ComfyUI 电商产品图工作流：白底图、场景图、模特图一次搞定

ComfyUI 电商产品图工作流

解决什么问题

做跨境电商最耗时的环节之一：同一件商品要出三种图 —— 白底图（平台主图规范）、场景图（渲染氛围）、模特图（提升转化）。找摄影师拍摄 + 修图，一套下来成本高、周期长。

用 ComfyUI 可以做到的：一张手机随手拍的商品图，半小时内产出三类可用素材。重点是保住商品主体不变，这是这条链路唯一的技术难点。

整条链路的三段结构

原图抠图 → 生成背景 → 融合回填

每一段都有若干可选做法，下面按「效果 / 上手难度」给出推荐。

第一段：把商品从原图里抠出来

方案 A：专用抠图节点（推荐）

用 RMBG 系列或 BiRefNet 类的抠图节点，一个节点直接输出带透明通道的图 + mask。优点是边缘干净、不需要 PDF 提示、速度快。

方案 B：CLIP 语义分割

用 CLIPSeg 之类的节点，写描述词（如 yoga pants）框出目标。优点是无需额外模型下载，缺点是复杂背景或近似色背景时边缘会糊。

方案 C：ControlNet 反推（重绘场景用）

不抠图，直接用 Canny / Depth 预处理器提取轮廓，让生成过程「照着原商品的形状」出图。适合做场景图，不适合做白底图。

实操建议：白底图用方案 A，效果最稳；场景图用方案 C，保形最好。

第二段：生成背景

白底图：其实不用生成

抠图之后直接合成到纯白底上即可，不需要任何生成。这一步很多人绕远路去「生成白底」，反而引入不确定的形变。

抠图节点 → 合成到 RGBA 白底 → 保存

要注意的两点：

• 输出的分辨率要符合平台要求（常见 800×800 到 1600×1600）
• 保留一点柔和阴影，商品会显得不浮——可以用一个投影节点加轻微的 drop shadow

场景图：用 ControlNet 保形

这是真正需要生成的部分。链路：

原图 → Canny 预处理器 → ControlNet（权重 0.8~1.0）→ KSampler → VAE 解码

提示词里要写清背景氛围，同时描述主体以稳定形状：

正向：product photo of yoga leggings folded neatly,
      on warm sand beach at golden hour,
      soft natural lighting, shallow depth of field,
      high resolution commercial photography

负向：text, watermark, logo, extra objects, distorted shape,
      blurry, low quality, oversaturated

关键参数：

| 参数 | 建议值 | 原因 | | --- | --- | --- | | ControlNet 权重 | 0.7 ~ 0.9 | 1.0 以上容易限制生成自由度，画面发死 | | ControlNet 结束时机 | 0.5 ~ 0.8 | 后半程放开控制，让细节自然生成 | | Denoise（重绘幅度） | 0.35 ~ 0.55 | 太高会改变商品本体，太低背景不动 | | 采样步数 | 25 ~ 35 | 商业图够用，再高收益递减 |

这里的黄金参数其实是 denoise：想保留商品本体就压到 0.4 左右；发现背景没换干净再加到 0.5。超过 0.6 基本就开始破坏主体了。

第三段：融合回填

生成好背景后，把真实商品（而非 AI 生成的近似品）贴回去 —— 这是保真的关键。很多教程省略这一步，导致商品 logo、纹理、细节被 AI 魔改，这在电商里是致命的。

链路：

抠好的商品图(RGBA) + mask → 图像合成节点 → 贴到生成好的背景图 → 保存

合成时注意：

• 商品图要有 alpha 通道，直接用「按 mask 合成」类的节点
• 可以轻微调整亮度和色温，让商品和背景的光照方向一致，否则一眼假
• 加一点统一的胶片颗粒或轻微模糊，能显著提升整体感

模特图：门槛更高，谨慎对待

把平铺服装变成模特上身效果，技术上可行（可用 IP-Adapter 保持服装花色 + 重绘人体），但有两个务必要注意的点：

第一，预期管理。 AI 生成的人体容易出现手部畸形、比例失调。批量产出时必须逐张肉眼验收，不能直通上架。

第二，合规。 如果要用真人形象，务必使用获得授权的素材或明确为 AI 生成的形象。未经许可使用他人肖像，尤其在商业场景，法律风险不小。

推荐做法是：用 AI 生成的虚拟人形象 + 保持服装本体真实，既能表达上身效果又规避肖像问题。

批量处理：把它变成流水线

单张做通之后，批量才是价值所在：

1. 用 Load Image Batch 节点一次读入整个文件夹的商品图 2. 后面的链路不需要改 3. 保存节点设置好序号命名，输出自动编号的成品图

更彻底的自动化：ComfyUI 支持 API 模式。用 --listen 启动后，可以把工作流导出成 API 格式的 JSON，再用 Python 脚本循环调用，参数（背景词、种子）每次替换。这样几百个 SKU 跑一晚上就处理完。

常见问题

商品边缘有原背景残留？ 抠图节点输出后用 mask 膨胀/腐蚀微调 1~2 像素，再做一次羽化。

背景生成把商品变了？ denoise 调低，ControlNet 权重调高。仍不行就放弃「整图重绘」，改用「背景替换 + 真实商品回填」的两段式。

出来的图偏色？ 加一个色彩匹配节点，以原商品图为参考做色彩校正。

批量时显存爆了？ 降低单张分辨率，或在每批处理完后手动释放（部分节点有关显存的选项）。

下一步

• 想更进一步做视频：看本站「WAN / LTX 视频生成工作流」
• 想要自动化的每一天：把它接进 Python 脚本，配合定时任务实现每日自动出图
• 数据采集与选品分析：见本站竞品广告分析相关 Skill