BSAI-H3-upscale-4K 这类超分放大节点真正值得关注的地方不是“能不能把图片变大”而是它把超分放大、高清修复、小脸崩坏修正、潜空间重绘优化这几件事放在同一条工作流里处理。也就是说它解决的是一套完整问题低分辨率素材放大后发虚、边缘发糊、人脸结构崩坏、重绘后细节跑偏。这篇文章会用实测视角把环境准备、单图超分、潜空间重绘、视频多帧处理和常见报错排查整条链路拆一遍适合已经在用 ComfyUI、想做高清化出图或视频修复的人。最值得先记住的一点是这类节点并不是开箱即用前置依赖、模型路径和参数顺序都会直接影响最终画质。1. 先搞清楚这个节点解决的是放大、修复还是重绘问题很多人看到“超分放大”四个字会以为是类似 Photoshop 里拉大画布然后钝化。实际差别很大。尤其 ComfyUI 场景下超分放大通常分两层第一层是像素空间放大第二层是潜空间重绘。BSAI-H3-upscale-4K 从命名来看就是把 4K 放大、高清修复、潜空间重绘优化这些能力集中到一起的节点集合而不只是一个单一函数。1.1 超分放大并不是简单拉伸分辨率普通拉伸分辨率只是插值画面变大但细节没有增加。超分放大是用模型学习到的先验信息去补细节。常见的超分模型包括 RealESRGAN、4x-UltraSharp、4x_NMKD-Siax_200k、4x-AnimeSharp 等它们擅长从模糊、压缩、低分辨率图像中恢复出相对锐利的纹理。在 ComfyUI 里这类节点一般的工作流程是加载图像通过 VAE 把图像编码到潜空间使用超分模型或节点对图像进行放大通过 VAE 解码回像素空间再用修复模型或重绘步骤补充细节BSAI-H3-upscale-4K 这类插件的意义是把上面这些步骤封装得更紧凑并且针对常见问题做了优化。最典型的目标场景是一张 512x512 或 720P 的图要变成 2048 或 4K 分辨率同时不能出现明显的塑料感、马赛克、人脸奇怪变形。1.2 小脸崩坏为什么会出现“小脸崩坏”在超分放大里非常普遍尤其是生成图里人物脸部原本只占很少像素时。拿一张 512x512 的图放大 4 倍人脸区域可能只有几十个像素。超分模型能补充一些纹理但人脸结构是复杂的睫毛、眼睛形状、嘴角位置任何一个细节跑偏整张脸就会显得奇怪。更麻烦的是如果在潜空间直接放大再用高 denoise 重绘人脸区域可能被“重新画一遍”。这个时候如果 Prompt 没有对人物描述得很清楚或者 ControlNet 限制不够就会出现名字还是那个名字、脸已经不是那张脸的情况。小脸崩坏的修复思路一般有三种人脸区域裁剪出来后单独放大再贴回去使用 GFPGAN、CodeFormer 这种人脸修复模型做后期修复在潜空间重绘时降低 denoise配合 tile ControlNet 保持结构BSAI-H3-upscale-4K 标题里特意提到“小脸崩坏”说明它大概率不是只做像素放大还内置或建议搭配了人脸修复链路。使用时要重点关注人脸修复模型的加载权重和修复强度别把它当成背景纹理修复用。1.3 BSAI-H3-upscale-4K 的定位和适用用户这个节点适合谁我总结了三类用 ComfyUI 做 AI 绘画想把生成图放大到高分辨率输出的人处理老旧照片、低清视频截图、直播录屏需要高清修复的人做视频后期想把 720P 或 1080P 素材提升清晰度的内容创作者如果是第一次用 ComfyUI建议先不要直接上这套节点。先把基础文生图、图生图跑通再引入超分放大否则很容易分不清报错到底出在哪个环节。如果已经有 ComfyUI 基础那这个节点方向很值得试尤其当你对“放大后细节保留”有要求时。2. 本地环境准备ComfyUI、依赖与模型文件这一部分比较容易被忽略。很多人下载了节点工作流双击导入发现一堆红色节点然后才去到处找依赖。与其到时候补不如按顺序先准备好。2.1 建议的安装顺序我建议的顺序是先安装 ComfyUI 本体确认基础文生图能正常出图再安装 ComfyUI Manager 或手动克隆自定义节点然后安装 BSAI-H3-upscale-4K 所依赖的第三方节点最后下载超分模型和人脸修复模型用简单工作流验证不要一上来就加载整套视频工程如果使用 Git 安装自定义节点常见方式是进入 ComfyUI 的custom_nodes目录然后克隆仓库cd ComfyUI/custom_nodes git clone https://github.com/你的节点仓库地址.git注意这里只是展示通用安装方式。