Qwen-Image 2.1 换装 LoRA：ComfyUI 在原图画面内完成服装替换

上排：换装结果，使用相同的请求和种子。下排：以黄色标出的重绘像素。不使用 LoRA 时，面部、窗口和墙壁都会亮起；使用它时，只有外套不同。无论是这个人还是这件外套，都不在训练集中。

原生 Qwen-Image 2.1 存在的问题

每一次 Qwen-Image 2.1 编辑都是一次全新的生成，因此换装时被重新构图的不只是衣服。作者用原生 Qwen-Image 2.1 跑了 47 次换装，并逐张肉眼标注：其中 24 次可用，另外 23 次则存在各种问题。通常问题并不出在服装本身：

• 相机后拉，以便把整套服装收进画面，
• 原本没有腿的画面里却被硬塞进一条裤子，
• 身体或姿势被重绘，以承载新衣服，
• 或者整体只是偏移了几个像素。

以人物照片为基准测量，原生结果在最差的角落约偏离 3.4 px。这个偏差很小，但意味着结果无法再叠回原始图像：人脸被重绘得略微柔和，背景也被重新绘制，哪怕并没有提出任何修改要求。用 ControlNet 锁住姿势能保持场景原位，但大约每五次换装就有一次没能把衣服穿上，因此该方案被放弃。

这 47 次换装中的四次，使用相同的工作流与种子，分别在不使用和使用 LoRA 的情况下进行。它们都不在训练集中。

实测保持

十六个 LoRA 从未训练过的换装，全部以约 2 MP 通过同一个工作流运行，使用相同的种子、25 步、CFG 1、euler / simple、adapter 为 1.0。“偏移”指结果图最差的角落距离人物原图有多远。人脸和背景的数值是在将结果图与人物原图对齐之后测得的，因此它们衡量的是重绘程度，而不是偏移：

强度很重要：500 步在 0.5 强度下偏移 1.8 像素，而在 1.0 强度下为 0.1 像素，因此强度减半会带回大约一半的偏移。从 500 步起，各个步数在数值上都同样保持住画面。它们之间的差别在于新服装未覆盖的衣物会变成什么样。

作为引用，上面那四组普通对比在没有 LoRA 时偏移分别为 4.8、7.1、5.2 和 7.2 像素，加上 LoRA 后则分别为 0.1、0.0、0.0 和 0.1 像素。

旧衣服会怎样处理

未加 LoRA 的原版 Qwen-Image 2.1 往往会保留新服装未遮盖的部分：比基尼下的靴子，裙子下的破洞牛仔裤。训练步数在很大程度上决定了这些。两次换装，各用三个随机种子，均使用普通提示词：

在请求末尾再加一句话，可以在第 1,000 步进一步引导结果。Replace everything they wear. 在泳装下脱掉了连裤袜（鞋子保留），而 Keep their own shoes and legwear. 保住了普通请求已经移除的靴子。这两句话都没有出现在任何训练标注中，所以这是基础模型在响应，而 LoRA 保持画面其余部分不变。在第 1,250 步和第 1,500 步，同样的句子几乎没有或完全没有产生差别，这也是该版本推荐使用第 1,000 步的另一个原因。随附的工作流默认加入 Replace everything they wear.，位于一个可编辑的盒子中。

应该使用哪个文件

三个 LoRA 均为 rank 32，并采用 ComfyUI 的键名命名方式，因此可以直接加载到 Comfy-Org 的 Qwen-Image 2.1 权重上，无需任何转换。

在 ComfyUI 中运行

该适配器是一个仅模型 LoRA，因此换装本身不需要自定义节点。把请求写成一句话，人物作为图像 1，服装作为图像 2：

Dress the person in image 1 in the <outfit, in a few words> shown in image 2. Keep their face, hair, hands, pose and the background exactly the same.

