ComfyUI NSFW Inpainting Workflow für Kleidungsbearbeitungen

Einen ComfyUI NSFW Inpainting Workflow zu bauen, der tatsächlich saubere Kleidungsbearbeitungen oder explizite NSFW Modifikationen liefert, ist schwieriger, als die Tutorials im Netz vermuten lassen. Die meisten YouTube Anleitungen zeigen Ihnen den Idealfall mit einem perfekten Quellbild und überspringen die Teile, die im großen Maßstab scheitern. Wir haben diesen Workflow über Monate produktiver Nutzung aufgebaut und verfeinert, und die Version unten bewältigt die Fehlerfälle, die die einfachen Anleitungen ignorieren.

Was Inpainting Wirklich Macht

Ganz ehrlich, die meisten Nutzer verstehen Inpainting falsch. Sie halten es für einen magischen Radiergummi. Ist es nicht. Inpainting ist Neugenerierung. Das Modell erhält Ihre maskierte Region als Platzhalter und generiert neuen Inhalt für diese Region, während es versucht, ihn mit den unmaskierten umliegenden Pixeln zu verschmelzen. Die Qualität hängt davon ab, wie sauber Ihre Maske ist und wie gut Ihre Denoise Stärke abgestimmt ist.

Speziell für NSFW Kleidungsbearbeitungen löst Inpainting ein konkretes Problem. Sie haben ein Basisbild mit der gewünschten Komposition, aber die Kleidung oder Anatomie muss anders sein. Vielleicht haben Sie eine SFW Basis generiert und möchten bestimmte Elemente in NSFW umwandeln. Vielleicht möchten Sie ein Outfit an einer vorhandenen Figur austauschen. Vielleicht möchten Sie Anatomieprobleme beheben, ohne das gesamte Bild neu zu generieren. Inpainting bewältigt alle drei Fälle mit demselben Workflow.

Der Grund, warum Menschen am Ende mit Inpainting frustriert sind, ist, dass sie es wie ein Einmal-Werkzeug behandeln. Generieren, maskieren, neu generieren, fertig. In der Produktion ist Inpainting iterativ. Oft führen Sie mehrere Inpainting Durchläufe mit unterschiedlichen Denoise Stärken und Prompts durch, um ein sauberes Ergebnis zu erzielen. Der Workflow, den wir hier bauen, macht diese Iterationen schnell.

Was sonst niemand erwähnt, ist, dass die Inpainting Qualität stark von der Qualität des Basisbildes abhängt. Maskieren Sie eine Region in einem minderwertigen Bild, dann rettet die eingemalte Region es nicht. Die Neugenerierung des Modells zieht Kontext aus den umliegenden Pixeln. Müll-Kontext erzeugt Müll-Inpaint. Beginnen Sie mit einer sauberen Basis, auch wenn Sie sie noch verändern wollen.

Zwei Ansätze, Manuelle Maske vs Automatisches Segmentieren

Die zwei Wege, Inpainting Masken zu erstellen, teilen sich in manuelles Maskieren und automatische Segmentierung. Beide funktionieren. Beide haben Kompromisse.

Manuelles Maskieren in ComfyUI nutzt den Mask Editor Node. Sie malen die Maske direkt mit einem Pinselwerkzeug auf das Quellbild. Präzise Kontrolle. Langsam pro Bild. Großartig für einmalige Bearbeitungen, bei denen Sie genau die Maskenform brauchen, die Sie im Kopf haben. Schlecht für die Produktion, bei der Sie viele Bilder verarbeiten.

Automatische Segmentierung nutzt SAM (Segment Anything Model) plus Grounding DINO, um Objekte aus Text-Prompts zu erkennen und Masken automatisch zu erzeugen. Sie tippen "shirt" und der Workflow erkennt das Hemd und maskiert es. Weniger präzise bei Randfällen. Schnell und reproduzierbar. Großartig für die Produktion. Schlechter für einmalige Präzisionsarbeit.

