万物迁移，异常的火热。今天，我就给大家带来一个基于 Flux.1 Fill 和 Flux.1 Redux 模型的产品迁移工作流，它
融合了局部重绘与特征一致性迁移
的功能，能获得非常不错的效果。
Flux.1 Fill模型: 专门用于图像修复和图像扩展。
Flux.1 Redux模型: 可实现高质量风格迁移。
这篇文章将分为三部分，详细拆解这个产品迁移工作流的工作原理和使用方式。
前两部分介绍Fill模型和Redux模型，最后一部分讲解如何将两个模型整合成为一个工作流。
如果你已经熟悉了 Fill和Redux 模型，可以直接跳到最后一部分阅读。
在“UNET加载器”节点加载flux1_fill-dev.safetensors
在“双CLIP加载器”节点加载 clip_l.safetensors 和 t5xxl_fp16.safetensors
在“ VAE加载器”节点加载 ae.safetensors
在“ 加载图像”节点中加载需要修复的图片，并右键点击“在遮罩编辑器中打开”进入遮罩编辑器，涂抹图像对应部分。
通过“ Flux引导”节点调整提示词引导强度，默认值 30。
在“UNET加载器”节点加载 flux1-fill-dev.safetensors和fp8_e4m3fn
在“双CLIP加载器”节点加载 clip_l.safetensors 和 t5xxl_fp16.safetensors
在“VAE加载器”节点加载 ae.safetensors
在“加载图像”节点中加载你需要扩展的图片，并在“外部画板”节点输入扩图的数值。
通过“ Flux引导”节点调整提示词引导强度，默认值 30。
数值越大，生成内容越接近提示词描述；数值越小，生成内容越自然。
写实场景：较高的步数 (25-30)，较低的提示词引导强度(20-25)
艺术创作：较低的步数(15-20)，较高的提示词引导强度(35-40)
与 IP-Adapter 类似，Redux 通过参考图作为条件来引导图像生成。它在图像的结构和细节还原度上表现出色，尤其适用于需要高度一致性的场景，如电商图片制作。
然而，FLUX.1 Redux 的免费版会完全忽略提示词，仅生成与参考图高度相似的新图。如果需要将风格迁移与提示词结合，则必须升级到PRO版本，才能解锁更多创作自由。
在“CLIP视觉加载器”节点加载 sigclip_vision_patch14_384.safetensors
在“风格模型加载器” 中加载 flux1-redux-dev.safetensors
在“UNET加载器”节点 加载 flux1-dev.safetensors
在“双CLIP加载器”节点 中加载 t5xxl_fp16..safetensors和clip_l.safetensors
使用“Primitive元节点”设置输出图像的宽度和高度，默认设置为1024×1024
在“基础调度器”节点 中设置采样步数，建议 20-30 步。降噪值默认设置值为1。
可以添加多个“风格模型加载器”节点，每个节点使用不同的参考图片，调整每个图片的影响权重。
可以设置多个随机种子，使用批处理生成多个变体，对比选择最佳结果。
前面详细讲解了Fill模型和Redux模型的功能和使用方法，现在我们把这两个模块串联起来，搭建一个产品迁移工作流吧！
1.把Redux工作流的这几个节点复制粘贴到Fill工作流。
2.把Fill模块正向提示词的“条件”传输到Redux模块的“风格模型应用”节点后，再传输回Fill模块的“Flux引导”节点，这样就把Redux模块结合到Fill重绘工作流中了。
加入了Redux模块后，Fill模块的提示词就不产生影响了，我们重绘的内容完全依赖于上传的图片。
现在运行工作流，尝试将模特手中的包包替换成目标款式。
对比原图和生成的图片，可以看到品牌标识、提手等细节存在较大差异，这样的效果显然不够理想。那么，有没有办法优化工作流呢？
答案当然是肯定的啦，我们可以灵活利用Flux Fill的图像扩展功能，将两张图片放到一起，让Fill模型进行学习，从而生成相同的对象。
因此我们需要用到“图像联结”节点，对图片进行拼合。在此之前，最好先通过“图像缩放”节点，统一两张图片的高度。然后把拼合后的图像传输给Fill模块。遮罩图片也要进行相同的操作。
在Fill和Redux双重参考的作用下，模特手里的包包就直接替换成特定的款式了，可以看到，包包的纹理细节、金属logo质感、金属链条都得到很好的复刻。
再尝试几个不同的产品，一起来感受一下在Fill和Redux的加持下，“一键换装”的魅力吧！
看完这篇文章，是不是觉得有点收获呢？那就别吝啬你的点赞和赞赏哦！
CLIP 模型(clip_l.safetensors、t5xxl_fp16.safetensors)
Flux Fill 模型(flux1-fill-dev.safetensors)
CLIP Vision 模型(sigclip_vision_patch14_384.safetensors)
Redux 模型(flux1-redux-dev.safetensors)
CLIP 模型(clip_l.safetensors)
T5 模型(t5xxl_fp16.safetensors)
Flux Dev 模型(flux1-dev.safetensors)
你的支持是我最大的动力！用完之后别忘了回来和我分享你的感受哦！
