img2imgの使い方｜Denoising・inpaint【初心者向け】

「stable diffusion img2img」は、すでにある画像を出発点にして、プロンプトの方向へ少しずつ描き直す機能です。txt2img はノイズから始めます。img2img は、元画像の形をどのくらい残すかを Denoising strength で決めます。0 に近いと元のまま、1 に近いと別の絵です。

このページの数字は目安です。モデルの配布ページに推奨値があればそれを優先してください。バージョンによって表示名や仕様が違うことがあります。最新の仕様は公式ドキュメントで確認してください。

最初の一枚は、Denoising strength だけを変えるための基準です。プロンプトを長くする前に、元画像と、0.4 の一枚と、0.6 の一枚を同じシードで残します。三枚の差が、その画像で強さがどのくらい効くかの物差しになります。物差しが無い状態で服の語を五個足すと、強さのせいなのか語のせいなのかが残りません。人物が写る画像では、完成図の人数を adult で書きます。ラフに人数が描いてあっても、プロンプト側の人数を省くと、清書の段階で人数が増減します。背景だけの画像では、人数の行を入れません。入れた行は、空の風景の端に人を足します。

人物を描くときは adult を残します。元画像は、自分で撮影したもの、自分で作ったもの、使用が許されたものだけです。顔を他人と入れ替える使い方は書きません。姿勢を線で固定するなら ControlNetの使い方、服のタグは 服装プロンプト一覧、サンプラーは Stable Diffusionのサンプラー、ライセンスは Stable Diffusionの商用利用 です。

txt2img: プロンプトだけから始める
img2img: 画像 + プロンプト + Denoising strength

WebUI と Forge では、img2img のタブに画像を置き、最終的に欲しい絵をプロンプトに書き、Denoising strength を決めてから生成します。プロンプトは「変えたい部分」だけにしないでください。残したい服や背景も、最終形として書きます。書かないと、元画像の平均に戻ります。

タブの名前は、版によって img2img のままのことも、別の表記のこともあります。生成ボタンの前に、今の欄が txt2img ではなく、画像を受け取る側かを確認します。画像を置いたつもりが、プレビューだけで latent に渡っていないことがあります。渡っていれば、Denoising を 0.2 に下げたときに元画像に近い絵が戻ります。戻らないときは、手順の 1 に戻って、画像の欄が空でないかを見てください。寸法は、元画像の縦横に近い値から始めます。最初から二倍の辺へ広げると、Resize mode の差と Denoising の差が同時に出ます。拡大は、形が三枚安定してから Hires. fix か、inpaint の Only masked に分けます。

Features が Resize mode として説明している名前は三つです。Just resize は、縦横を無視して目標の寸法へ引き伸ばします。Crop and resize は、縦横比を保ったまま目標を埋め、はみ出した部分を切ります。Resize and fill は、縦横比を保ったまま画像全体が収まるようにし、余白を元画像の端で埋めます。潜在空間で拡大する処理は、同じ wiki では Hires. fix のアップスケーラーとして説明されています。img2img の Resize mode に似た名前が出る版もあります。表示名は画面で確認してください。

1. 自分に権利がある画像を置く
2. 最終的な絵をプロンプトに書く
3. Resize mode を、引き伸ばしたくないなら Crop and resize か Resize and fill
4. Denoising strength を目安の範囲から一つ
5. seed を固定して、強さだけを 0.05 ずつ動かす

ステップ数は 20 から 30 を目安にします。CFG は、多くの SDXL 系で 5 から 7、A1111 の初期値として 7 が入っている画面があります。どちらも目安です。

Steps: 28
CFG: 7
Denoising strength: 0.45
Resize mode: Crop and resize

表は目安です。同じ 0.4 でも、モデルと元画像で結果は違います。比較はシードを固定し、この数字だけを動かします。

0.05 刻みで動かすのは、0.4 の前後だけにします。0.2 から 0.8 までを一度に七枚出すと、どの枚が境目だったかが残りません。境目は、服の色は変わったが顔の輪郭は残っている、という一枚です。その数字をメモして、次の日の起点にします。境目より上では、顔を残す目的を諦めて、inpaint に切り替えてください。全体の強さで顔を守ろうとすると、服の色も戻ります。蒸留されたモデルや、ステップ数が極端に少ないモデルでは、同じ 0.4 でも変化が大きく見えることがあります。カードが denoise や strength の推奨を書いているときは、表よりカードを先にします。