Für NSFW Kleidungsbearbeitungen in jeder Menge gewinnt die automatische Segmentierung. Die Maskenqualität liegt meist innerhalb von 5 bis 10 Prozent dessen, was manuelles Maskieren erzeugt, aber die Generierung dauert 30 Sekunden statt 3 bis 5 Minuten. Über 50 Bilder hinweg sind das Stunden gesparter Zeit.

Der hybride Ansatz nutzt die automatische Segmentierung als Ausgangspunkt und lässt Sie die Maske bei Bedarf manuell verfeinern. ComfyUIs Anleitung zu fortgeschrittenen Inpainting Techniken behandelt das hybride Muster ausführlicher. Für die meiste produktive NSFW Arbeit ist reine automatische Segmentierung gut genug.

Einrichtung von SAM Und Grounding DINO

Die Nodes installieren. Suchen Sie im ComfyUI Manager nach "ComfyUI Impact Pack" und installieren Sie es. Installieren Sie dann "ComfyUI Inspire Pack" für zusätzliche Inpainting Nodes. Installieren Sie schließlich "ComfyUI segment anything" oder "ComfyUI Grounding Dino", je nachdem, welches Paket der Maintainer zuletzt aktualisiert hat. Das Grounded SAM Repository auf GitHub ist die Quellarbeit, die diese ComfyUI Nodes umhüllen, falls Sie die zugrunde liegende Technik verstehen möchten.

Starten Sie ComfyUI nach der Installation neu. Die neuen Nodes erscheinen unter "Add Node, Impact, Detector" und ähnlichen Pfaden im Rechtsklick-Menü.

Laden Sie die Modelldateien herunter. SAM benötigt einen Checkpoint. Die Datei sam_vit_h_4b8939.pth ist das standardmäßige hochwertige SAM Modell mit etwa 2,5 GB. Grounding DINO benötigt eine kleinere Modelldatei. Beide werden jeweils nach ComfyUI/models/sams/ und ComfyUI/models/grounding-dino/ heruntergeladen. Beim ersten Ausführen des Workflows laden die Model-Loader Nodes diese automatisch herunter, falls sie fehlen.

Einrichtung der Workflow Nodes. Die Kette sieht so aus. Load Image speist in die Nodes SAMModelLoader und GroundingDinoModelLoader. Beide speisen in den GroundingDinoSAMSegment Node, der Ihren Text-Prompt für das Zu-Segmentierende übernimmt. Die Ausgabe ist eine Maske, die in Ihren Inpainting Workflow einspeist.

Der Text-Prompt für den Segment Node ist die Magie. "shirt" erkennt das Hemd. "underwear" erkennt die Unterwäsche. "hair" erkennt das Haar. Für NSFW Arbeit können Sie spezifisch sein. "bra" erkennt BHs. "clothing on torso" erkennt Oberkörperkleidung. Das Grounding DINO Modell ist beeindruckend flexibel darin, zu verstehen, was Sie maskieren wollen.

Schwellenwerteinstellungen sind wichtig. Der Standard-Schwellenwert von Grounding DINO ist 0,3, was die meisten Fälle abdeckt. Niedriger (0,2) erfasst aggressivere Treffer einschließlich Fehltreffer. Höher (0,4 bis 0,5) ist konservativer und übersieht möglicherweise Randfälle. Wir verwenden 0,3 als Standard und stimmen pro Workflow ab.

Maskenweichzeichnung Und Denoise Für Saubere Bearbeitungen

Sobald Sie eine Maske haben, bestimmen die Inpainting Parameter die Ausgabequalität. Zwei Einstellungen sind am wichtigsten, Maskenweichzeichnung und Denoise Stärke.

Maskenweichzeichnung glättet die Maskenränder, sodass das Inpaint mit den umliegenden Pixeln verschmilzt. Harte Maskenränder erzeugen sichtbare Nähte. Zu viel Weichzeichnung verwischt die Bearbeitung über das gewünschte Maß hinaus. Für NSFW Kleidungsbearbeitungen sind 8 bis 15 Pixel Maskenweichzeichnung der ideale Bereich. Niedriger (4 bis 6 Pixel) für enge Bearbeitungen, bei denen Präzision zählt. Höher (15 bis 20 Pixel) für weichere Bearbeitungen, bei denen Verschmelzung wichtiger ist als Präzision.

