Workflow Inpainting NSFW ComfyUI untuk Edit Pakaian

Workflow inpainting nsfw comfyui yang benar-benar menghasilkan edit pakaian yang bersih atau modifikasi NSFW eksplisit lebih sulit dibangun daripada yang disiratkan tutorial di internet. Sebagian besar panduan YouTube menunjukkan jalur ideal dengan gambar sumber yang sempurna dan melewatkan bagian yang gagal saat dijalankan dalam skala besar. Kami sudah membangun dan menyempurnakan workflow ini selama berbulan-bulan penggunaan produksi, dan versi di bawah ini menangani mode kegagalan yang diabaikan panduan-panduan mudah itu.

Apa yang Sebenarnya Dilakukan Inpainting

Bicara jujur, sebagian besar pengguna salah paham soal inpainting. Mereka mengira ini penghapus ajaib. Bukan. Inpainting adalah regenerasi. Model menerima area yang kamu mask sebagai placeholder dan menghasilkan konten baru untuk area itu sambil mencoba menyatukannya dengan piksel sekitar yang tidak di-mask. Kualitasnya bergantung pada seberapa bersih mask kamu dan seberapa pas penyetelan kekuatan denoise kamu.

Untuk edit pakaian NSFW secara khusus, inpainting menyelesaikan masalah tertentu. Kamu punya gambar dasar dengan komposisi yang kamu inginkan tetapi pakaian atau anatominya perlu berbeda. Mungkin kamu menghasilkan dasar SFW dan ingin mengonversi elemen tertentu menjadi NSFW. Mungkin kamu ingin mengganti pakaian pada karakter yang sudah ada. Mungkin kamu ingin memperbaiki masalah anatomi tanpa membuat ulang seluruh gambar. Inpainting menangani ketiganya dengan workflow yang sama.

Alasan orang akhirnya frustrasi dengan inpainting adalah karena mereka memperlakukannya seperti alat sekali pakai. Generate, mask, regenerate, selesai. Dalam produksi, inpainting itu iteratif. Kamu sering kali menjalankan beberapa pass inpainting dengan kekuatan denoise dan prompt yang berbeda untuk mendapatkan hasil yang bersih. Workflow yang kita bangun di sini membuat iterasi itu cepat.

Hal lain yang tidak disebutkan siapa pun adalah kualitas inpainting sangat bergantung pada kualitas gambar dasar. Mask sebuah area di gambar berkualitas rendah dan area yang di-inpaint tidak akan menyelamatkannya. Regenerasi model mengambil konteks dari piksel sekitar. Konteks sampah menghasilkan inpaint sampah. Mulailah dengan dasar yang bersih, meski kamu akan memodifikasinya.

Dua Pendekatan, Mask Manual vs Auto Segment

Dua cara membangun mask inpainting terbagi menjadi masking manual dan segmentasi otomatis. Keduanya berfungsi. Keduanya punya kompromi.

Masking manual di ComfyUI menggunakan node Mask Editor. Kamu melukis mask langsung di gambar sumber dengan alat kuas. Kontrol presisi. Lambat per gambar. Bagus untuk edit sekali pakai di mana kamu butuh bentuk mask persis seperti yang ada di kepalamu. Buruk untuk produksi di mana kamu memproses banyak gambar.

Segmentasi otomatis menggunakan SAM (Segment Anything Model) ditambah Grounding DINO untuk mendeteksi objek dari prompt teks dan menghasilkan mask secara otomatis. Kamu mengetik "shirt" dan workflow mendeteksi kemeja lalu mem-mask-nya. Kurang presisi pada kasus pinggiran. Cepat dan dapat direproduksi. Bagus untuk produksi. Lebih buruk untuk pekerjaan presisi sekali pakai.

Untuk edit pakaian NSFW dalam volume berapa pun, segmentasi otomatis menang. Kualitas mask biasanya berada dalam selisih 5-10% dari yang dihasilkan masking manual, tetapi generasi memakan waktu 30 detik dibanding 3-5 menit. Untuk 50 gambar, itu menghemat berjam-jam.

Pendekatan hibrida menggunakan auto-segmentasi sebagai titik awal dan membiarkanmu menyempurnakan mask secara manual jika perlu. Panduan teknik inpainting lanjutan ComfyUI membahas pola hibrida ini lebih rinci. Untuk sebagian besar pekerjaan NSFW produksi, auto-segmentasi murni sudah cukup baik.

