前言
本篇來講各種不同的局部重繪（Inpaint）設定適合用在哪些情況。
目前局部重繪提供四種不同的填充內容（Masked content）：fill，original，latent noise，latent nothing，這四種方法填充的東西都不一樣，綜觀來說，在實際重繪時，他們各有不同的適用情況，下面是根據我本人的經驗歸納的用法：
- fill：大規模置換
- original：根據原圖做修正
- latent noise：完全重繪
- latent nothing：移除物品
Masked content：fill
fill選項會將重繪區域的圖最大模糊化，只保留大致的結構跟色彩，所以在大規模置換物品時會用到（但其實，大部分情況用original就綽綽有餘，只有在一些區域巨大的地方會比較有用。）例如下面這個情況：角色正在走上樓梯，但由於角色佔比非常巨大，所以被切割成左右兩邊的樓梯變成了兩個毫無關聯的樓梯，不只是明暗面不同，連級數都不一樣：
fill範例，置換樓梯
這時候就要把左右兩邊的樓梯都選起來，然後用fill配上whole picture以及大約0.5的Denoising strength來修復，配上合適的提示詞，就有很大的機率在十張圖的範圍內算出被修復的樓梯。
fill範例設定
這種方法通常適用於各種同一結構體不對齊，或者被切割之後變成兩個不同物件的修復。
Masked content：original
original選項應該是最常用的，該選項完全不變動被選取的內容，只靠Denoising strength增加的噪點來修改圖像，所以在低Denosing strength時就可以得到很類似原圖的結構、色彩與風格。我在另一篇文章中大量運用了oirginal選項來改動畫作，可以當作參考：
在本篇文章，我以改動角色的服裝為例，因為我想要將角色的裙子改顏色風格，但是不希望改變它的外型，所以可以將它的臀部以下的部分全部圈選起來，然後改變提示詞為（long blue dress with starry decoration and gem），配合ControlNet的Reference_only對標原始參考圖，加上大量的抽圖做出自己喜歡的裙子款式。
因為我沒有使用其他的ControlNet功能來固定角色的姿勢或邊緣線條，所以臀部與腳的姿勢也會一起變動。
original範例，置換裙子
在設定這邊，除了選取original之外，Inpaint area選擇Whole picture可以保證它整張圖光影與色調一致。同時使用Denosing strength在0.65，是能改變最多內容但勉強能保持結構不變的極限值。大約在抽了15張圖後找到自己喜歡的成果。
original範例設定
另外，在人體結構很清晰的情況下，還可以靠著ControlNet做出更強力但不影響人體結構的改動，詳情請參考：
Masked content：latent noise
latent noise會在改動的範圍內依照seed的值撒上高斯分佈噪點，將選取範圍完全破壞掉，等於是重算被選取範圍，因此會有很大機率算出與周圍圖形完全無關的新東西，適合在重創意的情況下使用。下面的範例將左方圈選起來，然後使用提示詞（entry of a ball room）來重算該區域。
latent noise範例，由牆變門
設定上除了使用latent noise之外，Denoising strength通常要開到0.6以上，用比較強的力道來去噪，並且配上很高的Sampling steps（通常要超過30步），否則通常會得到很奇怪的圖形。
latent noise範例設定
Masked content：latent nothing
latent nothing是個很好玩的功能，就字面上的意思它是指將選取區的latent空間（一種原圖的高度空間縮小版）填上0。但是在實務上，它其實會計算被選取區域周圍的圖象，然後計算一個平均的顏色填充在裡面，很適合移除不要的物件。
下面這個範例，角色臀部上的金色刺繡條紋是我不需要的，所以選取了整個金色刺繡之後，確認選取範圍已經完整涵蓋所有金色像素之後，就可使用latent nothing來改圖了：
latent nothing範例，金邊變不見
除了latent nothing之外，提示詞保持不變（long blue dress with starry decoration and gem），並且用Denosing strength在0.65的高強度上計算，這次只需要算個5張圖就能得到很不錯的移除效果。
latent nothing範例設定
結語
Inpaint這個功能是一個非常重要的基本功能，配合上ControlNet，就能實現很多不可思議的修圖功能。甚至可以這樣說，只有用順了Inpaint以及ControlNet，才能擺脫AI算圖的不可預測性，駕馭AI服從於我們人類的創造力。
參考連結
https://onceuponanalgorithm.org/guide-stable-diffusion-inpaint-masked-content-options-explained/
