ComfyUI 里的 Differential Diffusion（差异扩散）是干什么的？

1、介绍

Differential Diffusion（差异扩散）是 Stable Diffusion 社区提出的一种特殊推理方法，目标是：

• 让生成结果尽可能接近原图，但只改变你想要修改的部分，并保持其他部分几乎不变。
• 简单来说，它是一种“更聪明的 inpainting / 图像微调”方式。

2、该节点思想

普通的 img2img / inpaint 有两个问题：

1. 噪声引入过多 → 即使只想改局部，其他地方也会被重绘，结果整体变动很大。
2. 细节丢失 → 细节和风格可能偏离原始图像。

差异扩散 的思路是：

• 对原图做一次扩散过程，得到“原图的噪声轨迹”。
• 对目标生成也做扩散，但在每一步把生成结果和原图的噪声轨迹做差异约束，保证尽量不改动没必要修改的区域。

3、在 ComfyUI 的应用

在 ComfyUI 里，Differential Diffusion 节点通常用于：

• 局部精修：比如只调整角色表情、衣服、光照，而背景完全不动。
• 迭代优化：可以多次微调图像，而不会越改越崩。
• 风格统一：生成多张图片时，保持角色一致、场景一致。

它比普通 inpainting 更适合 精细调整，特别是在你想保留大部分原始图像时。

4、使用场景

• 人脸修复：只微调五官，不影响背景。
• 插画改色：只改衣服颜色，保持线条一致。
• 大图拼接：只补缝隙部分，保证拼接无痕。
• 动画帧一致性：保持角色形象稳定，只做细微变化。

5、普通扩散与差异扩散流程对比

普通扩散：

1.加噪声：把原图加上随机噪声

2.去噪循环：一步步预测噪声 → 得到干净图像

3.最终输出：解码成图片

这种方式，每一步只要跑一次 UNet 推理。

差异扩散：

差异扩散在上面的基础上，加了这些额外操作：

1.预先对原图做一次扩散 → 得到原图的噪声轨迹（也就是“原图在每一步该长什么样”）

2.在每一步去噪时：

• 不只预测当前噪声
• 还要和原图的噪声轨迹做对比
• 再按权重合并两者，让生成结果“靠近原图”

也就是说，每一步都要多做一次对比和插值运算，有时甚至要多跑一遍 UNet 来获取参考噪声。

注意：

1.显存占用更高：因为要同时计算原图和新图的噪声轨迹。

2.生成速度更慢：多了一步差异计算。

3.参数敏感：差异权重太高，几乎没变化；太低，效果和普通 img2img 差不多。