前置知识点（建议先学）
学习状态：
一句话定义
Inpainting 在掩码指定区域内重新生成内容、区域外保持原样；outpainting 是把画布向外扩、用同样的机制补全新增区域，两者共享「掩码约束下的条件去噪」这一原理。
为什么重要
它是修手指、换背景、扩画布等高频操作的机制层答案，也集中体现了扩散模型「局部性不好管」的特有难题——为什么会出现接缝、为什么掩码一大就变成整图重画、专用 inpainting 模型与「普通模型+掩码」差在哪。这些问题的答案全在「潜码混合」这个工程细节里。
前置知识
kp-012（img2img 的加噪-去噪框架）；kp-003（潜码与像素的对应）。
核心概念
- 掩码（mask）：标记重绘区域的二值图，工具中可羽化（边缘渐变）。
- 潜码混合（latent blending）：每步去噪后，把掩码外区域强制替换回「参考图加噪后的对应值」。
- 专用 inpainting 通道：部分模型的 U-Net 输入层扩到 9 通道（潜码 4 + 掩码 1 + 被掩码潜码 4），训练时即见过掩码任务。
- 羽化（feathering）：掩码边缘做渐变过渡，抑制接缝。
- 外扩（outpainting）：扩画布后以新增区域为掩码生成，原图区域作约束。
原理与机制
朴素做法（LDM 论文方案，无专用模型时可用）：对参考图整图按 kp-012 加噪到 t₀，然后每步去噪后执行混合：
zt−1 ← (1 − m) ⊙ zreft−1 + m ⊙ zgent−1， m 为掩码（潜码分辨率下）
掩码外永远跟随「参考图自己的加噪轨迹」，掩码内自由生成。这个混合是双刃剑：好处是区域外严格保真；代价是混合点在两个「原本不相识」的轨迹之间硬切换，接缝处上下文不连续，大掩码时更显突兀。专用 inpainting 模型的改进：把掩码与被掩码内容作为额外输入通道送进网络（SD1.5/SDXL 均有 inpainting 版本），训练时就学会「围着破洞补画、边缘自然衔接」，接缝质量显著更好。羽化则在掩码边缘给出过渡带，让「跟随」与「生成」在几像素内渐进换手，是零成本消除硬边的标准手段。outpainting 把原图视为「必须保持的掩码外区域」、新增画布为掩码内区域，机制完全同构；难点在生成区域只与半边上下文相邻，常需在提示词与分块策略上补偿。
公式与推导
本节公式即混合式（上）。值得推导的性质：掩码外区域因逐步被拉回参考轨迹，其等效「重绘幅度」为 0；掩码内区域等效幅度等于 img2img 的 s——inpainting = 掩码加权的 img2img。混合发生在潜码层（每步），而像素层混合（只在最后替换像素）会导致色彩统计不连续，是劣质实现的接缝来源。
图示
原图 z_ref + 掩码 m→每步：掩码内生成 / 掩码外拉回参考轨迹→混合轨迹 z₀→VAE 解码（羽化在像素侧柔化边缘）
直观类比
像修墙师傅补墙洞：不拆整面墙（掩码外原样），只把洞周围铲出斜坡（羽化），新灰浆（生成内容）与旧墙在斜坡上交接。普通模型补洞是「凭感觉抹平」，专用模型是「持证上岗、专门学过怎么把新料接进旧墙面」。
实例或案例
- 修手：对画错的手打掩码，专用 inpainting 模型 + 明确提示词（如「open palm, five fingers」）重绘，配合小羽化，接缝几乎不可见。
- 大画幅外扩：把 1024×1024 扩到 1536×1024，新增三分之一由 outpainting 补出；提示词需重申全局场景以避免新增区域与原图风格脱节。
- 反例：用普通模型 + 大掩码 + 无羽化重绘半张脸，边界出现明显色阶——三重误区叠加的典型现场。
常见误区
- 误区一：接缝 = 模型差。多数接缝来自「像素层混合」或无羽化的实现选择，换专用模型/开羽化即大幅缓解。
- 误区二：掩码越大越自由。掩码超过画面约四成后，掩码内缺少可锚定的上下文，效果趋近整图重绘，不如直接 img2img。
- 误区三：inpainting 可以无限小改。掩码小于潜码单格（8×8 像素）尺度时约束失效，极小掩码不产生有效编辑。
自测题
- 写出潜码混合公式并解释羽化的作用。
答案要点：z ← (1−m)⊙z_ref + m⊙z_gen 每步执行；羽化让掩码边缘渐变换手，抑制硬接缝。
- 专用 inpainting 模型改了网络哪一处？
答案要点：输入通道扩为潜码 4 + 掩码 1 + 被掩码潜码 4 = 9 通道，训练即含掩码任务。
- 为什么超大掩码效果反而差？
答案要点：掩码内缺乏上下文锚定，生成退化为无约束重绘。
与其他知识点的关系
kp-014 的 ControlNet 提供另一种「控制区域内容」的思路（结构约束而非掩码替换）；kp-025 收录接缝与羽化缺失的失败案例；kp-024 提到大图 inpainting 的分辨率分段实践。
延伸阅读
RePaint（CVPR 2022）给出无需专用模型的迭代混合方案，是「掩码混合」思想最清晰的学术表述；LDM 论文 4.3 节的 inpainting 实验。