Anima RGBA 为 ComfyUI 中的 Anima 带来真正的 Alpha 通道

使用 RGBA VAE 和 LoRA 生成，显示在棋盘格背景上。

Anima 使用 Qwen-Image VAE，它解码为三个通道。因此，当要求模型生成透明背景时，它实际上是把主体画在一个被要求想象为空的背景上，之后再通过一次抠图（matting）处理完成裁剪。RGBA VAE 把这一步移入解码器：最后一层只是用四个通道代替三个通道。

将 3 通道 VAE 变成 4 通道 VAE

这个技巧比听起来要简单。VAE 保持其 16 通道 Latent 为 1/8 分辨率，因此 Anima 的 Latent 空间没有任何变化。编码器接收在白底上合成后的 RGB 再加一个 Alpha 通道；解码器输出直接的、非预乘的 RGB 加 Alpha。

初始化完成其余工作：复制 3 通道权重，新的 Alpha 输入列从零开始，新的 Alpha 输出行从零开始并带 +1 偏置，因此在任何训练之前，模型都能复现原始 VAE，把一切内容都解码为不透明。随后训练会在相同的白色合成下，把新编码器拉向冻结的原始编码器的 Latent，这使 Latent 空间保持在 Anima 已经工作的位置，并让 LoRA 只需学习一个很小的 Alpha 残差。

在白底上合成是有意为之的选择：当 Alpha 为零时 RGB 是无定义的，而 Anima 在透明背景提示词下本来就会绘制白色合成结果，因此 RGBA 的 Latent 与基础模型产生的 Latent 保持接近。实测漂移为 0.058 的 RMS 距离（以 Latent 标准差为单位），约一个 sigma 的 6%，而这正是 LoRA 所弥合的差距。

数据表现

该 VAE 在 512 px 裁剪图上以批处理 4 训练了 12,000 步，损失包含随机纯色背景上的 L1 合成损失、权重 0.2 的 LPIPS、Alpha L1、一个 Alpha Sobel 梯度项，以及针对原始编码器的参考 Latent MSE；每批中 15% 为不透明图像，用作正则化。在包含 200 张透明图像和 50 张不透明图像的 512 px 留出集上（均未参与训练）：

不透明重建比原始略好，而不是略差，这是有用的结果：替换 VAE 在普通图像上没有任何代价。

上排：棋盘格上的 RGBA 输出。下排：单独的 Alpha 通道。

为什么仍然需要 LoRA

没有它，VAE 仍会生成 Alpha 通道，但很朦胧：人物和白色衣物会部分透明，因为基础模型的 Latent 与新解码器的期望只是大致匹配。该 LoRA 以 rank 32、25,000 步在这款 VAE 产生的 Latent 上训练，使用 18,426 张图像，Qwen3 文本编码器和 LLM 适配器保持冻结。透明图像使用两种交替的触发短语标注：transparent background 和 isolated on a transparent background，而不透明正则化图像不带触发词。

模型卡片的测试表（8 个提示词 × 2 个种子，1024 x 1024）展示了调节这些参数后的效果：

每种设置都能产生透明结果，因此真正重要的数字是多余半透明像素的占比：无 LoRA 时为 12.8%，默认设置下为 0.9%。把 LoRA 推到 1.5 没有帮助，还会在主体周围添加半透明碎屑和烟雾；而提高触发词权重则让图像和 Alpha 几乎不变。这与通常的直觉相反，卡片也直接写明：提高触发词权重，而不是 LoRA 强度。

LoRA 1.0、30 步、CFG 4.5、er_sde 配 simple 生成的全身角色。

不足之处

该 VAE 在 512 px 裁剪图上训练，但可在更高分辨率下解码，而发丝、玻璃、烟雾等细微半透明细节是它最薄弱的地方。生成的 Alpha 大多是二值的，因此透视衣物通常会被输出为不透明。填满画面的特写有时会保留不透明的白色背景，叠加其他 LoRA 时更为常见。它是为动漫和插画内容而构建的，这也正是 Anima 所擅长的内容。

同一套方案用在不同主体上，帽子和法杖处的 Alpha 得到保留。