本教程将从0构建 ComfyUI 三重细节填充放大工作流，人有多大胆，图有多大产
**（建议横屏）**鬼灭之刃 · 堕姬 & 甘露寺蜜璃 · 三重细节填充放大 · 16K(15488×8832)
「四种放大」
”潜空间“和”像素空间”，图像放大可以在潜空间里做，也可以在像素空间里做，效率和效果截然不同。
AI绘画常用的图像放大思路有四个：像素放大、模型放大、重采样放大、区块放大。这四个并不是专业术语，也不是标准的分类，但我觉得这么分类非常有助于理解和实操，其他不常用的放大方法在此没有拿出来讨论的必要性。
「像素放大」
右侧是一张150px×150px的头像，左侧是使用图片编辑器（这里使用Photoshop也就是PS）的“调整图像大小”功能进行的简单两倍像素放大（也就是300px×300px）的效果。原来的蓝色眼瞳高光占2个像素，放大后占了约9个像素。
像素放大法只是单纯的将1个像素点复制出了N个，仅此而已（其实就是基于插值算法，计算出图像放大后新位置的像素值），它并不增加任何细节。当把镜头推远后，直观感觉上图像的质量并没有提升，该“糊”的地方还是很“糊”。
这个事情也侧面反映出，图像和视频并不是分辨率越高质量越好。所谓的“高清”、“超清”，讲的是单位面积的像素内所承载的内容密度。内容密度不够，分辨率再高也是糊。
“像素放大”方法是在“像素空间”做文章的放大方法，也是对提升清晰度来说最没用的一种放大方法。
「模型放大」
基于深度学习模型、网络对抗模型等现代算法来放大图片，在提高分辨率的同时保持能增强图像的细节、清晰度和逼真度。耳熟能详的有ESRGAN系列和它的升级版4x-ultrasharp。
右半边是原图，左半边使用了 4x-ultrasharp 模型进行放大。嘴唇、皮肤、脖子上的金属首饰，质感得到了明显增强。直观上，4x-ultrasharp 增加了图像的“锐度”，这可能也是模型使用“sharp”这个词的原因。
同样是使用了 4x-ultrasharp 放大模型，注意头发和眉毛在经过模型放大后纹理和细节性的加强程度。
模型放大方法也是在“像素空间”做文章的放大方法，它总是尝试从低分辨率图像中生成高分辨率图像，然后不断判断生成的高分辨率图像与真实高分辨率图像之间的差异，多次迭代形成最优图像。
模型放大是最常用的图像还原和超清分辨率方法，快速、使用、质量高。工作流非常简单：
「重采样放大」
重采样放大也叫潜空间放大，顾名思义就是把“高维度像素空间”的图片，通过VAE编码打回到“更大尺寸的低维度潜空间”，通过添加额外的随机噪声，再VAE解码，实现图片的间接放大。
如果你明白潜空间的含义，就知道重采样放大，实际上是一种图生图重绘，所以这种放大思路的缺点在于放大质量的不稳定性。重采样步骤和采样算法等因素的协调性，直接影响了放大的质量和与原图的一致性。
「区块放大」
区块放大严格意义上不是一种“算法”，它更像是一个工程技巧。它的基本思路是图像拆分->分别放大->重新组合。
更大的图像尺寸就是能够在单位像素面积下承载更多的内容，所以尽可能地在放大整体像素尺寸的同时填充内容，是大家都希望的。换句话说，只要硬盘够大，好的图片多大都不算大。
假设你的显卡和显存容量，能够支持一次性将1024×1024的图片放大4倍，也就是4096×4096，那么你还能将它再一次性超清放大4倍吗？然后再放大4倍呢？对于大多数家用电脑，答案是否定的，强如N卡GTX4090的显存也会爆掉。
区块放大，就是将这个4096×4096的图片，三横三竖砍成16个1024×1024的图块，然后分别对这16张局部图进行16次单独放大，再将他们按照原来的顺序和位置拼接好，从而实现对 4096×4096 放大4倍的效果。
实际的分块，要比上面这个计算尺寸大一个边，也就是说，块与块之间的边界，有内容重合的部分，比如每个块实际上是按照 1100×1100 来放大的。这么做的好处是，在最后一步拼接时，块与块之间会有更好的衔接，整张图会更整体。
「工作流拆解和创建」
