VAE Encode & Inpaint Conditioning

节点功能：这个节点是ComfyUI原始库中vae encode(for inpainting)的替代方案，并且比原始的inpaint更有效果，它与同时使用VAE Encode（用于 Inpainting）和InpaintModelConditioning相同，但是对硬件资源的消耗更少。

输入参数

参数名称	说明
positive	正向提示词的文本编码（一般来源于文本编码器）。
negative	负向提示词的文本编码，用于去除不希望生成的内容。
vae	用于将图像编码为 latent 表示的变分自编码器。
pixels	输入图像（通常是用户原图或带有遮罩的修复图）。
mask	修复遮罩图，值为 1 的区域表示需要修复。

输出参数

参数名称	说明
positive	编码后包含 inpaint 附加信息的正向文本条件。
negative	编码后包含 inpaint 附加信息的负向文本条件。
latent_inpaint	用于 inpaint 的图像 latent 表示和 noise_mask。一个字典，包含： samples: concat_latent_image，结合原图 + mask 用于条件采样； noise_mask: 二值掩码，指明在哪些区域注入噪声（即修复区域）。
latent_samples	原始 VAE 编码后的图像 latent 表示，用于采样。未加掩码信息，可直接作为图像输入。

注意：如下图所示，使用SDXL的大模型，演示了该节点的使用方法，重点在于latent_inpaint，latent_samples两个地方的连接方式，其次就是要对原图进行蒙版绘制，以此来控制扩散区域。

上面两个图像分别是latent_inpaint和latent_samples的解码后的图像内容，latent_inpaint需要传递给Apply Fooocus Inpaint节点用来将模型转换为inpaint模型，在github地址可以看到作者说"这不允许遮罩区域中存在现有内容"，所以说需要对蒙版区域进行内容遮盖，否则会导致生图受原图内容的影响，latent_samples将用于传递给ksampler完成局部重绘保证边缘的融合程度。