实际仓库地址要以你拿到的节点版本为准。安装后需要重启 ComfyUI。如果你的 ComfyUI 是便携版路径通常在便携目录下的ComfyUI_windows_portable里手动安装版则在你的 Python 环境对应位置。依赖安装也常用 pip 处理pip install -r requirements.txt很多自定义节点仓库会自带 requirements.txt。如果缺少依赖ComfyUI 启动时通常会提示失败的节点名称和缺失模块。先看提示再补装不要盲目把所有包都装一遍。2.2 常见缺失节点问题的处理热词里反复出现“要安装缺失的节点请先在你的 python 环境中运行 pip install ...”这确实是 ComfyUI 新手最常见的卡点。原因很简单工作流里用到了 A 节点但你的 ComfyUI 里没有装 A 节点的自定义节点包于是导入工作流后那个位置就会变成红色或显示为“缺失节点”。处理顺序一般是看工作流界面提示的缺失节点名称去 GitHub 或 ComfyUI Manager 搜索通过 ComfyUI Manager 的 Install Missing Custom Nodes 功能安装如果自动安装失败手动克隆到 custom_nodes 目录安装后重启 ComfyUI再看是否变正常这个环节最容易踩的坑是缺失的不一定是 BSAI-H3-upscale-4K 本体很可能是它依赖的另一个节点比如图像处理相关的ComfyUI_essentials、comfyui_controlnet_aux、ComfyUI_Impact_Pack等。所以报错提示里如果提到“import xxx failed”优先去查 xxx 对应的节点包。2.3 超分模型和人脸修复模型的存放位置超分放大离不开模型文件。常见超分模型放在 ComfyUI 的models/upscale_models目录下。人脸修复模型如 GFPGAN、CodeFormer 通常会放在models/facerestore_models目录。如果你用的是带自定义结构的节点模型路径可能不同需要看节点说明。模型文件来源建议优先选 Hugging Face、GitHub Release、官方模型仓库等渠道。下载时注意看模型格式和精度比如有些是.pth有些是.safetensors。路径放错时节点不会直接报“文件不存在”而是表现为放大效果不明显或者某一步骤静默失败。建议第一次跑之前先把模型目录里的文件名完整复制出来核对节点默认读取的名字。很多“超分无效”的问题其实是模型名不匹配节点回退到了默认缩放逻辑。3. 单张图像超分放大从加载到出图的完整流程环境准备好了第一步不是去跑视频而是先用一张单图走完整流程。这能帮你快速确认节点是否正常、模型是否加载成功、输出是否符合预期。3.1 最小工作流结构一个最小可运行的图像超分工作流大致包含这些节点Load Image加载输入图片图像缩放或超分节点执行放大高清修复节点按需修复细节VAE Decode输出像素图Save Image保存结果用 JSON 的工作流片段来描述会更直观但不同节点命名差异大。这里给一个近似结构{ 1: { class_type: LoadImage, inputs: { image: input.png } }, 2: { class_type: BSAIHUpscale, inputs: { image: [1, 0], upscale_model: 4x-UltraSharp.pth, scale_factor: 4, tile_size: 512, overlap: 32 } } }这只是示例实际节点名称、输入参数名可能完全不同。重点是先构建一条“加载图 - 放大 - 保存”的链路确认出图。3.2 常用参数默认值与调整方向我在使用类似超分节点时经常遇到的参数有这几类参数常见默认作用调整方向scale_factor2 或 4放大倍数2 倍先测试稳定后再上 4 倍denoise0.3 左右重绘幅度越大越偏离原图越小越保留原结构tile_size512分块大小显存不足时调小降到 256 或 128overlap32分块重叠防止块与块之间出现接缝face_restore_modelgfpgan / codeformer人脸修复需要清晰人脸时开启face_restore_weight0.5 到 1.0修复强度太高容易“换脸”太低修复不明显这里最有用的一条经验是**不要一上来就把放大倍数拉到 4 倍也不要一上来就开高 denoise。