三重放大的基本思路是组合上面介绍的四种放大中的后面三种，即：潜空间放大->分区放大->模型放大。这个组合顺序，从原理上来说可以总结为“潜空间重采样”、“像素空间局部模型放大”、“像素空间全局模型放大”。关于顺序说明如下：
如果把潜空间放大放在靠后的位置，它的重采样效果会破坏前置放大步骤为图像增添的细节和清晰度，因果关系就类似“先贴漂亮的墙纸、再把墙砸掉、再砌一面更好的墙”。所以所有的潜空间放大都应该放在最前面。
区块放大本质上是局部模型放大，它不破坏整体结构和内容协调性，是在“潜空间放大”增加了画面丰富度后，进一步进行画面的细节精细化处理并添加更好的光影效果。所以紧跟着潜空间执行。
模型放大作为全局整体执行时，不添加任何细节，而是把看起来很“糊”的东西变得更加清晰，可以简单的理解为是在把尺寸放大的同时锐化整个画面。
「添加潜空间放大节点」
潜空间放大不需要把K采样器的结果进行解码，那么我们把基础工作流最后的VAE解码节点删除。之后添加两个节点：
新建 -> Latent -> Latent按系数缩放
新建 -> 采样 -> K采样器。
将原K采样器的Latent输出连接到新增的Latent按系数缩放节点的输入上，并将它的输出连接到新增K采样器的Latent输入上；将模型加载节点的模型输出连接到新增K采样器的对应输入上；将两个CLIP文本编辑器的输出连接到新增K采样器的对应输入上。
Latent按系数缩放和K采样器，完成“潜空间放大”
「添加区块放大节点」
区块放大节点需要额外下载，安装的“插件管理器”，搜索“ssitu”直接安装，或者从 GitHub 下载离线包后，解压到 ComfyUI_windows_portable\ComfyUI\custom_nodes 文件夹下
区块放大节点是一个特别大的节点，因为它傻瓜式融合了分块、区块模型放大、区块拼接、接缝重绘整合等多个步骤。区块放大节点的位置
新建->图像->放大->SD放大有两点需要注意。第一，区块放大节点的输入不同于潜空间放大，它的输入不是Latent而是图像，所以我们要现在区块放大节点之前，增加一个VAE解码器，以便把前一步潜空间放大的结果转换为像素空间图像。第二，区块放大本质是模型放大，所以需要放大模型加持。我们直接从区块放大节点的“放大模型”输入点上用鼠标连线到空白处，在弹出的选项中选择“放大模型加载器”。
随后，将最前面模型加载节点的模型输出连接到区块节点的对应输入上；将最前面模型加载节点的VAE输出连接到区块放大节点对应的输入上；将前面两个CLIP文本编辑器的输出连接到新增K采样器的对应输入上。这样我们就连接好了区块放大节点。
为了简化教程，目前我们只需要关注分块宽度和分块高度。如果你的基模是SD1.5系列，这两个值为512或768。如果你的基模是SDXL、Pony或更高版本，这两个值至少是1024并且是64的整数倍。
这两个值什么意思呢？我们刚刚说过，区块放大就是把一张图，切割成若干子图，分别对子图放大后在拼接成大图。这两个值，就决定了切割出来的子图的大小，用一张图示意如下：
这是一张 2200×1400 的图，当我们设置分块为 1024×1024 时，图片大约会按照上面这个切分方式分为 2×3 的网格，并分6次局部执行局部模型放大。
上面是一个简化算法。实际的切分方法要更加复杂一些。为了确保子图与子图在最终拼接时具有更加丝滑的接缝过度，实际上分块与分块之间会重合，重合的宽度由叫做“接缝修复宽度”的参数控制。实际分块可视化后大概像这样：
「添加模型放大节点」
这一步就比较简单了，添加一个“图像通过模型放大”节点即可
新建->图像->放大->图像通过模型放大将上一步区块放大节点的图像输出给到模型放大的图像输入，将上一步的放大模型加载其的输出，再拉一根线到模型放大节点的放大模型输入上，这样就完成了全局模型放大节点的搭建。
至此，我们就完成了三重超清放大工作流的全部搭建工作，这个工作流现在长这样，其中红框为“潜空间放大”，绿框为“区块放大”，黄框为“模型放大”，红框前面的部分是我们前面讲过的文生图绘图模型：
「放大效果」
「潜空间放大效果前后对比」