0.3 から 0.5 は、軽い変更の起点としてよく使われます。服の色だけを変えるときも、この範囲から始めてください。顔を残したいときは、画像全体の強さを上げず、次の節の inpaint に移ります。

プロンプトは、完成図を書きます。ラフの線を「消して」とは書きません。清書された服装と背景を書きます。画風を変えるときは 画風プロンプト の語を一つだけ足します。

六つの作例は、目的が違います。ラフの清書、写真の塗り、時間帯、服の色、画風、細部です。一つの元画像に六つを連続で掛けないでください。元画像をコピーして、目的ごとにファイルを分けます。分けないと、夕方にした枚の上に画風を掛け、さらに色を変えて、どの段階の強さが残っているのかが消えます。服の色を変える作例は、閉じた服から閉じた服です。布の領域を減らす指示は書きません。写真をアニメ寄りにする作例は、自分の写真か、写っている成人の同意がある写真だけです。他人の顔を別の顔にする手順は、この六つの中にありません。自然文は、画像を一緒に渡せるチャット向けです。渡す画像の権利は、タグの作例と同じです。

ラフから清書

1 adult woman, adult, white blouse, cardigan, long skirt,
standing, full body, clean line, flat color, simple background

ネガティブ:

bad anatomy, bad hands, extra fingers, missing fingers, extra arms, extra legs, fused bodies, blurry, lowres, text, watermark, signature, child, kid, toddler, baby, loli, shota, teen, underage, baby face,
revealing clothes

Denoising の目安は 0.55 から 0.7 です。線を残すなら、この範囲の下側から始めます。

自分の写真を、成人の肖像のアニメ寄りにする

1 adult woman, adult, white blouse, cardigan,
upper body, looking at viewer, anime style, simple background

ネガティブ:

bad anatomy, bad hands, extra fingers, missing fingers, extra arms, extra legs, fused bodies, blurry, lowres, text, watermark, signature, child, kid, toddler, baby, loli, shota, teen, underage, baby face,
revealing clothes

写真は自分のもの、または写っている成人の同意があるものだけです。Denoising の目安は 0.45 から 0.6 です。

昼の背景を夕方にする（人物の服は維持）

1 adult woman, adult, white blouse, long skirt,
standing, full body, city street, sunset, warm light

ネガティブ:

bad anatomy, bad hands, extra fingers, missing fingers, extra arms, extra legs, fused bodies, blurry, lowres, text, watermark, signature, child, kid, toddler, baby, loli, shota, teen, underage, baby face

空だけを変えるなら、空を inpaint した方が服は安定します。全体でやるときの目安は 0.35 から 0.5 です。

服の色だけを変える

1 adult woman, adult, navy blouse, beige cardigan, long skirt, loafers,
full body, standing, simple background, soft daylight

ネガティブ:

bad anatomy, bad hands, extra fingers, missing fingers, extra arms, extra legs, fused bodies, blurry, lowres, text, watermark, signature, child, kid, toddler, baby, loli, shota, teen, underage, baby face,
revealing clothes, extra clothes

着ていた色の語は消します。目安は 0.3 から 0.5 です。閉じた服から、閉じた服へ変えます。

画風だけを変える

1 adult man, adult, oxford shirt, trousers,
upper body, simple background, watercolor

ネガティブ:

bad anatomy, bad hands, extra fingers, missing fingers, extra arms, extra legs, fused bodies, blurry, lowres, text, watermark, signature, child, kid, toddler, baby, loli, shota, teen, underage, baby face

写真と水彩を同時に残すと、半分ずつになります。目安は 0.5 から 0.65 です。

細部を整える

1 adult woman, adult, white blouse, long skirt,
full body, standing, simple background, soft daylight

ネガティブ:

bad anatomy, bad hands, extra fingers, missing fingers, extra arms, extra legs, fused bodies, blurry, lowres, text, watermark, signature, child, kid, toddler, baby, loli, shota, teen, underage, baby face

形を動かしたくないときの目安は 0.15 から 0.3 です。解像度そのものを上げる処理は、Hires. fix の節がサンプラーのページにあります。

自然文で同じ清書を頼むときは、完成図だけを書きます。

Redraw this sketch as a finished illustration of 1 adult woman
in a white blouse, a cardigan, and a long skirt.
Keep the standing pose. Plain background.
Negative: bad anatomy, bad hands, extra fingers, missing fingers, extra arms, extra legs, fused bodies, blurry, lowres, text, watermark, signature, child, kid, toddler, baby, loli, shota, teen, underage, baby face, revealing clothes

inpaint は、マスクした部分だけを描き直します。Features は、img2img のタブでマスクを描く、と説明しています。Inpaint area は二つです。Whole picture は、画像全体を目標の解像度へ合わせてから塗ります。Only masked は、マスクの領域だけを拡大して塗り、元の画像へ貼り戻します。大きい絵の一部だけを直すときは Only masked です。

