의상 편집을 위한 ComfyUI NSFW 인페인팅 워크플로우

깔끔한 의상 편집이나 노골적인 NSFW 수정을 실제로 만들어내는 comfyui nsfw 인페인팅 워크플로우는 온라인 튜토리얼이 말하는 것보다 구축하기가 더 어려워요. 대부분의 유튜브 가이드는 완벽한 소스 이미지로 잘 풀리는 경로만 보여주고, 대규모로 작업할 때 실패하는 부분은 건너뛰어요. 우리는 수개월간의 실제 운영을 통해 이 워크플로우를 구축하고 다듬었으며, 아래 버전은 쉬운 가이드가 무시하는 실패 양상까지 처리해요.

인페인팅이 실제로 하는 일

솔직히 말해서 대부분의 사용자는 인페인팅을 오해해요. 마법의 지우개라고 생각하죠. 아니에요. 인페인팅은 재생성이에요. 모델은 마스크된 영역을 자리표시자로 받아 그 영역에 대한 새 콘텐츠를 생성하면서 마스크되지 않은 주변 픽셀과 어우러지도록 시도해요. 품질은 마스크가 얼마나 깔끔한지, 그리고 디노이즈 강도가 얼마나 잘 조정되어 있는지에 달려 있어요.

특히 NSFW 의상 편집에서 인페인팅은 특정한 문제를 해결해요. 원하는 구도를 가진 기본 이미지가 있지만 의상이나 해부학적 부분이 달라져야 하는 경우가 있죠. SFW 베이스를 생성한 뒤 특정 요소를 NSFW로 변환하고 싶을 수도 있어요. 기존 캐릭터의 의상을 교체하고 싶을 수도 있고요. 전체 이미지를 다시 생성하지 않고 해부학적 문제를 고치고 싶을 수도 있어요. 인페인팅은 이 세 가지 모두를 동일한 워크플로우로 처리해요.

사람들이 인페인팅에 결국 좌절하는 이유는 그것을 한 번에 끝나는 도구처럼 다루기 때문이에요. 생성하고, 마스크하고, 다시 생성하면 끝이라고요. 실제 운영에서 인페인팅은 반복적이에요. 깔끔한 결과를 얻으려면 서로 다른 디노이즈 강도와 프롬프트로 여러 번의 인페인팅 패스를 돌리는 경우가 많아요. 여기서 우리가 구축하는 워크플로우는 그러한 반복을 빠르게 만들어줘요.

아무도 언급하지 않는 또 다른 점은 인페인팅 품질이 기본 이미지 품질에 크게 좌우된다는 거예요. 저품질 이미지의 한 영역을 마스크하면 인페인트된 영역이 그것을 살려주지 못해요. 모델의 재생성은 주변 픽셀에서 맥락을 가져오거든요. 쓰레기 맥락은 쓰레기 인페인트를 만들어요. 수정할 예정이더라도 깔끔한 베이스로 시작하세요.

두 가지 접근법, 수동 마스크 대 자동 세그먼트

인페인팅 마스크를 구축하는 두 가지 방법은 수동 마스킹과 자동 세그멘테이션으로 나뉘어요. 둘 다 작동해요. 둘 다 장단점이 있고요.

ComfyUI에서 수동 마스킹은 Mask Editor 노드를 사용해요. 브러시 도구로 소스 이미지에 직접 마스크를 칠해요. 정밀한 제어가 가능해요. 이미지당 속도는 느려요. 머릿속에 그린 정확한 마스크 모양이 필요한 일회성 편집에 좋아요. 여러 이미지를 처리하는 운영 환경에는 부적합해요.

자동 세그멘테이션은 SAM(Segment Anything Model)과 Grounding DINO를 사용해 텍스트 프롬프트로 객체를 감지하고 마스크를 자동으로 생성해요. "shirt"라고 입력하면 워크플로우가 셔츠를 감지하고 마스크해요. 엣지 케이스에서는 덜 정밀해요. 빠르고 재현 가능해요. 운영에 좋아요. 일회성 정밀 작업에는 좀 더 떨어져요.

