ComfyUI 超分放大实战：BSAI-H3 插件实现4K高清修复与潜空间重绘

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：

1. 先安装 ComfyUI 本体，确认基础文生图能正常出图
2. 再安装 ComfyUI Manager 或手动克隆自定义节点
3. 然后安装 BSAI-H3-upscale-4K 所依赖的第三方节点
4. 最后下载超分模型和人脸修复模型
5. 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：

1. 看工作流界面提示的缺失节点名称，去 GitHub 或 ComfyUI Manager 搜索
2. 通过 ComfyUI Manager 的 Install Missing Custom Nodes 功能安装
3. 如果自动安装失败，手动克隆到 custom_nodes 目录
4. 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_factor	2 或 4	放大倍数	2 倍先测试，稳定后再上 4 倍
denoise	0.3 左右	重绘幅度	越大越偏离原图，越小越保留原结构
tile_size	512	分块大小	显存不足时调小，降到 256 或 128
overlap	32	分块重叠	防止块与块之间出现接缝
face_restore_model	gfpgan / codeformer	人脸修复	需要清晰人脸时开启
face_restore_weight	0.5 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：

1. 边缘线条是否干净，有没有明显锯齿
2. 人脸五官是否自然，没有眼窝凹陷、嘴巴错位
3. 纹理细节是否增加，比如头发丝、衣服编织纹路、皮肤毛孔
4. 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：

1. 用 ffmpeg 或视频节点把视频拆成 PNG 序列
2. 确认帧率、分辨率、画面比例没有异常
3. 在 ComfyUI 中把序列作为批量输入处理
4. 使用相同参数逐帧走超分链路
5. 检查关键帧，比如运动模糊明显、人脸出入画面、场景切换帧
6. 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：

1. 导入工作流后，先看有没有红色或缺失节点提示
2. 如果有，看提示里缺失的节点名称，安装对应自定义节点
3. 确认 Python 依赖是否完整，重启 ComfyUI
4. 用一张小图测试，别直接放大图或视频
5. 如果节点报错，复制完整报错日志，不要只看最后一行
6. 检查模型路径是否存在，文件名是否和节点默认值一致
7. 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 overlap	overlap 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。