Menyiapkan SAM Dan Grounding DINO

Memasang node. Di ComfyUI Manager, cari "ComfyUI Impact Pack" dan pasang. Lalu pasang "ComfyUI Inspire Pack" untuk node inpainting tambahan. Terakhir pasang "ComfyUI segment anything" atau "ComfyUI Grounding Dino" tergantung paket mana yang lebih baru diperbarui pengelolanya. Repositori Grounded SAM di GitHub adalah paper sumber yang dibungkus node ComfyUI ini jika kamu ingin memahami teknik dasarnya.

Setelah pemasangan, mulai ulang ComfyUI. Node baru muncul di bawah "Add Node, Impact, Detector" dan jalur serupa di menu klik kanan.

Unduh file model. SAM butuh sebuah checkpoint. File sam_vit_h_4b8939.pth adalah model SAM standar berkualitas tinggi berukuran sekitar 2.5GB. Grounding DINO butuh file model yang lebih kecil. Keduanya diunduh masing-masing ke ComfyUI/models/sams/ dan ComfyUI/models/grounding-dino/. Saat pertama kali menjalankan workflow, node loader model akan mengunduh ini secara otomatis jika belum ada.

Penyiapan node workflow. Rantainya terlihat seperti ini. Load Image masuk ke node SAMModelLoader dan GroundingDinoModelLoader. Keduanya masuk ke node GroundingDinoSAMSegment yang mengambil prompt teks kamu untuk apa yang akan disegmentasi. Keluarannya adalah mask yang masuk ke workflow inpainting kamu.

Prompt teks untuk node segment adalah kuncinya. "shirt" mendeteksi kemeja. "underwear" mendeteksi pakaian dalam. "hair" mendeteksi rambut. Untuk pekerjaan NSFW, kamu bisa spesifik. "bra" mendeteksi bra. "clothing on torso" mendeteksi pakaian di area dada. Model Grounding DINO sangat fleksibel dalam memahami apa yang ingin kamu mask.

Setelan threshold itu penting. Threshold default Grounding DINO adalah 0.3 yang menangkap sebagian besar kasus. Lebih rendah (0.2) menangkap kecocokan yang lebih agresif termasuk positif palsu. Lebih tinggi (0.4-0.5) lebih konservatif dan mungkin melewatkan kasus pinggiran. Kami menggunakan 0.3 sebagai default dan menyetelnya per workflow.

Mask Blur Dan Denoise untuk Edit yang Bersih

Begitu kamu punya mask, parameter inpainting menentukan kualitas keluaran. Dua setelan paling penting, mask blur dan kekuatan denoise.

Mask blur menghaluskan tepi mask agar inpaint menyatu dengan piksel sekitar. Tepi mask yang keras menghasilkan sambungan yang terlihat. Terlalu banyak blur melembutkan edit melebihi yang kamu inginkan. Untuk edit pakaian NSFW, 8-15 piksel mask blur adalah titik manisnya. Lebih rendah (4-6 piksel) untuk edit ketat di mana presisi penting. Lebih tinggi (15-20 piksel) untuk edit yang lebih lembut di mana penyatuan lebih penting daripada presisi.

Kekuatan denoise mengontrol seberapa banyak model meregenerasi dibanding mempertahankan. Pada denoise 1.0, model menghasilkan konten yang sepenuhnya baru untuk area yang di-mask. Pada denoise 0.5, model hanya memodifikasi area yang di-mask separuh jalan, mempertahankan sebagian piksel asli. Pada denoise 0.0, tidak ada regenerasi sama sekali.

Untuk pekerjaan pertukaran pakaian NSFW, denoise 0.75-0.85 adalah rentang standar. Di bawah 0.7 model sering mempertahankan terlalu banyak warna atau pola pakaian asli. Di atas 0.9 model meregenerasi begitu total sehingga proporsi tubuh kadang bergeser di area yang di-mask.

Untuk edit anatomi halus, denoise 0.5-0.65 lebih cocok. Kamu ingin memodifikasi anatomi yang ada sedikit saja tanpa meregenerasi dari nol. Denoise yang lebih rendah mempertahankan lebih banyak komposisi asli sambil tetap menghasilkan edit.