어떤 분량이든 NSFW 의상 편집에서는 자동 세그멘테이션이 승리해요. 마스크 품질은 보통 수동 마스킹이 만드는 것의 5에서 10퍼센트 이내이지만, 생성은 3에서 5분이 아니라 30초가 걸려요. 50장의 이미지에 걸쳐서 보면 몇 시간을 절약하는 거예요.

하이브리드 접근법은 자동 세그멘테이션을 시작점으로 사용하고 필요하면 마스크를 수동으로 다듬게 해줘요. ComfyUI의 고급 인페인팅 기법 가이드에서 하이브리드 패턴을 더 자세히 다뤄요. 대부분의 운영용 NSFW 작업에서는 순수 자동 세그멘테이션만으로도 충분해요.

SAM과 Grounding DINO 설정하기

노드 설치하기. ComfyUI Manager에서 "ComfyUI Impact Pack"을 검색해 설치하세요. 그런 다음 추가 인페인팅 노드를 위해 "ComfyUI Inspire Pack"을 설치하세요. 마지막으로 메인테이너가 더 최근에 업데이트한 패키지에 따라 "ComfyUI segment anything" 또는 "ComfyUI Grounding Dino"를 설치하세요. GitHub의 Grounded SAM 저장소는 기반 기법을 이해하고 싶을 때 이 ComfyUI 노드들이 감싸고 있는 원본 논문이에요.

설치 후 ComfyUI를 재시작하세요. 새 노드들은 우클릭 메뉴의 "Add Node, Impact, Detector"와 유사한 경로 아래에 나타나요.

모델 파일 다운로드하기. SAM에는 체크포인트가 필요해요. sam_vit_h_4b8939.pth 파일은 약 2.5GB의 표준 고품질 SAM 모델이에요. Grounding DINO에는 더 작은 모델 파일이 필요해요. 둘은 각각 ComfyUI/models/sams/와 ComfyUI/models/grounding-dino/에 다운로드돼요. 워크플로우를 처음 실행할 때 모델이 없으면 모델 로더 노드가 이것들을 자동으로 다운로드해요.

워크플로우 노드 설정. 체인은 이렇게 생겼어요. Load Image가 SAMModelLoader와 GroundingDinoModelLoader 노드로 들어가요. 둘 다 GroundingDinoSAMSegment 노드로 들어가고, 이 노드는 무엇을 세그먼트할지에 대한 텍스트 프롬프트를 받아요. 출력은 인페인팅 워크플로우로 들어가는 마스크예요.

세그먼트 노드의 텍스트 프롬프트가 핵심이에요. "shirt"는 셔츠를 감지해요. "underwear"는 속옷을 감지해요. "hair"는 머리카락을 감지해요. NSFW 작업에서는 구체적으로 지정할 수 있어요. "bra"는 브래지어를 감지해요. "clothing on torso"는 상체 의상을 감지해요. Grounding DINO 모델은 무엇을 마스크하고 싶은지 이해하는 데 놀라울 정도로 유연해요.

임계값 설정이 중요해요. 기본 Grounding DINO 임계값은 0.3이며 대부분의 경우를 잡아요. 더 낮으면(0.2) 오탐을 포함해 더 공격적인 매칭을 잡아요. 더 높으면(0.4에서 0.5) 더 보수적이며 엣지 케이스를 놓칠 수 있어요. 우리는 0.3을 기본값으로 사용하고 워크플로우마다 조정해요.

깔끔한 편집을 위한 마스크 블러와 디노이즈

마스크를 얻고 나면 인페인팅 파라미터가 출력 품질을 결정해요. 가장 중요한 두 가지 설정은 마스크 블러와 디노이즈 강도예요.