要把它加入任意一个双图 Qwen-Image 2.1 编辑画面：

1. 将 .safetensors 文件放入 ComfyUI/models/loras/，并在模型加载器之后添加一个 LoraLoaderModelOnly 节点，权重（strength）设为 1.0。
2. 使用 Text Encode Qwen Image 2.1 节点，把人物作为 image_1、服装作为 image_2，resolution 设为 0，请求作为提示词。
3. 在编码器的 latent 输出上用 K采样器 采样，25 步，CFG 1，euler / simple，denoise 1。
4. 用 VAE解码 解码，然后使用 分离图像Alpha，因为 Qwen-Image 2.1 VAE 解码输出 RGBA。

仓库中附带了一个现成的工作流。它使用作者的 ComfyUI-AusBoss 节点（2.5.1 或更新版本）构建，需要 ComfyUI 0.38 或更新版本；卡片中说明，任何等效节点均可。

来自模型卡片：同一组换装在不用与使用该 LoRA 时的并排运行对比。

更多对比

雨中的同一组对比。这个人不在训练集中。

这个人同样不在训练集中。

LoRA 从未针对这个人的换装进行训练，而这件外套也不在训练集中。

训练方式

数据集由真实的 Qwen-Image 2.1 换装结果构建，然后经过校正，让每个训练目标都落在其来源图片的画幅上。原始换装结果并不是理想的目标：它带有偏移、被柔化的面部和被重绘的背景，而在它之上训练的 LoRA 会把这些一并学进去。每个结果都以整像素为单位移回人物图片上（绝不重采样），只有衣服取自换装结果。面部、头发、手和背景重新变回人物图片自身的像素。在 66 个训练目标中，40 个来自开启作者更早的 Consistency LoRA 所做的换装，26 个来自普通换装；22 个需要整像素移动，目标中位数有 27% 的像素取自换装结果。

• 66 个训练对，使用 45 个不同人物和 31 套不同服装（穿着照、平铺图、产品图），其中四对留作测试。
• 训练： 使用 ostris/ai-toolkit，在 Comfy-Org INT8 ConvRot 基础模型上设置 arch: qwen_image_2，每个样本两张引用图（人物和服装），caption 的 dropout 为 0。Rank 32，alpha 32，AdamW8bit，lr 1e-4，batch 1，shift timesteps，共 1,500 步，每 250 步保存一次模型，在一块 RTX PRO 6000 上训练，每步约 4.5 秒。

有一个训练器细节白白浪费了一次训练运行，已记录在仓库的 RESEARCH.md 中。AI-Toolkit 通过缩放和裁剪把训练目标塞进某个尺寸桶，但对引用图片则整张加载并挤压到 32 px 网格上。当图片形状不是桶形状时，两者就不再对齐：在 resolution: 1024 下，1056 x 1888 的图片对会落到 768 x 1344，于是目标损失 2% 的高度，而引用图反而被压缩 2%。第一次运行从 loss 上看训练正常，却产出了一个会把每张图片都拉高 1.6% 的 LoRA。修复出在导出环节而非训练器：把必须对齐的目标和引用图写成同一尺寸，两侧都取 32 的倍数。

在第 250 步时，第一次运行会拉伸图片，所以一切都与原始图片不同。修复后的运行则不会。

限制

模型卡片直言这次发布的适用范围有多窄：

• 它绘制服装的效果并不比原版 Qwen-Image 2.1 更好。纽扣、腰带和图案仍会按原本的方式呈现，而且原版 Qwen 有时反而能复制更多服装内容：在上面第一组对比中，它连裤子也一并替换了，而这个 LoRA 则保留了原来的牛仔裤和腰带。
• 它会保留原本已有的内容，因此也会保留姿势。如果某套服装需要不同的姿势，它不会帮你换姿势。
• 鞋子是最难处理的部分。即便使用 Replace everything they wear.，在三次测试换装中仍有一次没能换掉鞋子。
• 早期检查点（step 250）在其中一次换装中画出了一只手，而原图中并没有这只手。step 500 到 1,500 的检查点在全部十六次中都未出现这种情况，但总共只检查了十六次。
• 训练分辨率约为 1 MP，测试分辨率约为 2 MP，25 steps，CFG 1。
• 搭配 Viggle Turbo LoRA 在 8 steps 下，它依然能保持画面稳定（五次换装中偏差 0.05 到 0.24 px），不过纯色面料可能会显得有点颗粒感。
• 覆盖在衣服之上的物件可能会随旧服装一起消失，也可能别扭地留在新服装上：夹克上的一根耳机线被移除了，而一条钱包背带搭在新夹克上看起来不对劲。

可用性

• LoRA 权重：ausboss/Qwen-Image-2.1-Outfit-Swap-Consistency-LoRA
• 基础模型重新打包版：Comfy-Org/Qwen-Image-2.1
• 作者的节点包：ausboss/ComfyUI-AusBoss