什么是 Qwen-Image-2.1？

Qwen-Image-2.1 是一个将图像生成和图像编辑整合到同一模型中的 open weight 图像生成模型。

闭源的 Qwen-Image 2.0 已经先行发布，而在 open weight 的 Qwen-Image 系列中，它是 Qwen-Image-2512 和 Qwen-Image-Edit-2511 的后继模型。

以往的 Qwen-Image 会将生成与编辑分成不同模型。2.x 则与 MiniMax H3 类似，将文本和参考图像一并送入同一个 DiT，因此图像生成、编辑和 Ref2Image 都可以使用同一个模型完成。

它还原生支持 RGBA，也就是可以生成透明图像。

图像生成部分只有 7B，却可以同时处理生成、编辑、参考和透明图像，确实是一个相当灵活的模型。

在 Runpod 上打开本文的工作流推荐 : RTX 4090RTX 5090查看使用说明

推荐设置

  • 分辨率
    • 推荐 2K（约 4 MP）
      • 1:1 时为 2048 × 2048 px
    • 宽度和高度使用 32 的倍数

模型的下载

📂ComfyUI/
└── 📂models/
    ├── 📂diffusion_models/
    │   ├── qwen_image_2.1_int8_convrot.safetensors
    │   └── qwen_image_2.1_turbo_int8_convrot.safetensors
    ├── 📂loras/
    │   └── qwen_image_2.1_turbo_lora_avg_rank_178_bf16.safetensors
    ├── 📂text_encoders/
    │   └── qwen3vl_8b_int8_convrot.safetensors
    └── 📂vae/
        └── qwen_image_2.1_vae_bf16.safetensors

text2image

qwen_image_2_1_text2image.json
  • CFG: 1.0
    • 官方工作流没有使用 CFG，不过稍微提高一点并尝试 Negative Prompt，或许也值得一试

Seed 带来的差异非常大，可以说有好有坏。改变分辨率也会让图像产生明显变化，请尝试不同的分辨率和 Seed。

Turbo

Qwen 官方还发布了只需 8 步即可生成的 Turbo 版。

虽然也有 Turbo 专用模型，不过 LoRA 需要额外下载的量更少，所以这里使用 LoRA。

qwen_image_2_1_turbo_text2image.json

  • Load LoRA

    • 以 strength 1.0 应用 qwen_image_2.1_turbo_lora_avg_rank_178_bf16.safetensors

    如果使用 Turbo 模型（qwen_image_2.1_turbo_int8_convrot.safetensors），就不需要 LoRA，请删除 Load LoRA。

  • SamplerCustomAdvanced + ManualSigmas

    • 使用 Euler / Simple 无法很好地生成，因此使用官方推荐的 sigma
    • 1.0, 0.978453, 0.95418, 0.926626, 0.89508, 0.845148, 0.704534, 0.414568, 0.0
Outputs
标准
标准
Turbo
Turbo

本页其他 workflow 也都在各自正下方放了 Turbo 版。

Ref2Image

组合多张参考图像，生成一张新图像。

qwen_image_2_1_ref2image.json
qwen_image_2_1_turbo_ref2image.json
  • 最多可以输入 10 张参考图像
  • 在提示词中用“<image1> 中的女性坐在 <image2> 中的地点”这种方式，指定要使用的图像
Deep diveRef2Image

Text Encode Qwen Image 2.1

在这里输入参考图像和提示词。

  • resolution
    • 参考图像会保持宽高比，缩放到约 1 MP 后再传给模型
  • latent 输出
    • 这个 latent 是按照第 1 张图像尺寸创建的空 latent，但尺寸会在内部取整。我的工作流希望输出与输入图像的尺寸完全一致，因此没有使用它
Outputs

图像编辑

工作流与 Ref2Image 几乎相同，区别只是生成图像的尺寸会与第 1 张图像保持一致。

既然是编辑，如果返回的图像尺寸发生变化就会很麻烦。因此，这个工作流使用 Get Image Size 读取第 1 张图像的尺寸，再传给 Empty Latent Image。

