当前AI局部重绘普遍存在效率与质量难以兼得的痛点，尤其在修复手部等细节时，高速裁剪易导致逻辑错误。本文介绍一种使用Flux Fill的进阶技巧，通过增设“上下文遮罩”，在不牺牲处理速度的前提下，为模型提供精准的参考信息，彻底解决类似左右手混淆的问题。
智能速览
FluxFill局部重绘效率比Edit模型更高。
通过裁剪节点可将处理速度提升20倍以上。
传统裁剪方式易出现左右手分不清的逻辑错误。
新增上下文遮罩功能，为模型提供精准参考。
使用SAM3模型可实现全自动无脑修手工作流。
字节跳点的onereward版FluxFill效果更优。
精华内容
在追求极致效率的AI绘画中，局部重绘的质量与速度往往难以兼得。一个精妙的技巧，如何让二者兼得？下面的内容将揭晓答案。
效率与质量的矛盾
在常规的AI局部重绘工作流中，效率与质量是一对核心矛盾。以一张1.4Kx1.9K的图片为例，使用FluxFill进行全程处理，在5060Ti显卡上耗时约70秒。为提升速度，通常会采用裁剪节点，仅将遮罩区域送入采样器，时间可缩短至3秒左右，速度提升超过20倍。
然而，这种裁剪方式带来了新的问题。由于采样器只能看到被裁剪出的小块区域，缺乏对整体画面的理解，容易产生逻辑错误。例如，在修复一只左手时，模型因无法获得足够的环境信息，可能会随机将其重绘成一只右手，导致结果错误。
上下文遮罩的妙用
为了解决这一难题，可以采用一个巧妙的“上下文遮罩”技巧。该技巧的核心在于，除了需要重绘的区域（如手部）遮罩外，额外再创建一个包含关键参考信息（如人物头部和躯干）的上下文遮罩。
这个上下文遮罩并非重绘区域，而是作为裁剪采样的“指示器”。它告诉裁剪节点应该从原图中提取多大的范围送给模型分析。这样，模型在进行手部重绘时，既能享受到小范围裁剪带来的高效率，又能通过上下文信息准确判断出这是左手还是右手，从而在保证速度的同时，确保了结果的准确性。
从手动到全自动工作流
这一技巧不仅限于手动修手，还可扩展到更多场景。例如，当画面中有多只相似的鞋子，需要将其中一只修改得与另一只一样时，就可以通过上下文遮罩，仅将需要参考和修改的两只鞋子区域送入模型，排除其他干扰因素。
基于此，一个全自动的“无脑修手”工作流也应运而生。通过两个SAM3模型，一个识别“手”并生成重绘遮罩，另一个识别“手、胳膊、躯干”生成上下文遮罩。两者结合，即可实现全自动化、高效率、高精度的手部修复。
FluxFill的独特价值
在模型选择上，字节跳动的onereward版FluxFill配合15步采样的效果，被验证优于原版FluxFill。尽管当前Edit模型层出不穷，但FluxFill凭借其出色的局部重绘能力和对高分辨率的友好支持，在本地AI绘画环境中仍具有不可替代的地位，堪称当前Flux模型生态中的“遗珠”。对于二次元AI绘画用户，配置一套基于FluxFill的局部修复环境，是对现有光辉系、Pony系模型的重要补充。
上下文遮罩的技巧，巧妙地平衡了AI局部重绘中的效率与精度问题。它不仅解决了修手等具体场景的痛点，更提供了一种可复用的思维模型，通过精准引导模型的参考范围来提升生成质量。或许，未来我们能否看到更多模型原生支持这类精准的上下文控制？
关键评论
这个上下文遮罩的讲解很有价值，解决了裁剪时自动扩展画板的痛点，但原版FluxFill对提示词的遵循度似乎不如二次元特化模型，想了解up推荐的字节版在此方面是否有提升。
Flux模型对内存的要求确实很高，32GB内存也容易爆，希望能有更轻量化或优化更好的解决方案出现。
