C# HttpClient调用DDColor RESTful接口示例
在老照片修复日益成为数字文化遗产保护热点的今天，如何将前沿AI能力无缝集成到传统业务系统中，是许多开发者面临的实际挑战。尤其是对于大量使用C#构建企业级应用或桌面工具的团队而言，能否通过简洁、可靠的方式调用图像着色模型，直接决定了项目落地的效率。
DDColor作为一种基于深度学习的黑白图像智能上色方案，在人物面部还原和建筑结构色彩推测方面表现出色。它通常运行于ComfyUI这一可视化AI工作流平台之上，支持通过JSON配置驱动整个推理流程。而要让这套AI服务真正“活”起来，关键就在于——如何从外部程序自动触发这个流程。
这正是HttpClient的价值所在。作为.NET生态中最成熟的HTTP客户端实现，它不仅能轻松上传文件、发送复杂请求体，还能以异步非阻塞方式处理长时间任务，非常适合与AI后端进行交互。接下来我们就来看，怎样用几段干净的C#代码，打通从本地图片到彩色输出的全链路。
DDColor：不只是“上色”，而是语义理解
很多人以为图像着色就是给灰度图加点颜色，但真正的难点在于上下文感知。一张黑白的老街照片，屋顶应该是红瓦还是青苔？人脸肤色是偏黄还是泛红？这些判断依赖的是对场景的深层理解，而这正是DDColor的核心优势。
该模型基于CNN架构，并融合了注意力机制，能够识别图像中的物体类别（如人脸、天空、砖墙）并结合训练数据中的色彩先验知识，生成符合现实逻辑的颜色分布。更进一步，它针对不同场景提供了专用工作流：
DDColor人物黑白修复.json：优化人脸细节，保留皱纹、光影层次；DDColor建筑黑白修复.json：强调材质质感，还原砖石、木材的真实色调。
这些工作流本质上是一套节点连接图，定义了从“加载图像”到“输出彩色结果”的完整路径。ComfyUI允许我们将这样的流程保存为JSON文件，从而实现可编程化调用——这也为我们通过API控制整个流程打开了大门。
不过需要注意的是，ComfyUI默认并未暴露通用图像处理接口。这意味着我们不能直接POST一张图就得到结果，而是需要模拟其内部机制：先上传图像，再提交包含该图像引用的工作流指令。
用HttpClient打通AI服务的最后一公里
虽然ComfyUI主要面向图形界面操作，但它的底层其实提供了一组RESTful API，例如：
POST /upload/image：上传图像文件；POST /prompt：提交一个工作流执行请求。
我们的目标很明确：用C#程序模拟用户在界面上的操作行为。具体来说，分为三步：
- 将本地图像以
multipart/form-data格式上传至ComfyUI； - 构造一个包含完整工作流定义的JSON对象，并注入图像文件名；
- 发送该JSON到
/prompt端点，触发推理任务。
下面是一个精简但完整的实现示例：
using System; using System.IO; using System.Net.Http; using System.Text; using System.Threading.Tasks; public class DdcolorApiClient { private readonly HttpClient _client; private readonly string _baseAddress; public DdcolorApiClient(string baseUrl) { _client = new HttpClient(); _baseAddress = baseUrl.TrimEnd('/'); } public async Task<string> ProcessImageAsync(string imagePath, string workflowJsonPath) { // 步骤1：上传图像 var uploadedFileName = await UploadImageAsync(imagePath); if (string.IsNullOrEmpty(uploadedFileName)) return null; // 步骤2：读取并修改工作流JSON，注入图像名 var workflowJson = await File.ReadAllTextAsync(workflowJsonPath); var modifiedJson = workflowJson.Replace("{{input_image}}", uploadedFileName); // 步骤3：提交工作流 var content = new StringContent(modifiedJson, Encoding.UTF8, "application/json"); var response = await _client.PostAsync($"{_baseAddress}/prompt", content); if (response.IsSuccessStatusCode) { var result = await response.Content.ReadAsStringAsync(); Console.WriteLine("任务已提交：" + result); return ExtractPromptId(result); // 可解析返回的任务ID用于后续轮询 } else { Console.WriteLine($"提交失败：{response.StatusCode} - {await response.Content.ReadAsStringAsync()}"); return null; } } private async Task<string> UploadImageAsync(string imagePath) { using var formData = new MultipartFormDataContent(); using var fileStream = File.OpenRead(imagePath); using var fileContent = new StreamContent(fileStream); fileContent.Headers.ContentType = new System.Net.Http.Headers.MediaTypeHeaderValue("image/jpeg"); formData.Add(fileContent, "image", Path.GetFileName(imagePath)); formData.Add(new