第 2 张及之后的图像与 Ref2Image 相同，可以作为参考图像使用。

基本图像编辑

qwen_image_2_1_image_edit.json
qwen_image_2_1_turbo_image_edit.json

和以往的图像编辑一样，只要直接输入“删除男性”“把衣服变成红色”“改成水彩画”等指示即可。

Deep dive基本图像编辑

Text Encode Qwen Image 2.1

  • resolution
    • 与 Ref2Image 不同，这里设置为 0。图像不会缩放，只会将尺寸取整为 32 的倍数（因为事先已经调整过尺寸，实际不会发生变化）
    • 最好还是让模型看到的图像尺寸与输出尺寸保持一致
Outputs
input
input
output
output

用彩色圆圈指定位置

用彩色笔圈出想要编辑的位置。

qwen_image_2_1_image_edit_local.json
qwen_image_2_1_turbo_image_edit_local.json

直接在图像上圈出要编辑的对象。

  • 也可以使用 Load Image 节点附带的 Mask Editor

然后输入“删除红圈里的手表”这样的指示即可。

还可以使用多种颜色分别给出不同的指示，遇到难以用语言准确说明位置的情况时很方便。

Outputs
input
input
output
output

用蒙版指定位置

qwen_image_2_1_image_edit_local_mask.json
qwen_image_2_1_turbo_image_edit_local_mask.json

思路与彩色圆圈相同，不过这里会将表示位置的黑白图像，与原图分开 输入。

优点是不需要直接在原图上涂画，不会弄脏原图。

Deep dive用蒙版指定位置

将蒙版转换为图像

使用 Convert Mask to Image 将 Load Image 的 MASK 输出转换为黑白图像，再输入到 image_2。

实际上，模型接收到的只是一张普通的黑白图像。也可以不从蒙版转换，直接准备一张在黑色背景上用白色涂出范围的图像。

这与通常所说的 inpainting 完全不同。
inpainting 有防止蒙版外区域被编辑的机制，而这里的图像只是用来提示位置。
因此，编辑也可能超出指定范围。

Outputs
input
input
mask
mask
output
output

Outpainting

这与添加 Padding 后再进行 inpainting 的普通 Outpainting 完全不同。

qwen_image_2_1_outpainting.json
qwen_image_2_1_turbo_outpainting.json

将横向图像作为参考图像输入，却把生成尺寸设成纵向，会怎么样呢？

Qwen-Image-2.1 会生成一张补全上下空间的新图像。

它不是只绘制空白部分，而是重新绘制整张图像，因此原图部分也会发生一些变化。

这并不是严格固定原图的方法，不过确实非常简单。

Outputs
input
input
output
output

根据引导图像生成

虽然它本身并不是 ControlNet，但可以把姿势图、深度图等作为图像编辑的参考，让模型根据这些图像进行生成。

模型下载

📂ComfyUI/
└── 📂models/
    └── 📂checkpoints/
        └── sdpose_wholebody_fp16.safetensors
qwen_image_2_1_image_edit_sdpose.json
qwen_image_2_1_turbo_image_edit_sdpose.json

再输入一张参考图像，让其中的人物摆出指定姿势。

可能会觉得，真的有必要特意把姿势转换成火柴人吗？不过，即使只想让模型参考姿势，它有时也会把服装、背景等无关信息一并带进去。

与其说是因为 ControlNet 才使用 Pose，不如说重点在于从参考图像中剔除多余信息，只提取姿势或形状交给模型。

Outputs
reference
reference
pose
pose
output
output

Upscale

既然能生成到 4 MP，不妨让它把画质较差的图像处理得更清晰。

qwen_image_2_1_image_edit_upscale.json
qwen_image_2_1_turbo_image_edit_upscale.json

先将图像放大到 4 MP，作为参考图像输入，再让模型以此为基础进行细化。

这个模型保持参考图像的能力很强，因此 Upscale 可能也是它非常擅长的任务之一。

另一方面，如果想像通常所说的增强处理那样进行较大幅度的重绘，可能还需要一些调整。

Outputs
input
input
output
output

透明图像

Qwen-Image-2.1 只需稍微修改提示词，就可以生成透明图像。

不需要添加特殊节点，从一开始就能输出带有 Alpha Channel 的 RGBA 图像。

生成透明图像

qwen_image_2_1_text2image_rgba.json
qwen_image_2_1_turbo_text2image_rgba.json

按下面的格式编写提示词。

This is an RGBA image with transparency. <在这里填写要生成的内容>. The image has alpha channel and the background is transparent.