마스크 블러는 마스크 가장자리를 부드럽게 해 인페인트가 주변 픽셀과 어우러지게 해요. 딱딱한 마스크 가장자리는 눈에 띄는 이음매를 만들어요. 블러가 너무 많으면 원하는 것 이상으로 편집이 흐려져요. NSFW 의상 편집의 경우 마스크 블러 8에서 15픽셀이 최적점이에요. 정밀함이 중요한 빡빡한 편집에는 더 낮게(4에서 6픽셀). 정밀함보다 어우러짐이 더 중요한 부드러운 편집에는 더 높게(15에서 20픽셀).

디노이즈 강도는 모델이 얼마나 재생성할지 대 보존할지를 제어해요. 디노이즈 1.0에서는 모델이 마스크된 영역에 대해 완전히 새로운 콘텐츠를 생성해요. 디노이즈 0.5에서는 모델이 마스크된 영역을 절반만 수정하며 원본 픽셀의 일부를 보존해요. 디노이즈 0.0에서는 재생성이 전혀 일어나지 않아요.

의상 교체 NSFW 작업의 경우 디노이즈 0.75에서 0.85가 표준 범위예요. 0.7 미만에서는 모델이 원래 의상 색상이나 패턴을 너무 많이 보존하는 경우가 많아요. 0.9 초과에서는 모델이 너무 완전히 재생성해서 마스크된 영역의 신체 비율이 때때로 어긋나요.

미묘한 해부학적 편집의 경우 디노이즈 0.5에서 0.65가 더 잘 작동해요. 처음부터 다시 생성하지 않고 기존 해부학적 부분을 약간만 수정하고 싶거든요. 더 낮은 디노이즈는 편집물을 여전히 만들면서도 원본 구도를 더 많이 보존해요.

서로 다른 디노이즈 강도로 두 번의 인페인트 패스를 돌리는 것이 단일 고디노이즈 패스를 능가하는 경우가 많다는 것을 알게 됐어요. 패스 1은 디노이즈 0.85로 새 콘텐츠를 생성해요. 패스 2는 약간 더 큰 마스크와 함께 디노이즈 0.4로 편집된 영역과 편집되지 않은 영역 사이의 전환을 부드럽게 해요. 이 2패스 접근법은 대부분의 엣지 케이스를 처리해요.

특히 마스크 처리에 대해 더 알고 싶다면 인페인팅 마스크 페더링 및 이음매 블렌딩 가이드에서 보이지 않는 편집을 만드는 이음매 블렌딩 요령을 다뤄요.

Flux Fill 대 SDXL 인페인트 체크포인트

인페인팅 모델의 선택은 출력 품질에 실질적으로 영향을 줘요. 2026년에는 두 가지 주요 옵션, Flux Fill과 SDXL 인페인트 체크포인트가 있어요.

Flux Fill은 Flux를 기반으로 한 Black Forest Labs의 전용 인페인팅 모델이에요. 동일한 모델에서 인페인팅과 아웃페인팅을 모두 처리해요. 생성 품질이 훌륭해요. Q5 양자화 버전은 VRAM을 8GB만 사용해 대부분의 사용자가 접근할 수 있어요. 우리의 Flux Fill 완전 가이드에서 이 모델을 자세히 다뤄요.

SDXL 인페인트 체크포인트는 인페인팅에 최적화된 SDXL 파인튜닝이에요. Lustify나 Juggernaut 같은 NSFW 지원 베이스와 짝지으면 NSFW를 잘 처리해요. 품질은 좋지만 복잡한 편집에서는 보통 Flux Fill보다 약간 떨어져요.

특히 NSFW 의상 편집에서는 두 가지 이유로 Flux Fill이 승리해요. 첫째, 프롬프트 준수도가 더 좋아요. 원하는 새 의상을 묘사할 때 Flux Fill은 SDXL 인페인트 변형보다 더 정확하게 만들어요. 둘째, 이음매 품질이 더 깔끔해요. Flux Fill은 눈에 띄는 경계 없이 주변과 어우러지는 편집물을 더 자주 만들어요. Hugging Face의 Flux Fill 모델 카드에서 기술 사양과 권장 사용 패턴을 다뤄요.

