ComfyUI-RefineNode

ComfyUI-RefineNode 是一组用于局部重绘、细节修复、产品/logo/文字细化和结果贴回的通用 ComfyUI 节点。

Installation

进入 ComfyUI 的 custom_nodes 目录后克隆本仓库：

cd ComfyUI/custom_nodes
git clone https://github.com/1Kynx/ComfyUI-RefineNode.git

然后重启 ComfyUI。

Example Workflows

example_workflows/Reference-based Logo Refinement.json

参考图模式案例，用于根据参考图修复目标图中的 logo、文字或产品细节。
使用参考图模式时，确保细化图连接 image1，参考图连接 image2，细化图遮罩连 image3。

example_workflows/Reference-free Text Refinement.json

无参考图文字修复案例，用于根据目标图和遮罩直接细化局部文字。

Node Details

RefineNode Preprocess Mask

用于在进入模型前整理细化图和遮罩，并生成后续贴回需要的 info。

输入：

image: 需要修复或作为参考的图像。
mask: 可选遮罩；未连接时会使用空遮罩，节点不会报错。
focus_crop: 开启后会围绕遮罩区域裁剪图像，减少模型需要处理的无关区域。
focus_crop_margin: 裁剪时保留的额外上下文范围。
spatial_prompt_source: 控制 spatial_mask_image 的来源，mask 使用原遮罩形状，bbox 使用遮罩外接矩形。

输出：

image: 处理后的模型输入图。
spatial_mask_image: 给 Qwen Image Edit Plus 等图像编辑节点使用的空间遮罩图。
mask: 与输出 image 对齐的遮罩。
info: 保存原图、裁剪位置、遮罩和贴回坐标的数据，必须传给后续需要贴回的节点。

RefineNode Reference Image Process

用于把细化图、参考图和遮罩图处理到完全一致的尺寸，适合多图参考或 Qwen Image Edit Plus 这类需要多张图像输入的工作流。

输入：

image1: 必填，通常连接细化图。
image2: 可选，通常连接参考图。
image3: 可选，参考图模式中通常连接细化图遮罩，也就是 spatial_mask_image。
info: 可选，来自 RefineNode Preprocess Mask；连接后会同步记录本节点的缩放、裁剪或填充信息，保证 Paste Back 能按正确位置贴回。
fit_kontext_size: 开启时使用 ComfyUI/Flux Kontext 风格的目标尺寸；关闭时按约 1024 x 1024 目标面积并按 8 的倍数取整。
resize_method: 三张图共用的缩放算法，默认 lanczos。
crop_mode: crop 居中裁剪到目标比例，disable 直接缩放，fill 等比缩放后用黑色填充到目标尺寸。

输出：

image1: 处理后的细化图。
image2: 处理后的参考图；未连接输入时输出空白占位图。
image3: 处理后的遮罩图或第三张参考图；未连接输入时输出空白占位图。
info: 更新后的贴回信息。

参考图模式注意：

细化图连接 image1。
参考图连接 image2。
细化图遮罩连接 image3。

RefineNode Paste Back

用于把模型生成结果贴回原图，输出最终修复图和实际使用的贴回遮罩。

输入：

generated_image: 模型生成后的图像。
info: 来自 RefineNode Preprocess Mask 或 RefineNode Reference Image Process 的贴回信息。
paste_back_mode: mask 按原遮罩贴回，bbox 按遮罩外接矩形区域贴回。
mask_grow: 贴回前扩张遮罩边缘，适合减少细碎边缘漏贴。
blend_blur: 对贴回遮罩做模糊羽化，适合减轻边缘接缝。

输出：

image: 贴回后的最终图像。
paste_mask: 本次实际用于合成的遮罩，方便预览和排查贴回范围。

Citation

If you use this repository, please cite:

@article{zhou2026refineanything,
  title={RefineAnything: Multimodal Region-Specific Refinement for Perfect Local Details},
  author={Zhou, Dewei and Li, You and Yang, Zongxin and Yang, Yi},
  journal={arXiv preprint arXiv:2604.06870},
  year={2026}
}