前后是固定句式，直接复制，只替换中间部分即可。

为了保留透明信息，请将输出保存为 PNG。保存为 JPEG 会丢失 Alpha Channel。

Outputs

抠图

将透明图像生成与图像编辑组合起来……没错，也可以用来抠图。

qwen_image_2_1_subject_extraction.json
qwen_image_2_1_turbo_subject_extraction.json

使用刚才的格式，并用 Extract 〇〇 指定要提取的内容即可。

Outputs
input
input
output
output

应用

全景图生成

输入一张喜欢的参考图，并要求以 2:1 分辨率生成 ERP，仅此而已，就能得到一张 360 度全景图。简单得有点过分……

自定义节点

  • nomadoor/ComfyUI-Panorama-Stickers
    • 顺便宣传一下，这是我制作的节点，可以预览全景图，也可以在全景空间中拍摄。如果感兴趣，可以试试看。
qwen_image_2_1_panorama.json
qwen_image_2_1_turbo_panorama.json

这个工作流会参考原图，生成一张横向的 2:1 图像。

它并不是严格地对左右两侧进行 Outpainting，而是重新绘制整个 ERP，使内容自然地落在全景空间中。

图层分解

在上面的抠图中，可以从图像里单独提取任意内容，得到透明图像。

那么，把抠出的物体从图像中移除，再继续抠出下一个位于前方的内容。重复这个过程，就能把一张图像从前到后分成多个图层。

qwen_image_2_1_layer_decomposition.json
qwen_image_2_1_turbo_layer_decomposition.json

这里使用循环处理，重复以下步骤：

  1. 让 MLLM 选择看起来位于最前方的内容
  2. 只把选中的内容提取为透明图像
  3. 反过来，从当前图像中移除选中的内容
  4. 把移除后的图像传给下一次 iteration
Deep dive图层分解

设置图层数量

首先输入图像，以及想要分成的图层数量。

设为 5 时，会从前到后依次抠出 4 个图层，再加上最后剩下的背景，共 5 个图层。

决定下一步抠出什么

让 Generate Text 查看当前图像，并用一段简短文本回答下一步要抠出的内容。

剩余图层数量不同，适合作为一个图层提取的范围也会变化。因此，提示词中还会加入 图层数 - iteration_index，告诉 MLLM 接下来还要分成多少层。

返回的物体名称会通过 Format Text 整理成给 Qwen-Image-2.1 的指令。

将 RGBA 图像传给 Generate Text 节点会报错，因此先用 Split Image with Alpha 去掉 Alpha 信息。

抠出最前方的物体

只将 MLLM 选中的物体提取为透明图像。

这里做的事情与上面的抠图相同。

这张图像会作为一个图层传给 End Loop。

移除最前方的物体

图层分解不只需要抠出的物体，还需要一张移除该物体后的图像。

直接输入原图和抠图，再要求“把这个去掉”没有取得理想效果。因此，这里把抠出的区域涂成绿色，并要求模型自然地填补绿色部分。

移除物体后的图像，会成为下一次抠图使用的原图。

最后直接输出背景

重复这个过程后，最后只会剩下背景。

不需要再从背景中抠出或移除任何内容。

因此，使用 is_last 和 If/Else Switch，让最后一次 iteration 绕过抠图和移除，直接输出当前图像。

你可能会想，为什么不固定 seed，反而特意使用 iteration_index。
不知道这是 bug 还是预期行为，但用相同的 seed 再次编辑一张已经编辑过的图像时，输出会出现严重劣化。
只要 seed 发生变化就没有问题，所以作为临时处理，这里直接输入每次循环都会变化的 iteration_index。

Outputs
input
input
output 1
output 1
output 2
output 2
output 3
output 3
output 4
output 4
output 5
output 5