今天给大家演示一个基于 ComfyUI 的智能扩图与局部重绘工作流。该工作流围绕“图像比例重构 + Outpaint 扩展 + Inpaint 精修”这一完整处理链路展开，通过自动图像理解、蒙版智能扩展以及差分扩散采样的配合，实现对原始图片在构图延展、画面补全和细节修复上的高质量增强。整体效果适合用于电商主图延展、横竖版画幅适配以及已有画面的无损扩写，让读者在不破坏原始主体风格的前提下，快速获得更完整、更可控的生成结果。文章目录工作流介绍核心模型Node 节点工作流程大模型应用RH_Captioner 图像语义自动描述生成使用方法应用场景开发与应用工作流介绍该工作流本质上是一个以参考图像为核心约束的扩图与重绘方案。流程从原始图片加载开始，通过比例重设与画布填充明确扩展区域，再结合自动图像描述生成提示词，对扩展区域进行语义引导。随后利用差分扩散与 Inpaint 模型协同工作，仅对蒙版覆盖区域进行采样重绘，从而保证原图内容稳定、扩展区域自然过渡。从整体设计上看，这是一套兼顾自动化与可控性的复合型 ComfyUI 工作流。核心模型工作流在模型选择上采用了“轻量高效 + 语义辅助”的组合策略。UNet 主模型负责图像扩散生成，CLIP 模型不仅用于文本编码，还承担了图像语义理解的任务，为后续扩图提供准确的内容参考，而 VAE 则贯穿编码与解码阶段，确保潜空间与像素空间转换的稳定性。通过这一模型组合，工作流在速度、画面一致性和语义准确度之间取得了较好的平衡。模型名称说明z-image-turbo-fp8-e4m3fn作为主扩散模型，负责扩图与重绘阶段的核心生成计算，偏向高效率与稳定输出qwen_3_4b（qwen_image）用于图像与