在Stable Diffusion出图流程中，伪影（artifact）是一个让人非常头疼的问题。画面高光处出现棋盘格、暗部泛起彩色噪点、人物皮肤像覆盖了一层细密网格，这些现象常被误判为采样步数不足、CFG过高或提示词权重失衡。实际上，当伪影呈现规律性分块、与图像语义无关且在不同提示词下反复出现时，首先应当排查的是VAE文件本身。VAE负责把潜空间张量解码为RGB像素，一旦权重损坏或结构不完整，解码过程会引入无法通过采样器修复的噪声。
一、伪影与VAE破损的对应关系
Stable Diffusion并不是直接在像素空间进行扩散，而是先把图像压缩到潜空间，再对潜在表示进行去噪。这个压缩与重建过程依赖VAE（Variational Autoencoder，变分自编码器）。VAE由编码器和解码器两部分组成，编码器将输入图像映射为低维潜在张量，解码器则把潜空间张量还原为像素图像。如果VAE的解码器权重缺失、数值错误或张量维度不匹配，重建出来的RGB图像就会出现规律性伪影。
典型的VAE破损伪影包括棋盘格效应、局部色彩分离、高光区域出现灰白块、暗部出现紫色或绿色噪点等。这类伪影与采样器产生的随机噪声不同，它们往往与图像内容无关，而是在固定位置反复出现，并且切换采样步数、提示词或种子后仍然存在。更关键的是，如果主模型、LoRA或Embedding都更换过，伪影依旧保持相同形态，基本可以锁定问题出在VAE文件。
值得注意的是，损坏的VAE并不一定会让WebUI直接报错。部分权重文件在下载中断或复制不完整后，仍然可以加载部分张量，只是解码结果异常。因此，仅凭“能正常启动”并不能排除VAE受损的可能，必须进行结构校验和哈希比对。
二、模型文件校验：从文件大小到SHA256
排查VAE问题时，第一步是检查文件大小是否正常。以常用的vae-ft-mse-840000-ema-pruned.safetensors为例，正常文件大小约为335MB。如果资源管理器显示为200MB、80MB甚至几KB，说明下载没有完成。Windows系统下查看文件属性即可，Linux或macOS可以使用ls -lh命令。需要注意的是，不同版本的VAE大小会有差异，不能只看绝对数值，最好与下载来源标注的大小进行对比。
文件大小正常并不代表文件一定完好，更高强度的校验方式是计算SHA256哈希值。官方发布模型通常会附带哈希串，下载后可以本地计算并比对。下面给出一个简单的Python脚本，用于计算任意文件的SHA256摘要。
import hashlib
def sha256_file(path):
h = hashlib.sha256()
with open(path, "rb") as f:
for chunk in iter(lambda: f.read(8192), b""):
h.update(chunk)
return h.hexdigest()
vae_path = "models/VAE/vae-ft-mse-840000-ema-pruned.safetensors"
print(sha256_file(vae_path))
将打印出的字符串与官方提供的哈希值逐字符比对，如果完全一致，说明文件完整；如果不一致，无论文件大小多么正常，都必须重新下载。很多下载工具在断点续传时可能写入错误数据，单纯看大小无法发现这种损坏。
如果下载来源没有提供官方哈希，还可以校验safetensors文件的结构完整性。与旧的ckpt格式不同，safetensors不包含可执行代码，读取过程更安全。使用safetensors库可以列出内部所有张量名称，当文件损坏时，读取操作会直接抛出异常。
from safetensors import safe_open
vae_path = "models/VAE/vae-ft-mse-840000-ema-pruned.safetensors"
try:
with safe_open(vae_path, framework="pt") as f:
keys = list(f.keys())
print("张量数量:", len(keys))
print(keys[:10])
except Exception as e:
print("VAE文件损坏或无法解析:", e)
如果脚本能正常输出张量数量，并且关键层名称中包含decoder、post_quant_conv等结构，说明文件在结构上是可识别的。但结构完整仍无法排除数值损坏，因此哈希校验才是最终依据。
三、修复方案：安全替换与正确加载
确认VAE文件损坏后，不要直接在原文件上反复覆盖下载。建议先将损坏文件移动到备份目录，例如重命名为vae-broken.safetensors.bak，再下载新的VAE文件。这样可以保留现场，便于后续比对或排查其他问题。下载时尽量使用官方来源或社区长期维护的镜像，避免从不明网盘下载经过二次打包的版本。
新文件下载完成后，将其放入Stable Diffusion WebUI的模型目录。通常路径为models/VAE/，文件名可以保留官方命名，例如vae-ft-mse-840000-ema-pruned.safetensors。接着打开WebUI，进入Settings页面，找到Stable Diffusion分类下的SD VAE选项，在下拉列表中选择刚刚放入的VAE文件，然后点击Apply settings保存设置。部分旧版本界面可能需要在User Interface中刷新模型列表，或者直接重启WebUI。
如果你使用的是ComfyUI，则需要在工作流中找到Load VAE节点，在节点属性中选择新的VAE文件。替换完成后，建议使用固定种子和相同参数重新生成之前出现伪影的图片。如果伪影消失，说明问题确实来自旧VAE；如果伪影依旧存在，则需要进入进阶排查流程。
加载新VAE时若出现报错，常见原因包括路径写入错误、文件仍不完整、扩展名与WebUI期望格式不符等。此时可以再次运行前面的哈希脚本，确认新文件已经完整写入磁盘，并检查WebUI控制台输出的加载日志。
四、进阶排查：替换VAE后伪影仍存在
如果替换了完整VAE文件后，生成的图片仍然带有规则性网格或色块，就需要把目光从VAE转向采样链路。第一个要检查的是生成尺寸是否为8的倍数。Stable Diffusion的VAE会进行8倍下采样，如果宽度或高度不能被8整除，边缘区域可能出现拉伸和异常像素。常见安全尺寸包括512×512、768×768、512×768等。
第二个要关注的是CFG Scale和采样器。CFG过高容易导致色彩过饱和、对比度过强，有时会被误认为伪影。可以在生成参数中将CFG从15降到7左右，并切换采样器为Euler a或DPM++ 2M Karras，观察规则网格是否减少。部分采样器在低步数下会产生特殊噪点，步数提升到30步以上通常能明显改善。
此外，低精度推理和显存优化也可能引入伪影。如果开启了FP16、xformers或--medvram等参数，可以尝试关闭后重新生成。显卡驱动过旧、CUDA版本与PyTorch不匹配，同样可能导致计算精度损失，表现为局部纹理异常。更新显卡驱动并重新安装匹配的PyTorch版本，是排除环境问题的有效手段。
最后还要考虑主模型本身。某些融合模型或二次训练模型在训练阶段使用了错误的VAE配对，导致模型内部期望的潜空间分布与外置VAE不一致。此时即使外置VAE文件完好，也会出现解码异常。解决方法是切换到该模型作者推荐的VAE，或者直接使用模型内嵌的VAE权重。通过这种“先VAE、后参数、再环境”的顺序排查，绝大多数伪影问题都能被快速定位和解决。
Stable DiffusionVAE破损模型文件校验修改时间：2026-08-22 18:20:59