Pusa
詳細
ファイルをダウンロード
モデル説明
Pusaは、LoRAフォーマットのWan 2.2向けファインチューニングモデルです。動画品質を向上させます。
必要条件：Kijai WanWrapperノード https://github.com/kijai/ComfyUI-WanVideoWrapper
注意：2025年9月3日現在、ComfyUIは昨日Pusaノードを更新しました。現在はやや使いやすくなっています。
1つのモデルで複数のタスクを支援。すべてLightX2Vで4ステップ推論をサポート：画像から動画、開始・終了フレーム、動画補完、動画拡張、テキストから動画、動画トランジションなど。
Wan 2.2 Pusaの機能
動画生成タスク：テキストから動画、画像から動画（静止画を動くシーンに変換）、動画拡張、トランジション、さらには開始フレームと終了フレームを両方指定して動画にシームレスにマッピングするような複雑なタスクも対応可能です。
マルチ入力・マルチタスク：従来のモデルは各タスクごとに別々のモデルやトレーニングが必要でしたが、Wan 2.2 Pusaの独自設計（「Pusaパラダイム」）により、1つの統合システムでさまざまな動画タスクを一般化でき、追加トレーニングが最小限で済みます。
高速かつ効率的：「LightX2V」の高速化と「ベクトル化されたタイムステップ適応（VTA）」のおかげで、わずか数ステップの推論で高品質な結果を実現し、動画生成に必要な計算リソースと時間を大幅に削減します。
動作原理
ベクトル化されたタイムステップ適応（VTA）：核心的な革新点は、各動画フレームに対して複数の「タイムステップ」を使用し、動画全体で動きやトランジションを独立して適応させることです。これにより、動画の各部分がカスタマイズされた動きで進化し、元のベース動画モデルの強みを損なうことなく、時間的スムーズさと創造的な制御が可能になります。
エキスパート混合（MoE）：Wan 2.2は2つの専門サブモデルを用いています。1つは「高ノイズ」（複雑な動き）用、もう1つは「低ノイズ」（静的ディテールの保持）用。これらの長所を組み合わせることで、より優れた動画品質を実現します。
LoRAファインチューニング：Pusaモデルは軽量で「手術的」な適応手法（LoRA）を使用して、画像から動画などの新機能を追加しながら、ベースモデルがすでに優れている機能（例：テキストから動画）を上書きしません。効率的に新機能を追加しつつ、既存の能力を維持します。
Wan 2.2 Pusa
https://github.com/Yaofang-Liu/Pusa-VidGen
https://huggingface.co/RaphaelLiu/Pusa-Wan2.2-V1
https://huggingface.co/Kijai/WanVideo_comfy/tree/main/Pusa
これらのLoRAはランク256です。そのためファイルサイズが非常に大きくなっています。これらのLoRAは、Wan 2.2の動画・画像品質を向上させることを目的としています。個人的な使用では、その効果は控えめですが、常に動画の品質は改善されます。NSFW用にトレーニングされたかどうかは不明ですが、NSFWコンテンツでも問題なく動作します。
作者のページによると、重みは約1.4–1.5で使用することを推奨しています。LightX2Vを用いて4〜8ステップで使用するか、通常のステップ数で通常通り使用できます。