함정은 라이선스예요. Flux Fill은 상업적 사용을 제한하는 Flux Dev 라이선스로 배포돼요. 상업용 NSFW 작업의 경우 자유 라이선스 베이스를 기반으로 한 SDXL 인페인트 체크포인트를 쓰거나, 우리가 Chroma 대 Flux Dev 비교에서 다룬 Chroma 기반 인페인팅을 쓰는 게 좋아요.

대부분의 사용자를 위한 실용적인 권장 사항은, 라이선스가 문제되지 않는 개인 프로젝트에는 Flux Fill을 쓰는 거예요. 상업용 작업에는 Lustify, Juggernaut, 또는 Pony를 기반으로 한 SDXL 인페인트 체크포인트를 쓰세요. 둘 다 올바른 설정으로 운영 품질의 출력을 만들어요. 우리는 또한 이 전체 파이프라인을 lewdly.ai에 통합했으며(전적으로 밝히자면 우리가 구축을 돕고 있어요), ComfyUI 그래프를 관리하지 않고 의상 편집을 원하는 사용자가 더 간단한 입력으로 동일한 출력을 얻을 수 있어요. 로컬과 호스팅 사이의 선택은 실제로 얼마나 많은 워크플로우 커스터마이징이 필요한지에 달려 있어요.

인페인트 패스 후의 Face Detailer

이것은 대부분의 튜토리얼이 건너뛰는 단계이며, 프로페셔널과 아마추어 출력의 차이를 만들어요. 얼굴 영역을 건드리거나 신체 비율을 변경하는 인페인트 패스 이후에는 후처리 패스로 Face Detailer를 실행하세요.

ComfyUI의 Face Detailer는 YOLO 얼굴 감지를 사용해 이미지에서 얼굴을 찾은 다음, 감지된 각 얼굴에 대해 생성 모델로 작은 인페인트 패스를 돌려요. 얼굴은 기본 이미지의 얼굴보다 더 나은 디테일로 더 높은 해상도에서 재생성돼요. 결과는 전체 구도를 바꾸지 않으면서 더 깔끔한 얼굴 특징이에요.

특히 NSFW 작업에서 Face Detailer는 신체 영역을 인페인팅할 때 발생하는 흔한 "멋진 몸, 이상한 얼굴" 문제를 방지해요. 신체 인페인트는 하류 모델 동작을 통해 얼굴 비율을 미묘하게 변화시킬 수 있어요. Face Detailer는 이것을 자동으로 고쳐요.

우리의 ComfyUI Face Detailer NSFW 워크플로우에서 전용 face detailer 파이프라인을 다뤄요. 여기서 우리가 구축하는 인페인팅 워크플로우의 경우, 메인 인페인트 패스 이후 체인 끝에 face detailer 노드를 하나 덧붙이기만 하면 돼요.

Face Detailer 설정:

• 감지 모델, bbox/face_yolov8m.pt(표준) 또는 Civitai의 얼굴 전용 NSFW YOLO 모델
• 얼굴 복원을 위한 디노이즈 0.4에서 0.55
• 기본 이미지가 더 낮더라도 얼굴 인페인트 해상도 1024
• 전체 얼굴 영역을 잡기 위한 마스크 팽창 5에서 10픽셀

후처리 후의 얼굴은 캐릭터의 정체성을 바꾸지 않으면서 기본 출력보다 눈에 띄게 더 선명해 보여야 해요. 정체성이 흔들리면 디노이즈를 낮추세요. 개선이 보이지 않으면 디노이즈를 높이세요.

흔한 실패와 해결책

흔한 실패 1, 마스크 경계가 이음매로 보임. 해결책은 마스크 블러를 늘리는 거예요. 12에서 15픽셀을 시도하세요. 이음매가 여전히 보이면 위에서 설명한 2패스 인페인트를 돌리세요. 부드러운 두 번째 패스가 이음매를 완전히 없애는 경우가 많아요.