**先用 2 倍、denoise 0.2 跑一张观察细节有没有变清晰、有没有出现奇怪的纹理再逐步增加。3.3 成功输出长什么样成功输出不是“图片变大了”这么简单。我判断一个超分结果是否合格一般看四件事边缘线条是否干净有没有明显锯齿人脸五官是否自然没有眼窝凹陷、嘴巴错位纹理细节是否增加比如头发丝、衣服编织纹路、皮肤毛孔颜色是否接近原图没有整体偏色如果一张图放大后看起来很“干净”但细节全是糊的说明超分模型可能没有生效或者模型路径不对。如果画面出现大量奇怪的笔触感说明 denoise 太高节点把细节“画花”了。4. 潜空间重绘与高清修复关键参数和调优顺序这一部分是 BSAI-H3-upscale-4K 标题里最值得展开的能力。潜空间重绘优化不是简单地在潜空间放大 latent而是在放大后重绘细节让图像不显得“拉伸”。4.1 先放大像素再重绘还是先重绘再放大这是很多人问的问题。先说结论大多数情况下像素级超分放大后再进行小幅重绘比先重绘再放大更稳。原因在于潜空间里的 latent 分辨率不代表真实视觉纹理数量。你先用超分模型在像素空间补出更多纹理再编码到潜空间重绘模型有更多信息可以参考。反过来如果你先在小图上重绘再放大重绘阶段能参考的像素太少容易出现构图偏差放大后问题也被放大。不过如果原始分辨率特别低比如人脸只有 50x50 像素直接放大到 2 倍再修复可能仍然不够。这时候需要做人脸区域裁剪修复把小脸区域单独挖出来修复完成后再贴回背景。这个操作通常需要 Impact Pack 里的 Detailer 或类似节点配合。4.2 denoise、ControlNet 与 tile 分块潜空间重绘的核心参数是 denoise。denoise 太低细节补充不足太高图像会重新生成构图和人物特征可能改变。我一般这样定初始值只想清理噪点和压缩痕迹denoise 0.2 到 0.35想补细节但保留人物特征denoise 0.35 到 0.5想大幅重绘画面denoise 0.6 以上使用高 denoise 时强烈建议加 tile ControlNet。tile ControlNet 的作用是约束重绘过程保持原始构图和纹理防止画面乱跑。对整个超分流程来说tile 更像一个“稳定器”。显存有限时可以用 tile_size 分块处理。tile 太大容易爆显存tile 太小则块之间容易出现接缝。以 8GB 显存为参考我通常从 tile_size 512、overlap 32 开始。如果没问题再尝试更小或更大的 tile。出现横向条纹、网格状痕迹时先加 overlap再降 tile_size别急着换模型。4.3 人脸修复模型怎么接入BSAI-H3-upscale-4K 标题里写了“小脸崩坏”所以人脸修复大概率是重点功能。常见做法是在超分放大之后单独接一个人脸修复模型。GFPGAN 对轻度崩坏的修复比较自然CodeFormer 在重度崩坏时效果更明显但容易让人脸有点“假”。很多工作流会让人脸修复权重保持 0.5 以下以免人物变得不像本人。我遇到的实际情况是人脸修复模型对“小脸”特别重要但也不是所有图都适合用。动漫脸、卡通脸和写实脸的修复模型取向完全不同。如果你的图是动漫风格用写实人脸修复模型反而会得到奇怪皮肤质感。所以先确认节点支持哪种修复模型再决定是否启用。经验提醒人脸修复不是越强越好。权重太高时可能让脸部自带“美颜滤镜”连痣和疤痕都被抹掉。对追求真实的人来说这不见得是好事。5. 视频超分放大多帧处理的成本、速度和稳定性视频超分和单图超分的区别不只是“从一张变成几百张”。帧与帧之间如果不一致画面会出现闪烁、抖动甚至局部区域忽清晰忽模糊。这也是视频超分比图像超分难的地方。5.1 视频转帧和批次处理常规做法是把视频先拆成图片序列再逐帧超分最后合成视频。ComfyUI 里可以配合视频加载节点和保存节点直接处理也可以使用外部工具拆帧。拆帧常用的非常规思路是只拆关键帧再用插帧补全但对超分场景来说通常还是得全帧处理否则动态细节会丢失。