Kami menemukan bahwa menjalankan dua pass inpaint dengan kekuatan denoise berbeda sering kali mengalahkan satu pass denoise tinggi. Pass 1 pada denoise 0.85 menghasilkan konten baru. Pass 2 pada denoise 0.4 dengan mask yang sedikit lebih besar melembutkan transisi antara area yang diedit dan yang tidak. Pendekatan dua pass ini menangani sebagian besar kasus pinggiran.

Untuk lebih lanjut tentang penanganan mask secara khusus, panduan feathering mask dan penyatuan sambungan inpainting membahas trik penyatuan sambungan yang menghasilkan edit tak kasatmata.

Flux Fill vs Checkpoint Inpaint SDXL

Pilihan model inpainting secara material memengaruhi kualitas keluaran. Dua opsi utama ada di 2026, Flux Fill dan checkpoint inpaint SDXL.

Flux Fill adalah model inpainting buatan khusus dari Black Forest Labs berbasis Flux. Model ini menangani inpainting dan outpainting dalam model yang sama. Kualitas generasi sangat baik. Versi terkuantisasi Q5 hanya memakai 8GB VRAM yang terjangkau bagi sebagian besar pengguna. Panduan lengkap Flux Fill kami membahas model ini secara rinci.

Checkpoint inpaint SDXL adalah finetune SDXL yang dioptimalkan untuk inpainting. Model ini menangani NSFW dengan baik bila dipasangkan dengan dasar yang mampu NSFW seperti Lustify atau Juggernaut. Kualitasnya bagus tetapi biasanya sedikit di bawah Flux Fill pada edit yang kompleks.

Untuk edit pakaian NSFW secara khusus, Flux Fill menang karena dua alasan. Pertama, kepatuhan terhadap prompt lebih baik. Saat kamu mendeskripsikan pakaian baru yang kamu inginkan, Flux Fill menghasilkannya lebih akurat daripada varian inpaint SDXL. Kedua, kualitas sambungannya lebih bersih. Flux Fill menghasilkan edit yang menyatu dengan sekitarnya tanpa batas yang terlihat lebih sering. Kartu model Flux Fill di Hugging Face membahas spesifikasi teknis dan pola penggunaan yang direkomendasikan.

Tantangannya adalah lisensi. Flux Fill dirilis di bawah lisensi Flux Dev yang membatasi penggunaan komersial. Untuk pekerjaan NSFW komersial, kamu sebaiknya menggunakan checkpoint inpaint SDXL berbasis dasar berlisensi bebas atau menggunakan inpainting berbasis Chroma yang kami bahas di perbandingan Chroma vs Flux Dev.

Rekomendasi praktis untuk sebagian besar pengguna, gunakan Flux Fill untuk proyek pribadi di mana lisensi tidak jadi soal. Gunakan checkpoint inpaint SDXL berbasis Lustify, Juggernaut, atau Pony untuk pekerjaan komersial. Keduanya menghasilkan keluaran berkualitas produksi dengan setelan yang tepat. Kami juga sudah menyambungkan seluruh pipeline ini ke lewdly.ai (keterbukaan penuh, kami ikut membangunnya) sehingga pengguna yang menginginkan edit pakaian tanpa mengelola graph ComfyUI mendapatkan keluaran yang sama dengan input yang lebih sederhana. Pilihan antara lokal dan hosted bergantung pada seberapa banyak kustomisasi workflow yang benar-benar kamu butuhkan.

Face Detailer Setelah Pass Inpaint

Ini adalah langkah yang dilewatkan sebagian besar tutorial dan inilah pembeda antara keluaran profesional dan amatir. Setelah pass inpaint apa pun yang menyentuh area wajah atau yang menggeser proporsi tubuh, jalankan Face Detailer sebagai pass akhir.

Face Detailer di ComfyUI menggunakan deteksi wajah YOLO untuk menemukan wajah di gambarmu, lalu menjalankan pass inpaint kecil pada setiap wajah yang terdeteksi dengan model generasi kamu. Wajah diregenerasi pada resolusi lebih tinggi dengan detail lebih baik dibanding wajah gambar dasar. Hasilnya adalah fitur wajah yang lebih bersih tanpa mengubah komposisi keseluruhan.