흔한 실패 2, 인페인트 영역이 프롬프트와 일치하지 않음. 해결책은 모델이 재생성할 자유를 더 갖도록 디노이즈 강도를 0.85에서 0.95 쪽으로 늘리는 거예요. 그래도 안 되면 프롬프트가 모델의 어휘와 맞지 않을 수 있어요. 더 간단한 묘사 언어로 인페인트 프롬프트를 다시 표현하세요.

흔한 실패 3, 마스크된 영역에서 신체 비율이 어긋남. 해결책은 더 보수적인 디노이즈(0.6에서 0.7)를 사용하고 보존하고 싶은 신체 비율을 프롬프트에 명시하는 거예요. "same body shape, natural proportions, [당신의 구체적인 의상 편집]"이 잘 먹히는 편이에요.

흔한 실패 4, 편집된 영역과 편집되지 않은 영역 사이의 조명이 일치하지 않음. 해결책은 인페인트 프롬프트에 조명 묘사를 포함하는 거예요. "soft daylight, matching ambient lighting"은 모델이 일관된 조명을 만들도록 유도해요. 2패스 접근법도 여기서 도움이 돼요.

흔한 실패 5, Grounding DINO가 마스크하고 싶은 것을 감지하지 못함. 해결책은 다른 텍스트 프롬프트를 시도하는 거예요. "shirt"는 "clothing"이 잡는 것을 놓칠 수 있어요. "underwear"는 "lingerie"가 잡는 것을 놓칠 수 있어요. 특정 항목이 감지를 트리거하지 않을 때는 "all clothing"이 올바른 프롬프트일 때도 있어요.

흔한 실패 6, 마스크가 너무 커서 의상뿐만 아니라 신체까지 포함함. 해결책은 Grounding DINO 임계값을 낮추거나 더 구체적인 텍스트 프롬프트를 쓰는 거예요. 자동 세그멘테이션 이후 마스크를 수동으로 다듬어야 할 때도 있어요. ComfyUI Mask Editor 노드를 사용하면 마스크 안을 클릭해 포함하고 싶지 않은 영역을 지울 수 있어요.

특히 마스크 편집에 대해 더 알고 싶다면, 자동 세그멘테이션에 정리가 필요할 경우 ComfyUI 마스크 에디터 마스터리 가이드에서 수동 다듬기 워크플로우를 다뤄요.

전체 워크플로우 다운로드

우리가 사용하는 완전한 워크플로우는 ComfyUI 워크플로우 JSON으로 존재해요. 기본 체인은 이래요:

1. Load Image (당신의 기본 이미지)
2. Grounding DINO + SAM (텍스트 프롬프트 기반 자동 세그먼트)
3. Mask Blur (8에서 15픽셀)
4. Flux Fill 또는 SDXL 인페인트 체크포인트가 있는 KSampler
5. 인페인트 조건 + 긍정 프롬프트
6. Face Detailer 후처리 패스
7. Save Image

JSON 파일은 ComfyUI 설치 환경 간에 이식 가능해요. 어떤 ComfyUI 인스턴스에든 끌어다 놓으면 워크플로우가 로드돼요. 필요한 커스텀 노드는 워크플로우 상단에 나열되어 있어 ComfyUI Manager가 누락된 의존성을 설치할 수 있어요.

이 워크플로우를 로컬에서 실행하고 싶지 않은 사용자를 위해, 호스팅 서비스가 동일한 파이프라인을 처리해요. Lewdly.ai는 백엔드에서 바로 이 워크플로우 패턴을 실행해요. 이 플랫폼이 존재하는 이유는 대부분의 사용자가 7개의 커스텀 노드와 12GB 체크포인트 다운로드를 관리하지 않고 의상 편집이나 NSFW 인페인팅을 원하기 때문이에요. ComfyUI의 복잡함을 원하지 않는다면 호스팅 경로가 실제 시간을 절약해줘요. lewdly.ai 인페인팅 플로우는 위에서 다룬 바로 그 SAM과 Grounding DINO 구성 요소를 사용하되, 더 간단한 사용자 인터페이스로 추상화되어 있어요.