Die Denoise Stärke steuert, wie viel das Modell neu generiert gegenüber dem, was es erhält. Bei Denoise 1,0 generiert das Modell vollständig neuen Inhalt für die maskierte Region. Bei Denoise 0,5 verändert das Modell die maskierte Region nur zur Hälfte und bewahrt einen Teil der Originalpixel. Bei Denoise 0,0 findet überhaupt keine Neugenerierung statt.

Für Kleidungswechsel-NSFW-Arbeit ist Denoise 0,75 bis 0,85 der Standardbereich. Unter 0,7 bewahrt das Modell oft zu viel von der Originalfarbe oder dem Muster der Kleidung. Über 0,9 generiert das Modell so vollständig neu, dass sich die Körperproportionen in der maskierten Region manchmal verschieben.

Für dezente Anatomiebearbeitungen funktioniert Denoise 0,5 bis 0,65 besser. Sie möchten die vorhandene Anatomie leicht verändern, ohne von Grund auf neu zu generieren. Der niedrigere Denoise Wert bewahrt mehr von der ursprünglichen Komposition und erzeugt dennoch die Bearbeitung.

Wir haben festgestellt, dass zwei Inpaint Durchläufe mit unterschiedlichen Denoise Stärken oft einen einzelnen Durchlauf mit hohem Denoise schlagen. Durchlauf 1 bei Denoise 0,85 generiert den neuen Inhalt. Durchlauf 2 bei Denoise 0,4 mit einer etwas größeren Maske glättet den Übergang zwischen bearbeiteten und unbearbeiteten Regionen. Dieser Zwei-Durchlauf-Ansatz bewältigt die meisten Randfälle.

Mehr zur Maskenbehandlung im Speziellen finden Sie in der Anleitung zu Maskenkanten-Weichzeichnung und Nahtverschmelzung beim Inpainting, die die Nahtverschmelzungs-Tricks behandelt, die unsichtbare Bearbeitungen erzeugen.

Flux Fill vs SDXL Inpaint Checkpoint

Die Wahl des Inpainting Modells beeinflusst die Ausgabequalität erheblich. Zwei Hauptoptionen existieren 2026, Flux Fill und SDXL Inpaint Checkpoints.

Flux Fill ist das zweckgebaute Inpainting Modell von Black Forest Labs auf Basis von Flux. Es bewältigt sowohl Inpainting als auch Outpainting im selben Modell. Die Generierungsqualität ist hervorragend. Die Q5 quantisierte Version benötigt nur 8 GB VRAM, was für die meisten Nutzer machbar ist. Unsere vollständige Flux Fill Anleitung behandelt das Modell im Detail.

SDXL Inpaint Checkpoints sind SDXL Feinabstimmungen, die für Inpainting optimiert sind. Sie bewältigen NSFW gut, wenn sie mit NSFW-fähigen Basen wie Lustify oder Juggernaut kombiniert werden. Die Qualität ist gut, liegt aber bei komplexen Bearbeitungen typischerweise leicht unter Flux Fill.

Speziell für NSFW Kleidungsbearbeitungen gewinnt Flux Fill aus zwei Gründen. Erstens ist die Prompt Treue besser. Wenn Sie die neue gewünschte Kleidung beschreiben, erzeugt Flux Fill sie genauer als SDXL Inpaint Varianten. Zweitens ist die Nahtqualität sauberer. Flux Fill erzeugt häufiger Bearbeitungen, die ohne sichtbare Grenzen mit der Umgebung verschmelzen. Die Flux Fill Modellkarte auf Hugging Face behandelt die technischen Spezifikationen und empfohlenen Verwendungsmuster.

