面对Z-Image模型局部重绘效果不佳的普遍问题，一种结合LanPaint采样机制的新方案应运而生。它通过特定的采样节点和参数设置，有效弥补了原生功能的缺陷。内容不仅详述了工作流配置，还展示了头发、头部替换等实测案例，并延伸探讨了非人参考在视频模型中的应用效果，为AI绘画爱好者提供了实用的解决思路和新视角。
智能速览
Z-Image原生局部重绘功能存在明显短板。
LanPaint采样节点可有效改善重绘融合效果。
工作流关键在于设置遮罩与调整图像/提示词优先级。
实测展示了替换头发、头部等复杂场景的成功案例。
非人参考在AnimateDiff等视频模型中的姿态迁移效果差异明显。
精华内容
想要实现精准的局部重绘，关键在于理解并运用好工作流中的每一个环节。下面将拆解LanPaint方案的具体配置思路与实测表现。
LanPaint采样机制
Z-Image（Turbo）模型的原生局部重绘功能几乎无法使用，无法感知上下文纹理。为解决此问题，可引入LanPaint采样节点。这是一个无需训练、可直接使用的重绘工具，在采样过程中通过“思考”机制来优化结果。它的价值在于重新启用了早期模型自带的优秀重绘能力，使其能应用于包括Z-Image在内的多种主流模型，为老模型焕发新生提供了可能。
工作流关键配置
该工作流基于标准的潜在空间重绘流程，核心在于LanPaint节点的参数设置。基础配置推荐使用VAE编码图像，在潜在空间设置遮罩，去噪强度设为0.94。LanPaint节点引入了两个关键参数：一是“思考步数”，数值越高，生成时间越长，但可能获得更好的效果；二是“图像/提示词优先级”，图像优先能更好地感知原图上下文，而提示词优先则更侧重于文本指令，适用于任务明确的场景。
多场景实测表现
通过多个案例验证了方案的有效性。在头发替换测试中，效果受遮罩精度影响；在将猪头替换为麒麟头的测试中，虽然麒麟的细节略显模糊，但整体风格统一，任务完成度高；在对宝石进行重绘时，建议使用K sampler节点对图像和遮罩进行尺寸约束，以避免因尺寸过大或比例不当导致的性能问题，确保模型在合适的尺寸范围内进行生成。
非人参考视频迁移
这种工作流的意义不仅在于修复新模型的功能缺陷，更在于能让旧模型实现局部重绘，例如使用特定的人像模型重绘面部。此外，方案思路延伸至视频生成领域，测试了将一个非人（怪兽）形象，以一个小孩奔向镜头的视频为动作参考，输入到不同视频模型中的效果。AnimateDiff能大致保留主体动作，但丢失了背后的蛇等细节；而Y-Animate模型则出现了严重偏差，生成了一个现实中的人物，表明不同模型对非人参考的理解能力差异巨大。
