今天给大家演示一个基于Flux Kontext的 ComfyUI 图像修复与重绘工作流。这个流程以「被遮挡 / 被打码图像的理解与还原」为核心目标，通过引入参考图像、上下文条件约束以及 Flux 系列模型的引导能力，实现对马赛克、模糊、遮挡区域的智能重建。结合效果展示图可以看到，工作流不仅能够识别图像中被刻意隐藏的信息区域，还能在整体风格、光影和细节一致性的前提下完成自然过渡的还原输出，非常适合用于高质量修复、对比展示和研究型创作场景。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Text Multiline 遮挡识别与还原语义指令构建CLIPTextEncode 文本语义编码与生成约束使用方法应用场景开发与应用工作流介绍该工作流围绕「参考图像 + 文本语义 + Flux Kontext 条件引导」展开设计，整体结构清晰，逻辑层级分明。从输入阶段的原始图像加载开始，通过图像拼接与尺度对齐，构建出用于上下文理解的参考画面，再结合文本中对“遮挡类型与还原目标”的明确描述，使模型在采样阶段具备足够的语义指向性。核心生成过程依托 Flux UNet 与双编码器文本系统完成语义融合，同时通过独立的负向条件与 Guidance 控制，抑制无关内容干扰，最终输出单图结果与前后对比图，便于直观评估修复效果。整个流程强调可控性与结果可读性，非常适合用于系统化的遮挡还原演示与教学讲解。核心模型本工作流在模型层面的设计重点，是为“遮挡理解 + 语义还原”这一目标提供足够强的上下文建模能力与文本对齐精度。核心生成模型选用 Flux Kontext 系列 UNet，其优势在于对参考图像结构和语义关系的敏感度较高，能够在重绘过程中更好地遵循原始画面的构图与空间逻辑。在文本侧，工作流同时加载 CLIP-L 与 T5-XXL 双编码器，一方面保证对自然语言描述的细节理解，另一方面提升对复杂修复指令的抽象泛化能力。VAE 则负责在像素空间与潜空间之间稳定转换，确保输入图像在进入采样流程前不会引入额外失真。整体模型组合更偏向“理解驱动型生成”，而非单纯的随机重绘，这也是该工作流在还原一致性上表现突出的关键原因。