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. Картинка отправляется в img2img — и возвращается уже с другим человеком, новым интерьером и собственной биографией.

Бывает наоборот. Prompt просит вечер, дождь и киношный свет, а результат почти не отличается от исходника. Модель словно увидела задачу, но не получила пространства для изменений.

В обоих случаях первым подозреваемым часто становится prompt. Но глубину переделки задаёт другой параметр — Denoising Strength, или denoise, в KSampler.

Denoise не означает качество и не измеряет силу текста. Он отвечает на более конкретный вопрос: какую часть пути от зашумлённого latent к готовому latent пройдёт модель и насколько сильно она сможет отойти от входного изображения.

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 latent-представление.
3. KSampler добавляет шум и проводит latent через часть расписания denoising.
4. VAE Decode возвращает новый latent в изображение.

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

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 latent;
• содержание исходника;
• условия prompt 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 не готовые пресеты, а карта компромисса. 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 prompt, тот же seed, модель, sampler, scheduler и число шагов. Сначала достаточно нескольких значений, разнесённых по шкале: низкого, среднего и высокого.

Так быстро находятся две границы. На первой изменения наконец становятся заметными. На второй начинает исчезать то, что хотелось сохранить. Рабочая зона лежит между ними; её уже можно уточнить парой более близких проб.

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.

Низкое вмешательство бережнее сохраняет содержимое маски, но может оставить след удаляемого объекта. 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.

В базовом workflow VAE Encode for Inpainting кодирует изображение вместе с маской и создаёт latent с noise mask. KSampler получает информацию о том, где разрешён шум. 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, будет ли модель только уточнять latent или фактически переснимет 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 — глубина переписывания входного latent.
• CFG — баланс между условиями prompt и собственным предсказанием модели.
• Steps — дискретизация пути sampling; 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 latent.

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 prompt, неверной передаче latent 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 сам noise mask, его расширение и то, какой inpainting-узел формирует latent. В некоторых схемах маска в интерфейсе и реальная область шума не совпадают буквально пиксель в пиксель.

Второй проход делает другой кадр. Здесь denoise рассматривается вместе с изменением размера и conditioning. Если на увеличенном latent 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

• 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 глубина переделки входного latent, 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 быстро показывают, где начинается полезное изменение и где исчезает важная часть исходника.