StringContent("input"), "type"); // 指定为输入图像类型 var response = await _client.PostAsync($"{_baseAddress}/upload/image", formData); if (!response.IsSuccessStatusCode) return null; var jsonResponse = await response.Content.ReadAsStringAsync(); // 假设返回形如 {"name": "uploaded_001.jpg", "subfolder": "", "type": "input"} var match = System.Text.RegularExpressions.Regex.Match(jsonResponse, "\"name\"\\s*:\\s*\"([^\"]+)\""); return match.Success ? match.Groups[1].Value : null; } private string ExtractPromptId(string json) { var match = System.Text.RegularExpressions.Regex.Match(json, "\"prompt_id\"\\s*:\\s*\"?([a-zA-Z0-9-]+)\"?"); return match.Success ? match.Groups[1].Value : null; } }这段代码有几个值得强调的设计点：
- 动态替换图像名：原始工作流JSON中通常会有一个占位符（如
{{input_image}}），我们在运行时将其替换为实际上传后的文件名； - 复用HttpClient实例：避免频繁创建导致Socket耗尽，生产环境建议配合
IHttpClientFactory管理生命周期； - 错误容忍设计：上传失败或响应异常时应有日志记录和重试机制，尤其在网络不稳定的环境中；
- 任务追踪支持：返回的
prompt_id可用于后续轮询状态（如调用/history/{id}获取结果）。
此外，图像尺寸也需特别注意：人物类建议控制在460–680像素范围内，建筑类可放宽至960–1280。过大分辨率不仅增加传输开销，还可能因显存不足导致GPU推理失败。
实际部署中的那些“坑”
当你把上述代码放进真实项目时，很快就会遇到一些预料之外的问题。以下是在多个客户现场验证过的经验总结：
1. 图像预处理不可少
尽管DDColor能处理各种尺寸的图像，但未经裁剪的扫描件往往带有边框、噪点或倾斜角度。建议在上传前做轻量级预处理：
// 示例：使用ImageSharp库缩放图像 using SixLabors.ImageSharp; using SixLabors.ImageSharp.Processing; await Image.LoadAsync(imagePath).ContinueWith(img => { img.Mutate(x => x.Resize(new ResizeOptions { Size = new Size(680, 0), // 等比缩放至宽度680 Mode = ResizeMode.Max })); img.SaveAsJpeg(outputPath); });这样既能保证视觉质量，又能规避OOM风险。
2. 异步任务监控策略
图像修复不是即时操作，可能需要几秒甚至十几秒才能完成。因此不应同步等待，而应采用“提交+查询”模式：
public async Task<byte[]> PollForResultAsync(string promptId, int timeoutSeconds = 30) { var cts = new CancellationTokenSource(TimeSpan.FromSeconds(timeoutSeconds)); while (!cts.IsCancellationRequested) { var response = await _client.GetAsync($"{_baseAddress}/history/{promptId}"); if (response.IsSuccessStatusCode) { var json = await response.Content.ReadAsStringAsync(); // 解析出图像Base64或URL并下载 return ExtractImageBytesFromResponse(json); } await Task.Delay(1000); // 每秒轮询一次 } throw new TimeoutException("图像处理超时"); }3. 安全性加固
若服务暴露在公网，必须添加防护措施：
- 使用HTTPS并验证证书；
- 在中间层加入JWT认证或API Key校验；
- 设置IP白名单限制访问来源；
- 对上传文件做MIME类型检查，防止恶意脚本注入。
4. 资源隔离与限流
多用户并发时，GPU很容易成为瓶颈。建议：
- 单个ComfyUI实例绑定一块GPU；
- 使用消息队列（如RabbitMQ、Redis Queue）缓冲请求；
- 控制每台设备同时处理的任务数不超过2~3个；
- 配合Prometheus+Grafana监控GPU利用率、内存占用等指标。
这不仅仅是个技术Demo
也许你会觉得，这只是个简单的HTTP调用案例。但实际上，这种模式正在改变企业处理历史影像的方式。
想象一下：某档案馆拥有上万张黑白老照片，过去靠人工逐张修复，一年都难以完成。而现在，只需一个C#写的批量处理工具，配合后台的ComfyUI集群，就能在几天内全部完成着色，并自动生成高清副本归档。
更重要的是，这种方式降低了AI使用的门槛。不需要每个开发者都懂PyTorch或CUDA，只要会写HTTP请求，就能调用最先进的模型。这对于推动AI在传统行业的落地至关重要。
未来还可以在此基础上扩展更多功能：
- 结合OCR识别照片上的文字信息，自动打标签；
- 将修复结果存入数据库，建立可检索的数字相册；
- 提供Web前端，让用户自助上传和下载；
- 支持移动端调用，打造家庭影集修复App。
这种高度集成的设计思路，正引领着数字影像修复向更智能、更高效的方向演进。而你所需要的，或许只是一次成功的HttpClient.PostAsync()调用。
