denoise часто появляется ещё раз — в детализации, апскейле или втором проходе. Здесь его роль та же: он решает, насколько сильно модель переработает уже созданную сцену.

Главный риск — структурный дрейф. При увеличении изображение может стать резче и эффектнее, но лицо постепенно меняется, узор одежды «плывёт», архитектура получает новые окна, а предметы сдвигаются. Это не обязательно техническая ошибка: workflow просто получил слишком много свободы для задачи «сохранить и уточнить».

Хорошая проверка второго прохода состоит из пары кадров рядом. Масштаб и резкость легко производят впечатление улучшения, поэтому отдельно сравниваются идентичность, силуэт, перспектива, положение рук, мелкие повторяющиеся детали и цветовая атмосфера.

Denoise, CFG, steps и маска

Похожие ползунки отвечают за разные части процесса:

• Denoise — выбор стартового уровня шума и связанная с ним сила переработки входного латента.
• CFG — коэффициент усиления разницы между условным и опорным предсказаниями. Обе ветви рассчитывает модель; это не баланс «текст против модели».
• Steps — число шагов сэмплирования; больше шагов не означает автоматически более сильную переделку.
• Sampler — математический способ пройти denoising.
• Scheduler — распределение уровней шума по этому пути.
• Mask — область, в которой разрешено изменение.
• VAE — перевод между пикселями и латентом.

Они взаимодействуют, но не заменяют друг друга. Повышение CFG не возвращает потерянную композицию. Дополнительные steps не превращают низкий denoise в высокий. А аккуратная маска не защищает лицо внутри неё, если модели отдана почти полная свобода перерисовки.

Если результат ведёт себя странно

Картинка почти не меняется. Возможно, denoise находится слишком близко к сохраняющему краю шкалы. Но причина бывает и в слабом контрасте между исходником и промптом, неверной передаче латента или дополнительном контроле, который удерживает композицию.

Лицо и поза исчезают. Скорее всего, workflow прошёл слишком глубокую часть denoising для этой задачи. Сравнение на том же seed быстро показывает момент, где начинает ломаться идентичность.

Изменения выходят за маску. Проверяется маска шума, её расширение и узел подготовки латента. Даже вне маски декодирование VAE может немного изменить пиксели. Если неизменность фона обязательна, результат правки накладывают по маске на исходное изображение в пиксельном пространстве.

Второй проход делает другой кадр. Здесь denoise рассматривается вместе с изменением размера и условий. Если в увеличенном латенте появляется много новой неопределённости, модель начинает достраивать её по-своему.

Серия выглядит непоследовательно. Стоит убедиться, что seed действительно не меняется после запуска, а остальные параметры и входное изображение остались теми же. Некоторые workflow автоматически увеличивают seed или выбирают новый.

Источники

• Код ComfyUI: подготовка изображения и маски для inpainting

• KSampler — официальное описание входов и параметра denoise.

• Image to Image — маршрут изображения через VAE Encode и KSampler.

• Inpainting — базовый workflow с изображением и маской.

• VAE Encode for Inpainting — формирование latent и noise mask.

• Set Latent Noise Mask — применение маски шума к latent.

Главное

Denoising Strength — это сила переработки входного латента, а не универсальный регулятор качества. Нижняя часть шкалы обычно лучше сохраняет исходник, верхняя даёт модели больше свободы, но точная граница зависит от всего workflow.

Надёжнее не запоминать «правильное» число, а найти его на конкретном кадре: несколько сравнений с неизменными настройками помогают увидеть, где начинается полезное изменение и где исчезает важная часть исходника.