Wan 2.2 5B - Latent Video Upscaler & Enhancer / Transform Low-Res Videos into HD Masterpieces — The Intelligent Way
详情
下载文件
关于此版本
模型描述
将低分辨率视频转化为高清杰作——智能方式
简介：超越传统超分辨率
传统的AI超分辨率工具如RealESRGAN在处理图像时表现优异，但在处理视频时往往力不从心。它们可能引入伪影、无法增添有意义的细节，导致画面模糊且不真实。
本工作流 “Wan 2.2 5B - 潜在视频超分辨率器” 实现了范式转变。它不再只是猜测像素，而是借助强大的 Wan 2.2 5B 文本到视频模型，智能地重新诠释并重建你的视频为高清版本。它不只是放大，而是“想象”出缺失的细节，生成比任何传统超分辨率工具更清晰、更细致、更连贯的高清视频。
简而言之：别再用图像超分辨率工具处理视频。使用扩散模型，以智能方式真正增强和提升你的画面细节。
核心功能与亮点
🤖 智能增强： 利用 Wan 2.2 5B 模型添加语义正确的细节、纹理和连贯性，远超传统超分辨率工具的能力。
⚡ 快速高效： 基于轻量级的50亿参数模型，该工作流在潜在空间中进行超分辨率和去噪的速度，显著快于从头生成视频。
🎨 保留画质： 采用轻度处理（
denoise=0.2），在增强和放大时不会剧烈改变视频原有的运动或内容。📈 2倍分辨率提升： 在解码前直接在潜在空间中将输入视频分辨率翻倍。
🎬 流畅最终输出： 可选 RIFE 帧插值 步骤，将帧率从16fps提升至32fps，实现丝滑流畅的最终效果。
🔊 音频透传： 自动将原始视频的音轨保留至最终增强输出。
工作流概述与策略
本工作流是一个复杂的视频处理链条：
输入： 使用 VHS_LoadVideo 加载你的低分辨率源视频。
初步放大： 视频立即通过 Lanczos 滤波器 2倍放大 至目标尺寸，为模型提供更好的起点。
潜在空间处理： 放大后的帧被编码至潜在空间。
智能增强： 工作流的核心。Wan 2.2 5B 模型 在优质正向提示与细节负向提示引导下，仅用 8步 以 UniPC 算法对潜在变量进行轻微去噪（
denoise=0.2）。这一步是“魔法”发生之处——模型填充出合理且高质量的细节。解码： 增强后的潜在变量被解码回高分辨率图像序列。
最终输出：
选项 A： 直接保存16fps的放大视频。
选项 B（推荐）： 将序列通过 RIFE VFI 进行帧插值，提升至32fps，生成既高清又极其流畅的最终视频。
技术细节与要求
🧰 所需模型：
基础模型：（GGUF 格式）
Wan2.2-TI2V-5B-Q8_0.gguf来源： 可能来自 HuggingFace 或其他模型仓库。
LoRA：
Wan2_2_5B_FastWanFullAttn_lora_rank_128_bf16.safetensors（强度设为0.5）
VAE：
Wan2.2_VAE.safetensors
CLIP 视觉编码器：（用于 GGUF 加载器）
umt5-xxl-encoder-q4_k_m.gguf
插值模型：
rife47.pth（用于 RIFE VFI 节点）
⚙️ 推荐硬件：
- 建议使用具有充足显存的GPU（例如 12GB+），尤其处理较长视频时更为重要。
🔌 自定义节点：
本工作流使用以下节点：
comfyui-videohelpersuite(VHS) — 用于视频加载与合并comfyui-frame-interpolation— 用于 RIFE 帧插值comfyui-gguf/gguf— 用于模型加载comfyui-easy-use— 用于内存管理comfyui-kjnodes— 用于性能优化（Sage Attention）
使用说明
加载 JSON： 将提供的
.json文件导入你的 ComfyUI。加载模型： 确保所有必需模型位于正确文件夹中，并检查
LoaderGGUF、VAELoader和LoraLoaderModelOnly节点中的路径。选择视频： 在 VHS_LoadVideo 节点中，点击视频图标选择你的低分辨率输入视频。
执行流程： 运行工作流！
获取输出： 在输出目录中找到两个增强后的视频：
.../Wan 2.2 5B Upscales/Denoise 0.2_xxxxx.mp4（16fps）.../Wan 2.2 5B Upscales/Denoise 0.2_32fps_xxxxx.mp4（32fps — 更流畅）
技巧与提示
去噪强度： KSampler 中的
denoise参数（默认0.2）是关键。~0.1–0.3： 最适合超分辨率与增强。在提升画质的同时保留原始内容。
>0.5： 将显著改变内容和风格，趋向于基于视频生成全新画面。
源视频质量： 此工作流特别擅长为来自旧生成器的低质量、像素化或噪点严重的视频注入新生机。
提示工程： 正向提示（“high detail, high quality...”）为通用增强设计。如需风格化调整，可修改提示（例如：“cinematic, film grain, photorealism”）。
结论：视频超分辨率的未来
本工作流展示了扩散模型的强大新用途：不仅是生成工具，更是智能增强工具。通过利用 Wan 2.2 模型内部的知识，我们得以实现传统方法无法企及的视频超分辨率——更高的连贯性与细节精度。它比完整生成更快，比简单放大更智能。
上传你的低分辨率片段，亲历智能超分辨率的革命。
致谢： 由 ComfyUI 社区制作。特别感谢 Wan 2.2 模型及 FastWanFullAttn LoRA 的创作者。