Der Haken ist die Lizenzierung. Flux Fill wird unter der Flux Dev Lizenz ausgeliefert, die die kommerzielle Nutzung einschränkt. Für kommerzielle NSFW Arbeit sollten Sie SDXL Inpaint Checkpoints auf Basis frei lizenzierter Basen nutzen oder Chroma-basiertes Inpainting verwenden, das wir in unserem Vergleich Chroma vs Flux Dev behandelt haben.

Praktische Empfehlung für die meisten Nutzer, verwenden Sie Flux Fill für persönliche Projekte, bei denen die Lizenzierung keine Rolle spielt. Verwenden Sie SDXL Inpaint Checkpoints auf Basis von Lustify, Juggernaut oder Pony für kommerzielle Arbeit. Beide erzeugen mit den richtigen Einstellungen produktionsreife Ausgaben. Wir haben diese gesamte Pipeline außerdem in lewdly.ai eingebaut (volle Offenlegung, wir helfen, es zu entwickeln), sodass Nutzer, die Kleidungsbearbeitungen ohne Verwaltung des ComfyUI Graphen möchten, dieselbe Ausgabe mit einfacherer Eingabe erhalten. Die Wahl zwischen lokal und gehostet hängt davon ab, wie viel Workflow Anpassung Sie tatsächlich brauchen.

Face Detailer Nach Dem Inpaint Durchlauf

Das ist der Schritt, den die meisten Tutorials überspringen, und er ist der Unterschied zwischen professioneller und amateurhafter Ausgabe. Führen Sie nach jedem Inpaint Durchlauf, der den Gesichtsbereich berührt oder die Körperproportionen verschiebt, Face Detailer als Nachbearbeitung aus.

Face Detailer in ComfyUI nutzt YOLO Gesichtserkennung, um Gesichter in Ihrem Bild zu finden, und führt dann einen kleinen Inpaint Durchlauf auf jedem erkannten Gesicht mit Ihrem Generierungsmodell aus. Das Gesicht wird in höherer Auflösung mit besserem Detail als das Gesicht des Basisbildes neu generiert. Das Ergebnis sind sauberere Gesichtszüge, ohne die Gesamtkomposition zu verändern.

Speziell für NSFW Arbeit verhindert Face Detailer das verbreitete Problem "toller Körper, seltsames Gesicht", das beim Inpainting von Körperregionen auftritt. Das Körper-Inpaint kann durch nachgelagertes Modellverhalten die Gesichtsproportionen subtil verschieben. Face Detailer behebt das automatisch.

Unser ComfyUI Face Detailer NSFW Workflow behandelt die dedizierte Face Detailer Pipeline. Für den Inpainting Workflow, den wir hier bauen, hängen Sie einfach einen Face Detailer Node am Ende der Kette nach dem Haupt-Inpaint Durchlauf an.

Einstellungen für Face Detailer:

• Erkennungsmodell, bbox/face_yolov8m.pt (Standard) oder gesichtsspezifisches NSFW YOLO Modell von Civitai
• Denoise 0,4 bis 0,55 für Gesichtswiederherstellung
• Gesichts-Inpaint Auflösung 1024, auch wenn das Basisbild niedriger ist
• Maskenerweiterung 5 bis 10 Pixel, um den gesamten Gesichtsbereich zu erfassen

Das Gesicht nach dem Detailer sollte deutlich schärfer aussehen als die Basisausgabe, ohne die Identität der Figur zu verändern. Wenn die Identität abdriftet, senken Sie den Denoise. Wenn keine Verbesserung sichtbar ist, erhöhen Sie den Denoise.

Häufige Fehler Und Lösungen

Häufiger Fehler 1, Maskengrenzen sichtbar als Nähte. Die Lösung ist eine höhere Maskenweichzeichnung. Versuchen Sie 12 bis 15 Pixel. Wenn die Naht weiterhin zu sehen ist, führen Sie das oben beschriebene Zwei-Durchlauf-Inpaint aus. Oft beseitigt ein weicher zweiter Durchlauf die Naht vollständig.