左：原图 右：潜空间重采样 眉毛纹理、睫毛根数和瞳仁深度得到细节增强
左：原图 右：潜空间重采样 珍珠重绘和高光增强
「区块放大效果前后对比」
左：上一步原图 右：区块放大结果 花蕊重绘细节增强
左：上一步原图 右：区块放大结果 鼻子高光、唇部高光
「全局模型放大前后对比」
左：上一步原图 右：模型放大结果 全局锐化
「附加题」
上面介绍的是文生图三重超清放大工作流。最后，曾通过替换潜空间节点，将“文生图”进化为“图生图”。那么三重超清放大工作流用相同方法调整后，就可以变成任意外部图片的高分辨率修复工作流，比如做一个老照片修复。
为了帮助大家更好地掌握 ComfyUI，我在去年花了几个月的时间，撰写并录制了一套ComfyUI的基础教程，共六篇。这套教程详细介绍了选择ComfyUI的理由、其优缺点、下载安装方法、模型与插件的安装、工作流节点和底层逻辑详解、遮罩修改重绘/Inpenting模块以及SDXL工作流手把手搭建。
由于篇幅原因，本文精选几个章节，详细版点击下方卡片免费领取
一、ComfyUI配置指南
报错指南 环境配置 脚本更新 后记 …二、ComfyUI基础入门
软件安装篇 插件安装篇 …三、 ComfyUI工作流节点/底层逻辑详解
ComfyUI 基础概念理解 Stable diffusion 工作原理 工作流底层逻辑 必备插件补全 …四、ComfyUI节点技巧进阶/多模型串联
节点进阶详解 提词技巧精通 多模型节点串联 …五、ComfyUI遮罩修改重绘/Inpenting模块详解
图像分辨率 姿势 …六、ComfyUI超实用SDXL工作流手把手搭建
Refined模型 SDXL风格化提示词 SDXL工作流搭建 …由于篇幅原因，本文精选几个章节，详细版点击下方卡片免费领取
总结
### 文章总结：ComfyUI三重细节填充放大工作流从零构建#### 综述
本文详细介绍了如何在ComfyUI平台上构建三重细节填充放大的工作流，通过对“潜空间放大”、“区块放大”和“模型放大”三种技术的结合应用，实现图像的高清和超清分辨率放大。教程以《鬼灭之刃》中的角色为例，展示了从图片放大的基础理论到具体操作步骤，最后提供了调整该工作流以应用于老照片修复等外部图片修复的方法。
#### 四种放大方法
- **像素放大**：基于插值算法，简单复制像素点，不增加图像细节，效果有限。
- **模型放大**：利用深度学习模型（如ESRGAN系列、4x-ultrasharp）提升图像分辨率、细节和清晰度，是最常用的放大方法。
- **重采样放大**（潜空间放大）：通过高维像素空间转换至低维潜空间，加入噪声后解码放大，图像质量不稳定，但可增强图像内容丰富度。
- **区块放大**：将图像切割成小块分别放大再拼接，利用边界重合优化拼接效果，适合大图像处理。
#### 工作流拆解和搭建
1. **潜空间放大**：
- 删除原有VAE解码节点。
- 添加“Latent按系数缩放”和“K采样器”节点，并对接相应输入输出，完成潜空间放大。
2. **区块放大**：
- 安装“ssitu”插件。
- 新建区块放大节点，添加VAE解码器和放大模型加载器，连接输入输出完成区块放大设置。
- 根据图像大小和模型调整分块宽度、高度及接缝修复宽度。
3. **模型放大**：
- 添加“图像通过模型放大”节点。
- 将区块放大结果及放大模型连接至新节点，完成全局模型放大。
4. **效果展示**：
- 潜空间放大：提升眉毛、睫毛、珍珠等细节。
- 区块放大：增强花蕊、鼻子高光、唇部细节。
- 模型放大：全局锐化，进一步提升清晰度。
#### 进阶应用
- 通过替换潜空间节点，将工作流从“文生图”转换为“图生图”，适用于老照片修复等外部图片修复工作。
#### 附加资源与学习路径
- 提供了更深入的ComfyUI系列教程链接，包含基础、进阶及SDXL工作流搭建等内容，供学习者免费领取。
本教程通过理论指导与实践操作相结合，帮助读者从零开始构建实用的图像超清放大工作流，一步步提升图像处理技能。