대안적인 인페인팅 접근법에 대한 더 깊은 내용은 인페인팅 및 아웃페인팅 고급 기법 가이드에서 아웃페인팅, 해부학 보정, 다중 영역 편집을 포함해 의상 편집을 넘어선 패턴을 다뤄요.

자주 묻는 질문

이 인페인팅 워크플로우에 필요한 VRAM은 얼마인가요?

SDXL 기반 인페인팅에는 최소 12GB, Flux Fill에는 16GB를 권장해요. Q4 Flux Fill은 8GB에서 돌릴 수 있지만 품질이 눈에 띄게 떨어져요. SAM 모델만 해도 약 2.5GB가 필요해요. Grounding DINO에는 약 700MB가 필요하고요.

Pony Diffusion으로 이 워크플로우를 사용할 수 있나요?

네. Pony V6 XL을 SDXL 인페인트 체크포인트로 사용하세요. 워크플로우 구조는 동일하며 체크포인트 로더만 Pony로 바꾸면 돼요. Pony는 기본 생성과 마찬가지로 인페인트 프롬프트에 score 태그가 필요하다는 점에 유의하세요.

Grounding DINO가 일부 객체를 놓치는 이유는 무엇인가요?

임계값 설정이에요. 기본값은 0.3이에요. 더 공격적인 감지를 위해 0.2에서 0.25로 낮추세요. Grounding DINO 모델은 흔한 객체로 학습되어 있어서 특이하거나 양식화된 항목은 기본 임계값에서 감지되지 않을 때가 있어요.

NSFW에는 Flux Fill을 써야 하나요, SDXL 인페인트를 써야 하나요?

라이선스에 따라 달라요. Flux Fill은 품질이 더 높지만 연구 라이선스로 제한돼요. NSFW 지원 베이스(Lustify, Juggernaut, Pony)가 있는 SDXL 인페인트는 상업적 사용이 무제한이에요. 대부분의 사용자에게는 SDXL 인페인트가 실용적인 선택이에요.

인페인트된 영역과 원본 영역 사이의 이음매는 어떻게 고치나요?

마스크 블러를 12에서 15픽셀로 늘리세요. 이음매가 여전히 보이면 경계 영역 위로 낮은 디노이즈(0.3에서 0.4)로 두 번째 패스를 돌리세요. 부드러운 패스는 편집물을 크게 바꾸지 않으면서 편집된 픽셀과 편집되지 않은 픽셀을 어우러지게 해요.

SAM과 SAM2의 차이는 무엇인가요?

SAM은 Meta의 원본 Segment Anything Model이에요. SAM2는 더 나은 세그멘테이션 품질과 더 빠른 추론을 갖춘 업데이트 버전이에요. 2026년 ComfyUI 인페인팅 워크플로우에서는 일반적으로 SAM2가 선호되지만, SAM2가 설치되어 있지 않으면 SAM도 여전히 작동해요. 우리의 최고의 비디오 세그멘테이션 도구 SAM2 가이드에서 SAM2를 자세히 다뤄요.

이 워크플로우로 여러 이미지를 일괄 처리할 수 있나요?

네. ComfyUI는 워크플로우 수정을 통해 일괄 처리를 지원해요. Load Image를 Load Images from Directory로 교체하면 워크플로우가 폴더 안의 모든 이미지를 처리해요. 각 이미지는 동일한 Grounding DINO 프롬프트와 인페인트 설정을 받아요.

비디오 프레임에서도 작동하나요?

어느 정도는요. 워크플로우는 개별 프레임을 잘 처리하지만, 프레임 간 시간적 일관성을 유지하려면 AnimateDiff나 비디오 전용 인페인팅 워크플로우 같은 추가 노드가 필요해요. 시간적 연속성 없이 프레임별 편집을 하는 경우, 이 워크플로우는 추출된 프레임에서 그대로 작동해요.