Häufiger Fehler 2, die Inpaint Region passt nicht zum Prompt. Die Lösung ist eine höhere Denoise Stärke in Richtung 0,85 bis 0,95, damit das Modell mehr Freiheit zur Neugenerierung hat. Wenn das nicht funktioniert, passt der Prompt möglicherweise nicht zum Vokabular des Modells. Formulieren Sie den Inpaint Prompt mit einfacherer beschreibender Sprache neu.

Häufiger Fehler 3, Körperproportionen verschieben sich in der maskierten Region. Die Lösung ist ein konservativerer Denoise (0,6 bis 0,7) und im Prompt explizit anzugeben, welche Körperproportionen erhalten bleiben sollen. "same body shape, natural proportions, [Ihre spezifische Kleidungsbearbeitung]" funktioniert in der Regel.

Häufiger Fehler 4, die Beleuchtung passt nicht zwischen bearbeiteten und unbearbeiteten Regionen. Die Lösung ist, eine Beleuchtungsbeschreibung in den Inpaint Prompt aufzunehmen. "soft daylight, matching ambient lighting" lenkt das Modell dazu, konsistente Beleuchtung zu erzeugen. Der Zwei-Durchlauf-Ansatz hilft auch hier.

Häufiger Fehler 5, Grounding DINO erkennt nicht, was Sie maskieren möchten. Die Lösung ist, verschiedene Text-Prompts auszuprobieren. "shirt" übersieht eventuell Dinge, die "clothing" erfasst. "underwear" übersieht eventuell Dinge, die "lingerie" erfasst. Manchmal ist "all clothing" der richtige Prompt, wenn spezifische Teile keine Erkennung auslösen.

Häufiger Fehler 6, die Maske ist zu groß und schließt den Körper ein, nicht nur die Kleidung. Die Lösung ist, den Grounding DINO Schwellenwert zu senken oder spezifischere Text-Prompts zu verwenden. Manchmal müssen Sie die Maske nach der automatischen Segmentierung manuell verfeinern. Mit dem ComfyUI Mask Editor Node können Sie in die Maske klicken und Regionen löschen, die Sie nicht einbeziehen möchten.

Mehr zur Maskenbearbeitung im Speziellen finden Sie in der Anleitung zur Meisterung des ComfyUI Mask Editors, die den manuellen Verfeinerungs-Workflow behandelt, falls die automatische Segmentierung Nachbesserung braucht.

Den Kompletten Workflow Herunterladen

Der vollständige Workflow, den wir verwenden, liegt als ComfyUI Workflow JSON vor. Die grundlegende Kette ist:

1. Load Image (Ihr Basisbild)
2. Grounding DINO und SAM (automatisches Segmentieren auf Basis des Text-Prompts)
3. Mask Blur (8 bis 15 Pixel)
4. KSampler mit Flux Fill oder SDXL Inpaint Checkpoint
5. Inpaint Condition und positiver Prompt
6. Face Detailer Nachbearbeitung
7. Save Image

Die JSON Datei ist über ComfyUI Installationen hinweg portabel. Ziehen Sie sie in eine beliebige ComfyUI Instanz und der Workflow lädt. Erforderliche Custom Nodes sind oben im Workflow aufgeführt, sodass der ComfyUI Manager fehlende Abhängigkeiten installieren kann.

Für Plattformen, die diesen Workflow nicht lokal ausführen möchten, übernehmen gehostete Dienste dieselbe Pipeline. Lewdly.ai führt genau dieses Workflow Muster im Backend aus. Die Plattform existiert, weil die meisten Nutzer Kleidungsbearbeitungen oder NSFW Inpainting wollen, ohne 7 Custom Nodes und einen 12 GB Checkpoint Download zu verwalten. Wenn Sie die ComfyUI Komplexität nicht möchten, spart der gehostete Weg echte Zeit. Der lewdly.ai Inpainting Ablauf nutzt dieselben SAM und Grounding DINO Komponenten, die wir oben behandelt haben, nur abstrahiert in eine einfachere Benutzeroberfläche.