マスクは、直したい輪郭より一回り内側から描き始めます。外側まで塗ると、隣の服や背景まで書き換わります。一度に顔と手と服をマスクしないでください。三箇所を同じ生成で塗ると、どのマスクが崩したのかが残りません。顔が終わってから手、手が終わってから服の色、とファイルを分けます。色を残したい布は Masked content を original から試し、形ごと替えたい領域は fill を試します。これは初期値の違いであって、最終の絵を保証する設定ではありません。縁のぼかしを上げすぎると、マスクの外の色がにじみます。にじんだら、ぼかしを初期値へ戻してから、マスクの形を描き直します。

Masked content は、塗る前にマスクの下へ何を置くかです。Features の表の列は、fill、original、latent noise、latent nothing です。最終絵そのものではなく、処理の途中の初期値です。元の色を残して服の色だけを動かすなら original から試し、まったく別の形にしたいなら fill や latent noise を試します。どれが正しい初期値、という単一の答えは wiki にはありません。

マスクの縁をぼかす数値がある画面が多いです。項目名は版で違います。最初は画面の初期値のまま、境界が目立つときだけ少し上げます。

Masking mode は、Inpaint masked がマスクの下を塗り、Inpaint not masked がマスクの外を塗ります。直したい側と逆になっていないかを見てください。

Features は、img2img のタブに Color Sketch という塗りの道具がある、とも書いています。版によって Inpaint sketch のような名前のタブがあることがあります。表示名は画面で確認してください。

顔のまわりだけ

1 adult woman, adult, looking at viewer, white blouse,
soft daylight, simple background

ネガティブ:

bad anatomy, bad hands, extra fingers, missing fingers, extra arms, extra legs, fused bodies, blurry, lowres, text, watermark, signature, child, kid, toddler, baby, loli, shota, teen, underage, baby face

顔を残すなら、Denoising の目安は 0.25 から 0.4、Inpaint area は Only masked です。高くすると別人になります。

手だけ

1 adult woman, adult, hands at sides, white blouse, long skirt

ネガティブ:

bad anatomy, bad hands, extra fingers, missing fingers, extra arms, extra legs, fused bodies, blurry, lowres, text, watermark, signature, child, kid, toddler, baby, loli, shota, teen, underage, baby face

手のタグは 手・指のプロンプト一覧 です。マスクは手首までにして、服の領域へ広げすぎないでください。

服の色の領域だけ

1 adult woman, adult, navy blouse, long skirt, simple background

ネガティブ:

bad anatomy, bad hands, extra fingers, missing fingers, extra arms, extra legs, fused bodies, blurry, lowres, text, watermark, signature, child, kid, toddler, baby, loli, shota, teen, underage, baby face,
revealing clothes

マスクは布の上だけです。肌の領域まで塗ると、服の形が変わります。

ComfyUI では、Load Image の画像を VAE Encode に入れ、その LATENT を KSampler の latent_image に繋ぎます。KSampler の denoise を 1.0 未満にすると、元の潜在表現が残ります。1.0 のままだと、txt2img に近い動きになります。ノード名は版で違うことがあります。最新の繋ぎは公式ドキュメントで確認してください。

空の latent を KSampler に残したまま Load Image だけを置いても、画像は使われません。線が latent_image に届いているかを、ノードのプレビューで見てから生成します。VAE は、チェックポイントと同じ系統のものを Encode と Decode の両方に使います。Encode だけ別の VAE にすると、色が戻ったときに別の絵になります。positive と negative の CLIP Text Encode は、WebUI の二つの欄と同じ役割です。片方を空にすると、入れないものの指定が消えます。denoise を動かす日は、sampler と steps と cfg を固定します。四つの欄を同時に動かすと、WebUI で Denoising だけを動かした比較になりません。

Load Image
  -> VAE Encode
    -> KSampler latent_image
KSampler denoise: 0.45
MODEL は Load Checkpoint から
positive / negative は CLIP Text Encode から

1 adult woman, adult, white blouse, long skirt,
full body, simple background, soft daylight