一个完整流程大致是用 ffmpeg 或视频节点把视频拆成 PNG 序列确认帧率、分辨率、画面比例没有异常在 ComfyUI 中把序列作为批量输入处理使用相同参数逐帧走超分链路检查关键帧比如运动模糊明显、人脸出入画面、场景切换帧合成视频并保留原始音频# 拆帧示例将视频拆成图片序列 ffmpeg -i input.mp4 frames/frame_%06d.png# 合成示例将图片序列合成视频 ffmpeg -r 30 -i frames/frame_%06d.png -i input.mp4 -map 0:v -map 1:a output.mp4这里要注意-r 30要和原视频帧率一致。如果原视频是 60fps你按 30fps 合成画面会明显变卡。5.2 显存、时间与画质的取舍视频超分非常吃显存和时间。同样一张图放大 4 倍单张可能几秒钟但一段 1 分钟、30fps 的视频有 1800 帧按每帧 2 秒算纯处理就要一小时。实际还会更久因为视频帧还有运动模糊、噪点等问题。所以参数取舍很重要。我的建议是低配机器不要直接开 4K 修复先做 2 倍放大观察效果batch size 不要拉太高如果单张 512x512 是 1 秒batch size 8 不一定能 8 倍速反而可能爆显存tile_size 按显存调整显存不足时优先降 tile而不是降 batch开启静默模式或关闭预览能节省一部分显存视频放大最容易遇到的问题是“单帧看起来很好整体播放却闪烁”。这通常不是节点坏了而是帧间不一致。解决思路一般是叠加时间一致性约束某些节点会提供 temporal 相关选项。如果当前节点没有可以先降低重绘幅度用更保守的 denoise。5.3 校验输出质量视频处理完成后不要只看首尾几帧建议重点检查这些地方运动场景比如人在走路、车辆经过时会不会出现残影字幕和文字区域有没有扭曲背景纹理有没有波纹人脸特写镜头有没有崩坏如果只在静态场景下测试很可能发现不了问题。视频超分真正的风险点在动态画面尤其是大幅度运动时。建议正式跑长视频前先剪 10 秒片段跑一遍既能估算总耗时也能提前发现明显 bug。6. 常见报错、排查顺序和边界提醒最后一章讲排查。这部分内容不是附赠而是实际使用超分节点最容易卡住的地方。6.1 从导入节点到出图失败的排查链路按下面的顺序排查能解决大多数问题导入工作流后先看有没有红色或缺失节点提示如果有看提示里缺失的节点名称安装对应自定义节点确认 Python 依赖是否完整重启 ComfyUI用一张小图测试别直接放大图或视频如果节点报错复制完整报错日志不要只看最后一行检查模型路径是否存在文件名是否和节点默认值一致检查输出目录是否有写权限磁盘空间是否足够很多“出图失败”其实不是节点功能问题而是环境问题。比如 Windows 路径带中文某些库会解析失败再比如 Python 版本和 PyTorch 版本不匹配加载模型报 OOM 或 unknown error。6.2 输出模糊、崩坏、颜色变化时的检查顺序如果出图了但效果不对排查顺序应该是现象优先排查项可能原因图片变大但还是模糊超分模型是否加载成功模型路径错误或文件损坏人脸崩坏人脸修复权重、denoise修复强度不足或重绘幅度过高颜色失真VAE 和输入输出格式色彩空间不一致VAE 选错出现接缝tile 和 overlapoverlap 太小tile 之间不连续边缘过度锐化超分后是否叠加锐化使用后处理滤镜过强视频闪烁帧间一致性参数denoise 过高或未开时间一致性颜色问题特别容易误判。超分模型只处理亮度或细节理论上不该偏色。如果你发现整张图偏红或偏绿先看 VAE Decode 节点是否选对再看输入图片的通道顺序是否正常。6.3 哪些情况不要过度期待低分辨率素材不是万能的。以下几种场景超分效果可能有限原图本身就严重过曝或欠曝细节已经丢失人脸像素区域极小比如整张脸不到 20x20 像素视频码率太低画面全是块状压缩痕迹动漫风格作品用了写实人脸恢复模型风格错乱纯文字、密集小字母区域超分后容易变成乱码一样的纹理遇到这些情况时先考虑能不能找到更高清的源文件或者用局部修复、重绘去补而不是单纯依赖一个放大节点。最后说一点个人习惯我会把第一次测试拆成“单图 - 小视频片段 - 完整视频”三个阶段。单图确认画风小片段确认速度和稳定性最后才跑完整任务。节点能力再强也经不起一开始就开最大分辨率、最大批次去折腾。先把每一步看明白再谈效率。