Für eine tiefere Behandlung alternativer Inpainting Ansätze behandelt die Anleitung fortgeschrittene Inpainting und Outpainting Techniken Muster über Kleidungsbearbeitungen hinaus, einschließlich Outpainting, Anatomiekorrektur und Mehrregionen-Bearbeitungen.

FAQ

Welchen VRAM Brauche Ich Für Diesen Inpainting Workflow?

Mindestens 12 GB für SDXL-basiertes Inpainting, 16 GB empfohlen für Flux Fill. Sie können Q4 Flux Fill auf 8 GB ausführen, aber die Qualität sinkt merklich. Das SAM Modell allein benötigt etwa 2,5 GB. Grounding DINO benötigt etwa 700 MB.

Kann Ich Diesen Workflow Mit Pony Diffusion Nutzen?

Ja. Verwenden Sie Pony V6 XL als Ihren SDXL Inpaint Checkpoint. Die Workflow Struktur ist identisch, tauschen Sie einfach den Checkpoint Loader gegen Pony aus. Beachten Sie, dass Pony Score Tags in Ihrem Inpaint Prompt benötigt, genau wie bei der Basisgenerierung.

Warum Übersieht Grounding DINO Manche Objekte?

Schwellenwerteinstellung. Standard ist 0,3. Senken Sie ihn auf 0,2 bis 0,25 für aggressivere Erkennung. Das Grounding DINO Modell ist auf gängige Objekte trainiert, sodass ungewöhnliche oder stilisierte Teile bei Standard-Schwellenwerten manchmal nicht erkannt werden.

Soll Ich Flux Fill Oder SDXL Inpaint Für NSFW Verwenden?

Hängt von der Lizenzierung ab. Flux Fill ist höhere Qualität, aber auf eine Forschungslizenz beschränkt. SDXL Inpaint mit NSFW-fähigen Basen (Lustify, Juggernaut, Pony) ist uneingeschränkt kommerziell nutzbar. Für die meisten Nutzer ist SDXL Inpaint die praktische Wahl.

Wie Behebe Ich Die Naht Zwischen Eingemalten Und Originalen Regionen?

Erhöhen Sie die Maskenweichzeichnung auf 12 bis 15 Pixel. Wenn die Naht weiterhin zu sehen ist, führen Sie einen zweiten Durchlauf bei niedrigem Denoise (0,3 bis 0,4) über die Grenzregion aus. Der weiche Durchlauf verschmilzt die bearbeiteten und unbearbeiteten Pixel, ohne die Bearbeitung wesentlich zu verändern.

Was Ist Der Unterschied Zwischen SAM Und SAM2?

SAM ist das ursprüngliche Segment Anything Model von Meta. SAM2 ist die aktualisierte Version mit besserer Segmentierungsqualität und schnellerer Inferenz. Für ComfyUI Inpainting Workflows im Jahr 2026 wird SAM2 allgemein bevorzugt, aber SAM funktioniert weiterhin, falls SAM2 nicht installiert ist. Unsere Anleitung zum besten Video-Segmentierungs-Tool SAM2 behandelt SAM2 ausführlicher.

Kann Ich Mit Diesem Workflow Viele Bilder Im Stapel Verarbeiten?

Ja. ComfyUI unterstützt Stapelverarbeitung durch Workflow Anpassungen. Ersetzen Sie Load Image durch Load Images from Directory, und der Workflow verarbeitet jedes Bild im Ordner. Jedes Bild erhält denselben Grounding DINO Prompt und dieselben Inpaint Einstellungen.

Funktioniert Das Mit Video-Frames?

Bedingt. Der Workflow bewältigt einzelne Frames problemlos, aber die Aufrechterhaltung der zeitlichen Konsistenz über Frames hinweg erfordert zusätzliche Nodes wie AnimateDiff oder videospezifische Inpainting Workflows. Für Bearbeitungen pro Frame ohne zeitliche Kontinuität funktioniert dieser Workflow unverändert an extrahierten Frames.