如何用 ComfyUI-LTXVideo 把低清视频变高清

如何用 ComfyUI-LTXVideo 把低清视频变高清【免费下载链接】ComfyUI-LTXVideoLTX-Video Support for ComfyUI项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-LTXVideo生成的 LTX-Video 放大后纹理变糊、边缘发虚多半不是模型不行而是缺一套高清化收尾流程。ComfyUI-LTXVideo 为 ComfyUI 提供一组配套自定义节点覆盖两段式生成、潜空间放大、VAE 解码优化与分块融合让低清草稿最终输出到 4K 甚至 8K。 价值速览它替你省了什么省试错成本先用低分辨率锁定构图和动作再放大精修不用一次性赌高分辨率生成。省显存VAE 补丁节点把解码峰值内存大约砍半32GB 显存也能出大画布。省时间蒸馏模型只需少量采样步两段式流程的基底结果可反复用于不同放大尝试。省拼接痕迹分块融合共享同一画布与噪声场4K/8K 输出看不到块与块的接缝。省摸索成本2.0、2.3、2.5 三代示例工作流开箱即用输入素材直接附带。⚙️ 安装与模型准备前提已装 ComfyUI、CUDA 显卡 32GB 以上显存、100GB 以上空闲磁盘。cd ComfyUI/custom_nodes git clone https://gitcode.com/GitHub_Trending/co/ComfyUI-LTXVideo pip install -r requirements.txt模型文件按 README.md 的 Required Models 一节放置主模型ltx-2.3-22b-dev或ltx-2.3-22b-distilled-1.1→models/checkpoints/空间放大器ltx-2.3-spatial-upscaler-x2-1.1、时间放大器ltx-2.3-temporal-upscaler-x2-1.0→models/latent_upscale_models/蒸馏 LoRA →models/loras/Gemma 3 文本编码器 →models/text_encoders/gemma-3-12b-it-qat-q4_0-unquantized/找不到下载地址也没关系打开工作流后总览面板会列出 Missing Models点一次 Download all 即可自动下载到正确目录。画质提升能力拆解两段式生成先出草稿再放大精修做什么第一段在基础分辨率生成视频含音频第二段做 2 倍空间放大并跑几步精修最终观感明显好于直接单段出高清。 在哪实现easy_samplers.py 里的LTXVBaseSampler、LTXVNormalizingSampler系列节点配 example_workflows/2.5/ 下所有 Two_Stage 工作流。 影响最大的参数放大器档位x2 或 x1.5与精修步数——基础分辨率取得越低迭代越快、放大对比越明显。潜空间放大不是像素插值做什么在 VAE 解码之前的潜空间压缩表示上用专门训练的模型做 2 倍或 1.5 倍放大细节是模型重建出来的不是简单拉伸。 在哪实现low_vram_loaders.py 的LowVRAMLatentUpscaleModelLoader低显存版及原生 LatentUpscaleModelLoader从models/latent_upscale_models/读取模型。 影响最大的参数放大倍率必须与所用模型匹配拿 x2 的模型当 x1.5 用会明显掉质。VAE 补丁解码内存减半做什么把潜空间还原成像素帧是全程最吃显存的一步补丁节点将解码切成小块执行峰值显存约降一半画质无损失。 在哪实现vae_patcher.py 的LTXVPatcherVAEVAE 进、VAE 出串在解码节点之前即可。 影响最大的参数patch_block当前固定为 4块越小省显存越多。分块融合4K/8K 无接缝做什么画布超过模型训练窗口时每步去噪都在重叠小块上跑但全程共享一张潜空间画布和一份噪声场再用高斯混合贴回画布——显存取决于块大小而非画布大小且不会出缝。 在哪实现LTXVTiledFusionSampler完整用法见 tiled_fusion_sampler.md配套 4K/8K 工作流在 2.5 文件夹。 影响最大的参数overlap_frac重叠比例保持 0.5 以上否则规整内容上会浮现金字网格。最小实操从零跑通两段式工作流目标是完整跑出一条成片中途不改任何参数打开 ComfyUI把 example_workflows/2.5/ 里的LTX-2.5_T2V_I2V_Two_Stage_Distilled.json拖进画布。这是 README 推荐的起点文生视频、可选首帧图视频音频一起出。总览面板若提示缺模型点一次 Download all。左侧 Inputs 填提示词与帧数——帧数必须是 1 加 8 的倍数比如 97有首帧图就接上。点 Run。第一阶段结束后自动进入放大精修成片落在 output 目录。显存紧张时把模型加载器换成 low_vram_loaders.py 的 Low VRAM 系列——dependencies 线把加载器串起来模型逐个加载而非同时驻留启动 ComfyUI 时追加参数python main.py --reserve-vram 5两个进阶动作值得知道。长视频交给LTXVLoopingSamplerlooping_sampler.py它把长视频拆成时间上重叠的片段逐段生成temporal_overlap和temporal_overlap_cond_strength决定衔接是否连贯配 MultiPromptProvider 还能给每段单独写提示词。放大精修的提示词只写光照、色调、锐度这类风格词不要点名具体物体——点名的细节可能被盖章到每个空间块里。避坑与下一步看现象再找模块放大后出现网格或棋盘纹 → 先怀疑重叠不够 → 查分块融合采样器的overlap_frac保持 0.5 以上。显存正好在解码阶段爆掉 → 别急着重跑 → 解码前串 LTXV VAE Patcher或调小解码块尺寸。长视频接缝处抖动 → 检查 LoopingSampler 的temporal_overlap与条件强度。提示词里点名的物体出现在每个块里 → 这是空间块已知行为把提示词改写成风格描述。首帧或时长总差一点 → 帧数要满足 1 加 8 的倍数检查 Inputs 配置。三个深入入口README.md完整模型清单与各版本工作流索引。example_workflows/2.5/ 文件夹内的 README按需求挑选工作流的决策树从纯音频到 4K/8K 分块放大全覆盖。looping_sampler.md 与 tiled_fusion_sampler.md两个大节点的行为细节、合法参数组合与图结构示意图。【免费下载链接】ComfyUI-LTXVideoLTX-Video Support for ComfyUI项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-LTXVideo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考