企业官网建设流程全解析

如何在 ComfyUI 中 3 步换装 texture-fix-vae-for-qwen-image-2.1：新手零门槛完整教程

Texture-Fix-VAE-for-Qwen-Image-2.1 是基于 Qwen-Image-2.1 官方 VAE 微调而来的「纹理修复版」VAE 权重，能显著减少出图中的棋盘格伪影（checkerboard artifacts），并彻底解决 fp16 精度下解码出现 NaN 坏点的问题。本文带你用3 步在 ComfyUI 中完成 VAE 换装，全程无需写代码，新手也能零门槛上手。

🪄 换装前先了解：它修复了什么问题

这个 VAE 与官方 Qwen-Image-2.1 的 VAE 接口完全一致，属于即插即用的替换款，主要解决了两个痛点：

它的感知质量指标 rFID 从 3.38 提升到2.07，肉眼观感更接近「真实照片」。

📥 第 1 步：下载权重文件到 ComfyUI 目录

只需下载一个文件：texture_fix_vae_for_qwen_image_2.1_bf16.safetensors（bf16 精度），把它放到：

ComfyUI/models/vae/

💡 提示：如果 ComfyUI 的模型管理器支持远程仓库，也可以直接从本仓库拉取该文件，无需手动复制。

🔗 第 2 步：在 Load VAE 节点中替换官方 VAE

1. 打开你的 Qwen-Image-2.1 工作流，找到Load VAE节点；
2. 下拉列表中选择texture_fix_vae_for_qwen_image_2.1_bf16.safetensors；
3. 它原本连着的qwen_image_2.1_vae_bf16.safetensors不再需要选择。

其余节点（KSampler、VAEDecode、VAEEncode 等）完全不用改，这就是「换装」的全部操作。

🚀 第 3 步：运行出图并验收效果

直接排队运行工作流即可。如果你是fp16 用户，启动 ComfyUI 时加上参数：

python main.py --fp16-vae

换装后该参数可以安全开启，不会再出现紫红色 NaN 坏点。下面这张图就是 fp16 场景下修复前后的直观对比（紫红色区域 = NaN 像素）：

👀 效果对比：纹理修复前后肉眼可见

同一张山地野花照片的 latent（来自 pnw_meadow_stream_2048.latent.pt），分别用两个 VAE 解码后放大。左侧为官方 VAE，右侧为 texture-fix 版本：

官方 VAE 解码（花卉局部）	texture-fix VAE 解码（花卉局部）

官方 VAE 解码（岩石局部）	texture-fix VAE 解码（岩石局部）

放大越明显：官方版的岩石表面布满颗粒状的棋盘格，换装后纹理平滑且细节依旧锐利。

📊 客观指标（COCO / DIV2K 测试集）

简单理解：感知质量（rFID）明显变好，像素级重建精度（PSNR/LPIPS）略降但几乎无感——这正是对抗损失微调的取舍方向，也更符合人眼观感。

❓ 常见问题 FAQ

Q1：换装后显存/速度会变吗？不会。模型结构与官方 VAE 完全一致（可参考 config.json），只是权重被微调过，显存占用和速度基本不变。

Q2：能用在 LoRA 训练 / 图生图（VAEEncode）吗？可以。Encoder 同步做了权重缩放，编码路径同样可用，工作流中凡是需要 VAE 的节点都可以直接指向它。

Q3：出图风格和原来一样吗？一样。它不改变模型「画什么」，只改善「怎么解码」，所以出图风格、构图完全一致，只是纹理更干净。

Q4：想自己复现 fp16 NaN 对比实验？仓库提供了可视化脚本 fp16_demo.py，运行它即可复现 README 中的紫红色坏点对比图。

Q5：可以商用吗？注意查看 LICENSE：本项目基于 Qwen-Image-2.1，遵循 Qwen RESEARCH LICENSE，仅限非商业/研究用途。

📁 仓库文件速查

🎉 到这里就完成了：下载 → 换 Load VAE → 出图，3 步搞定。现在你 ComfyUI 里生成的 Qwen-Image-2.1 图片，将拥有更干净的纹理和更稳定的 fp16 解码。