Untuk pekerjaan NSFW secara khusus, Face Detailer mencegah masalah umum "tubuh bagus, wajah aneh" yang terjadi saat melakukan inpaint pada area tubuh. Inpaint tubuh bisa secara halus menggeser proporsi wajah melalui perilaku model di tahap berikutnya. Face Detailer memperbaikinya secara otomatis.

Workflow Face Detailer NSFW ComfyUI kami membahas pipeline face detailer khusus. Untuk workflow inpainting yang kita bangun di sini, cukup tambahkan node face detailer di akhir rantai setelah pass inpaint utama.

Setelan untuk Face Detailer:

• Model deteksi, bbox/face_yolov8m.pt (standar) atau model YOLO wajah khusus NSFW dari Civitai
• Denoise 0.4-0.55 untuk restorasi wajah
• Resolusi inpaint wajah 1024 meski gambar dasar lebih rendah
• Dilasi mask 5-10 piksel untuk menangkap seluruh area wajah

Wajah setelah pass detailer seharusnya terlihat jauh lebih tajam dibanding keluaran dasar tanpa mengubah identitas karakter. Jika identitas bergeser, turunkan denoise. Jika peningkatan tidak terlihat, naikkan denoise.

Kegagalan Umum Dan Solusinya

Kegagalan umum 1, batas mask terlihat sebagai sambungan. Solusinya adalah menambah mask blur. Coba 12-15 piksel. Jika sambungan masih terlihat, jalankan inpaint dua pass yang kami jelaskan di atas. Sering kali pass kedua yang lembut menghilangkan sambungan sepenuhnya.

Kegagalan umum 2, area inpaint tidak cocok dengan prompt. Solusinya adalah menaikkan kekuatan denoise menuju 0.85-0.95 agar model lebih leluasa meregenerasi. Jika itu tidak berhasil, mungkin prompt tidak cocok dengan kosakata model. Susun ulang prompt inpaint dengan bahasa deskriptif yang lebih sederhana.

Kegagalan umum 3, proporsi tubuh bergeser di area yang di-mask. Solusinya adalah menggunakan denoise yang lebih konservatif (0.6-0.7) dan menyebutkan secara eksplisit dalam prompt proporsi tubuh yang ingin kamu pertahankan. "same body shape, natural proportions, [edit pakaian spesifik kamu]" cenderung berhasil.

Kegagalan umum 4, pencahayaan tidak cocok antara area yang diedit dan yang tidak. Solusinya adalah menyertakan deskripsi pencahayaan dalam prompt inpaint. "soft daylight, matching ambient lighting" mengarahkan model untuk menghasilkan pencahayaan yang konsisten. Pendekatan dua pass juga membantu di sini.

Kegagalan umum 5, Grounding DINO tidak mendeteksi apa yang ingin kamu mask. Solusinya adalah mencoba prompt teks yang berbeda. "shirt" mungkin melewatkan hal-hal yang ditangkap "clothing". "underwear" mungkin melewatkan hal-hal yang ditangkap "lingerie". Kadang "all clothing" adalah prompt yang tepat saat item spesifik tidak memicu deteksi.

Kegagalan umum 6, mask terlalu besar dan mencakup tubuh, bukan hanya pakaian. Solusinya adalah menurunkan threshold Grounding DINO atau menggunakan prompt teks yang lebih spesifik. Kadang kamu perlu menyempurnakan mask secara manual setelah auto-segmentasi. Node ComfyUI Mask Editor memungkinkanmu mengeklik ke dalam mask dan menghapus area yang tidak ingin disertakan.

Untuk lebih lanjut tentang pengeditan mask secara khusus, panduan penguasaan mask editor ComfyUI membahas workflow penyempurnaan manual jika auto-segmentasi perlu dibersihkan.

Unduh Workflow Lengkap

Workflow lengkap yang kami pakai hidup sebagai file JSON workflow ComfyUI. Rantai dasarnya adalah:

1. Load Image (gambar dasar kamu)
2. Grounding DINO + SAM (auto-segment berdasarkan prompt teks)
3. Mask Blur (8-15 piksel)
4. KSampler dengan Flux Fill atau checkpoint inpaint SDXL
5. Inpaint condition + prompt positif
6. Pass akhir Face Detailer
7. Save Image

File JSON ini portabel di seluruh instalasi ComfyUI. Letakkan ke instance ComfyUI mana pun dan workflow akan termuat. Node kustom yang dibutuhkan tercantum di bagian atas workflow sehingga ComfyUI Manager bisa memasang dependensi yang hilang.