ネガティブ:

bad anatomy, bad hands, extra fingers, missing fingers, extra arms, extra legs, fused bodies, blurry, lowres, text, watermark, signature, child, kid, toddler, baby, loli, shota, teen, underage, baby face

denoise の目安は、WebUI の Denoising strength と同じ考え方です。0.3 から 0.5 を軽い変更の起点にします。

img2img は、元画像の画素をノイズの出発点にします。Denoising を上げると、ポーズも服も一緒に動きます。ControlNet は、線や骨格だけを条件にして、画素そのものは txt2img に近い自由度を残します。ポーズを固定して服を全部変えたいときは ControlNet、色や清書のように画素を残したいときは img2img です。両方を使うときは、img2img の強さと ControlNet の Weight を同じ日に動かさないでください。手順は ControlNetの使い方 です。

選び方は、残したい情報の種類です。色と顔の画素を残すなら img2img。関節の位置だけを残して服を書き換えるなら ControlNet。両方残したいときは、先に ControlNet だけでポーズが三枚安定してから、img2img の denoise を 0.3 付近で一枚だけ足します。最初から両方を 0.8 にすると、線も画素も中途半端に勝ち、顔が平均の位置で止まります。参照画像の権利は、どちらの機能でも同じです。線画を抽出しても、元画像の権利が無ければ公開用には使いません。

残したいのが色と顔: img2img、Denoising 0.3–0.5
残したいのがポーズだけ: ControlNet、プロンプトに最終の服
両方: 片方の数字を固定してから、もう片方を 0.05 だけ動かす

何も変わらないときは、Denoising が低すぎるか、プロンプトが元画像と同じ語だけです。0.05 だけ上げ、変えたい名詞を一つ足します。

崩れた枚を、さらに高い Denoising で「直そう」としないでください。崩れた構図が次の出発点になり、顔の位置が平均から外れます。戻す先は、崩れる前の枚です。その枚の seed と、一つ下の Denoising をメモしてから再生成します。縦横の変形は、強さを上げても直りません。Resize mode を変えて、同じ seed で一枚だけ出します。顔が別人で、服の色は目的どおり、という割れ方は、全体の成功ではありません。服の色が良かった枚を保存し、顔は別の inpaint で 0.3 付近からやり直します。一枚の中で全部を直そうとすると、良かった色まで戻ります。

崩れるときは、強さが高すぎます。0.1 下げて、シードは固定したまま再生成します。顔が別人になるときも、全体の強さを上げず、顔を Only masked で 0.25 から 0.4 に戻します。

縦横が伸びるときは、Just resize のままです。Crop and resize か Resize and fill に変えて、引き伸ばしと切り取りのどちらが許容かを選びます。元画像と目標の縦横比が違うほど、Just resize の変形は目立ちます。

変わらない: Denoising を 0.05 上げる。プロンプトに最終形があるか
崩れる: 0.1 下げる。seed は固定
顔が別人: 全体を下げ、顔だけ inpaint
縦横が違う: Resize mode を Crop and resize か Resize and fill

元画像に権利が無いと、Denoising を下げても、出力に元の表現が残ります。自分で撮影・作成したもの、許可のあるものだけを置いてください。他人の顔を別の顔に置き換える使い方は、このページでは扱いません。公開するときは、モデルのライセンスも Stable Diffusionの商用利用 で確認します。

許可のメモは、画像ファイルの横に残します。誰が撮影したか、人の顔が写っているならその人の同意があるか、生成に使った日、です。メモが無い画像は、Denoising が低くても公開用のフォルダへ移しません。ラフが自分の手描きでも、下絵に他人の作品をトレスしている場合は、その下絵を置いたことと同じです。置き場を分けるのは、手順の一部です。権利の判断そのものは、このページではしません。迷う画像は、生成の前に外してください。

Denoising を 0.2 まで下げた枚は、元画像に近いほど、元の権利が出力に残ります。近いから安全、にはなりません。権利がある画像だけを、低い強さで整える、という向きで使ってください。高い強さで元を消そうとしても、構図や顔の特徴が残ることがあります。消したい相手が他人の作品なら、強さを上げる前に、その画像を欄から外します。外したあとの生成は、txt2img としてプロンプトだけで始める方が、手順が残ります。img2img の欄に空のまま生成しないでください。空だと、直前の画像が残っている版があります。欄が空かを、生成の直前にもう一度見ます。

置いてよい画像
自分が撮影した写真
自分が描いたラフ
書面か画面で許可された素材
置かない画像
他人の作品
許可のない人物写真
既存のキャラクターの絵