不少人在用Stable Diffusion、ComfyUI这类工具出图时都碰到过一种情况：构图不错、细节也在线，但整张图要么像蒙了一层灰纱一样发暗，要么亮得失真，人物的皮肤惨白没有血色。这类问题往往不是模型能力不行，而是出在两个环节——提示词里的光照描述混乱，以及VAE解码造成的色彩偏移。这篇文章就把这两个环节拆开来讲，给出可以直接上手的解决办法。
一、先从提示词入手：光照描述决定画面的基调
扩散模型对画面的理解完全依赖文本描述。如果你在提示词里只写了一个含糊的"beautiful girl, city street"，模型会随机猜测光照环境，有时候给你一个黄昏场景，有时候给你一个阴天场景，输出的亮度自然忽高忽低。想让画面亮度稳定，第一步就是把光照条件写清楚、写具体。
具体来说，光照类词汇可以分成三类来组织。第一类是光源类型，比如 soft lighting（柔光）、rim lighting（轮廓光）、volumetric lighting（体积光）、cinematic lighting（电影级布光），不同的光源会直接影响整体明暗分布。第二类是时间段，像 golden hour（黄金时刻）、blue hour（蓝调时刻）、noon sunlight（正午阳光），这类词能明确告诉模型环境的基准亮度。第三类是氛围修饰，例如 bright and airy（明亮通透）、low key（低调暗调）、moody atmosphere（情绪化暗色氛围）。把这三类组合起来用，画面的明暗走向就基本锁定了。
除了正向描述，负面提示词同样关键。如果画面总是偏暗发灰，可以在负面提示词里加入 dark, underexposed, dim, murky, washed out colors；反过来如果画面总是过亮过曝，就加上 overexposed, too bright, blown out highlights, faded。另外要注意一个常见的坑：提示词里同时出现 night scene 和 bright sunshine 这种互相矛盾的描述，模型会在两个方向之间来回拉扯，最终输出一个亮度不自然的折中结果。写提示词之前先想清楚这张图到底是什么时间、什么光源，再落笔。
二、理解VAE：色彩偏移的真正元凶
提示词调整到位之后，如果画面还是整体偏灰、暗部死黑或者颜色像褪色了一样，那问题大概率出在VAE上。VAE的全称是变分自编码器，在扩散模型的工作流程里负责两个方向的转换：编码器把像素空间的图片压缩到潜空间，解码器则在采样完成后把潜空间数据还原成我们看到的PNG图片。所谓偏暗偏亮，很多时候就是解码这一步出了问题。
问题的根源在于潜空间数据本身是有损的。采样阶段模型生成的潜空间张量只是一个压缩表示，它必须经过VAE解码器的映射才能变成正常亮度和色彩范围的图像。如果你使用的底模自带了训练好的VAE权重，解码结果通常是正常的；但如果你加载的是一个裁剪掉VAE权重的底模（社区里很多模型为了减小体积会这样发布），又没有手动指定外置VAE，程序就会使用默认VAE去解码一个不匹配的潜空间，输出的图片就会出现典型的发灰、偏色、饱和度不足等症状。判断方法也很简单：如果同一组参数下出图始终整体发灰发暗，无论怎么改提示词都改善有限，那基本可以锁定是VAE的问题。
还有一个容易被忽略的细节是 VAE precision 设置。在一些推理框架里可以选择 fp16 或者 fp32 精度的VAE，fp16 在部分显卡上会出现数值溢出，表现为图像整体发黑或者出现大量黑色噪点块。如果你用的是半精度推理，遇到整图发黑的情况，优先把VAE切换到 fp32 试试，往往一行设置就能解决问题。
三、实操方案：从模型选择到后处理的完整链路
先说VAE的选择。在WebUI里可以在Checkpoint信息旁边的VAE下拉框中选择，常用的通用型VAE有 vae-ft-mse-840000，它对SD 1.5系列模型的色彩还原效果比较稳定，能明显改善发灰问题。对于SDXL模型，优先使用官方自带的 sdxl_vae.safetensors，第三方便签VAE和底模不匹配时反而会加重偏色。如果不确定底模是否内置了VAE权重，可以在模型信息页面查看，或者干脆都手动指定一个，反正指定错了随时可以换。
如果VAE和提示词都调整完，画面亮度还差一点火候，可以借助后处理做最后的微调。WebUI自带的后处理标签页里有亮度、对比度、饱和度的滑块，适合小幅度修正。批量出图的场景更适合走脚本方式，比如用Python配合Pillow处理：
from PIL import Image, ImageEnhance
img = Image.open("output.png")
# 亮度提升1.15倍，针对整体偏暗的图片
img = ImageEnhance.Brightness(img).enhance(1.15)
# 对比度小幅增强，去除发灰感
img = ImageEnhance.Contrast(img).enhance(1.08)
# 饱和度微调，恢复色彩活力
img = ImageEnhance.Color(img).enhance(1.05)
img.save("output_fixed.png")代码里的三个系数只是参考值，实际使用时建议每次只调一个参数并对比效果。需要注意的是，后处理只能做锦上添花的微调，如果图片偏暗到暗部细节完全丢失，靠提亮是救不回来的，那种程度的问题必须回到提示词和VAE层面解决。养成一个习惯：固定一组测试参数，先验证VAE正常，再调提示词的光照描述，最后才考虑后处理，按这个顺序排查，忽明忽暗的出图问题基本都能定位并解决。