Untuk platform yang tidak ingin menjalankan workflow ini secara lokal, layanan hosted menangani pipeline yang sama. Lewdly.ai menjalankan pola workflow persis ini di back-end. Platform ini ada karena sebagian besar pengguna menginginkan edit pakaian atau inpainting NSFW tanpa mengelola 7 node kustom dan unduhan checkpoint 12GB. Jika kamu tidak ingin kerumitan ComfyUI, jalur hosted benar-benar menghemat waktu. Alur inpainting lewdly.ai menggunakan komponen SAM dan Grounding DINO yang sama seperti yang kami bahas di atas, hanya diabstraksikan ke antarmuka pengguna yang lebih sederhana.

Untuk cakupan yang lebih mendalam tentang pendekatan inpainting alternatif, panduan teknik lanjutan inpainting dan outpainting membahas pola di luar edit pakaian, termasuk outpainting, koreksi anatomi, dan edit multi-area.

FAQ

VRAM Berapa yang Saya Butuhkan untuk Workflow Inpainting Ini?

Minimal 12GB untuk inpainting berbasis SDXL, 16GB direkomendasikan untuk Flux Fill. Kamu bisa menjalankan Q4 Flux Fill di 8GB tetapi kualitasnya turun terasa. Model SAM saja butuh sekitar 2.5GB. Grounding DINO butuh sekitar 700MB.

Bisakah Saya Menggunakan Workflow Ini dengan Pony Diffusion?

Bisa. Gunakan Pony V6 XL sebagai checkpoint inpaint SDXL kamu. Struktur workflow identik, cukup ganti loader checkpoint ke Pony. Perhatikan bahwa Pony butuh tag score di prompt inpaint kamu sama seperti pada generasi dasar.

Mengapa Grounding DINO Melewatkan Beberapa Objek?

Setelan threshold. Default-nya 0.3. Turunkan ke 0.2-0.25 untuk deteksi yang lebih agresif. Model Grounding DINO dilatih pada objek umum, jadi item yang tidak biasa atau bergaya tertentu kadang tidak terdeteksi pada threshold default.

Sebaiknya Saya Pakai Flux Fill atau Inpaint SDXL untuk NSFW?

Tergantung lisensi. Flux Fill kualitasnya lebih tinggi tetapi dibatasi lisensi riset. Inpaint SDXL dengan dasar yang mampu NSFW (Lustify, Juggernaut, Pony) bebas digunakan komersial tanpa batas. Untuk sebagian besar pengguna, inpaint SDXL adalah pilihan praktis.

Bagaimana Cara Memperbaiki Sambungan Antara Area yang Di-inpaint dan Area Asli?

Naikkan mask blur ke 12-15 piksel. Jika sambungan masih terlihat, jalankan pass kedua pada denoise rendah (0.3-0.4) di atas area batas. Pass yang lembut menyatukan piksel yang diedit dan yang tidak tanpa mengubah edit secara signifikan.

Apa Perbedaan Antara SAM dan SAM2?

SAM adalah Segment Anything Model asli dari Meta. SAM2 adalah versi terbaru dengan kualitas segmentasi lebih baik dan inferensi lebih cepat. Untuk workflow inpainting ComfyUI di 2026, SAM2 umumnya lebih disukai tetapi SAM masih berfungsi jika SAM2 tidak terpasang. Panduan lengkap SAM2 alat segmentasi video terbaik kami membahas SAM2 secara lebih rinci.

Bisakah Saya Memproses Banyak Gambar Secara Batch dengan Workflow Ini?

Bisa. ComfyUI mendukung pemrosesan batch melalui modifikasi workflow. Ganti Load Image dengan Load Images from Directory dan workflow akan memproses setiap gambar di folder. Setiap gambar mendapatkan prompt Grounding DINO dan setelan inpaint yang sama.

Apakah Ini Berfungsi dengan Frame Video?

Lumayan. Workflow menangani frame individual dengan baik, tetapi menjaga konsistensi temporal antarframe membutuhkan node tambahan seperti AnimateDiff atau workflow inpainting khusus video. Untuk edit per frame tanpa kontinuitas temporal, workflow ini berfungsi apa adanya pada frame yang sudah diekstrak.